Интересно, как разные модели ИИ справляются с концепцией ограничений знаний. Gemini кажется особенно устойчивым к признанию того, что его обучающие данные имеют определённую точку завершения, несмотря на то, что большинство моделей сталкиваются с этой проблемой во время предварительного обучения. Тем временем, Claude 3 Opus кажется более комфортным с этой предпосылкой — он легко принимает, что «мир продолжает двигаться за пределами моего горизонта обучения». Эта разница в поведении вызывает вопросы о том, как эти модели были донастроены для обработки временной неопределённости. Являются ли несогласованности чисто архитектурными, или это отражает разные философии проектирования относительно того, как ИИ должен представлять свои собственные ограничения? Разрыв в том, как разные модели признают свои границы знаний, может иметь большее значение, чем мы думаем, особенно по мере того, как мы всё глубже интегрируем эти системы в приложения, требующие точного самосознания о свежести информации.