Thú vị là các mô hình AI khác nhau xử lý khái niệm giới hạn kiến thức như thế nào. Gemini dường như đặc biệt kháng cự việc thừa nhận rằng dữ liệu huấn luyện của nó có một điểm kết thúc rõ ràng, mặc dù hầu hết các mô hình gặp khó khăn với vấn đề này trong giai đoạn tiền huấn luyện của chúng. Trong khi đó, Claude 3 Opus có vẻ thoải mái hơn với giả thuyết này—nó sẵn sàng chấp nhận rằng 'thế giới vẫn tiếp tục vượt qua chân trời huấn luyện của tôi.' Sự khác biệt về hành vi này đặt ra câu hỏi về cách các mô hình này đã được tinh chỉnh để xử lý sự không chắc chắn về thời gian. Những bất nhất này hoàn toàn mang tính kiến trúc, hay phản ánh các triết lý thiết kế khác nhau về cách AI nên thể hiện giới hạn của chính nó? Khoảng cách giữa cách các mô hình khác nhau thừa nhận ranh giới kiến thức của chúng có thể quan trọng hơn chúng ta nghĩ, đặc biệt khi chúng ta tích hợp các hệ thống này sâu hơn vào các ứng dụng đòi hỏi nhận thức chính xác về độ mới của thông tin.