Điểm dừng kiến thức là ngày ngừng thu thập dữ liệu nghiên cứu LLM. Mô hình không thể biết điều gì đã xảy ra sau ngày này, đây là điểm giới hạn về độ tin cậy của câu trả lời.
Giới hạn kiến thức là một thuật ngữ tiêu chuẩn ngành cho ngày kết thúc thu thập dữ liệu dùng để đào tạo trước mô hình ngôn ngữ quy mô lớn (LLM). Ví dụ: nếu giới hạn là "Tháng 10 năm 2024", thì mô hình chưa tìm hiểu về các sự kiện sau đó nên chúng sẽ không được phản ánh trong câu trả lời.
Kể từ năm 2026, các LLM lớn thường xuyên cập nhật giới hạn của mình, nhưng trong hoạt động thực tế, sự hiểu lầm rằng "mô hình mới nhất = thông tin mới nhất" có thể là gốc rễ của rắc rối. Cần đặc biệt chú ý đến hiện tượng ``thông tin ngay trước thời điểm cắt trở nên kém chính xác hơn''; dữ liệu được thu thập ngay trước khi kết thúc quá trình thu thập có ít tài liệu học tập trên web hơn và có những lĩnh vực mà mô hình không thể trả lời một cách tự tin.
Biện pháp đối phó tại chỗ phổ biến nhất là kết hợp với RAG. Thiết kế chủ đạo là kết nối cơ sở dữ liệu bên ngoài hoặc tìm kiếm thời gian thực với mô hình để bù động cho các ràng buộc giới hạn. Giá trung bình để xây dựng RAG là 20.000 đến 50.000 yên Nhật mỗi tháng cho phiên bản đơn giản và hơn 200.000 yên Nhật mỗi tháng cho cấp doanh nghiệp.
Có hai cạm bẫy mà ReviewAI đã xác nhận trong các trường hợp thực địa. ① Ngay cả trong các mô hình đã được tinh chỉnh, điểm cắt cơ sở vẫn giữ nguyên nên rất dễ nhầm lẫn điều này với việc đưa vào các kiến thức mới nhất. ② Ngay cả khi bạn tự hỏi người mẫu về thời hạn chót, vẫn có trường hợp họ đưa ra câu trả lời sai. Trong thiết kế sản phẩm, điều cơ bản là chỉ định ``ngày hôm nay'' và ``ngày hết hạn'' trong lời nhắc hệ thống để tạo trạng thái trong đó mô hình có thể nắm bắt chính xác trục thời gian.