Treningsdata kontra gjenfinning

Parametrisk minne er det en modell produserer uten verktøy: fakta komprimert til vekter under trening. Ikke-parametrisk minne er et sett med dokumenter som hentes ved spørringstidspunktet og plasseres i prompten, arrangementet bak gjenfinningsforsterket generering. De feiler forskjellig. En modell som resiterer fra vekter, kan ikke vise en kilde, og en hentet side kan siteres nøyaktig av en modell som aldri så den under trening. Produksjonsmotorer bærer begge og bestemmer per spørring om de skal søke^[3].

Leverandører publiserer datoen. Anthropic oppgir en pålitelig kunnskapsgrense på juni 2026 for Claude Fable 5.1, mai 2026 for Claude Opus 5, januar 2026 for Claude Sonnet 5 og februar 2025 for Claude Haiku 4.5^[1], og behandler dette tallet som forskjellig fra treningsdata-grensen, og publiserer paret for hver modell i sin Transparency Hub i stedet for i sammenligningstabellen^[4]. Microsoft dokumenterer GPT-4.1 som trent til 31. mai 2024^[5], GPT-5 til 30. september 2024^[2], GPT-5.5 til desember 2025^[6] og GPT-5.6 til juni 2026^[7], et gap som har krympet fra omtrent elleve måneder til omtrent én. Den publiserte datoen er en øvre grense snarere enn en beskrivelse av hva en modell vet, siden effektive grenser avviker fra rapporterte når gamle sider dukker opp igjen i nye gjennomsøk og deduplisering overser nesten-duplikater^[8].

Gjenfinning er et verktøyanrop, og på de fleste plattformer bestemmer modellen. OpenAI dokumenterer at modellen velger om den skal søke basert på prompten, med tool_choice satt til påkrevd når den som kaller ønsker et søk hver gang^[3]. Google beskriver samme oppførsel for forankring^[9]. Perplexity leverer motsatt standard og forankrer hvert svar^[10]. Et spørsmål om et etablert, godt dekket emne vil derfor kanskje aldri nå en crawler, mens et spørsmål om denne ukens priser alltid gjør det. Hva motoren gjør etter at den bestemmer seg for å søke, er dekket i spørringsutvidelse.

Popularitet avgjør hvilket lager som svarer. På PopQA, en sonde med 14 000 spørsmål, svarer modeller om velkjente enheter fra vekter alene og feiler på den lange halen, og skala lukker ikke gapet^[11]; gjenfinningsforsterkede modeller slår modeller som er størrelsesordener større der, mens uassisterte modeller holder stand på populære enheter^[12]. En studie fra 2025 av visjon-språkmodeller peker den andre veien: finjusterte modeller er mer avhengige av memoriserte treningsdata enn gjenfinningsforsterkede, og svarer på WebQA-testsettet med 72 % mot 52 %^[13]. De to resultatene er målt på forskjellige modaliteter og forskjellige referansepunkter. Et mye diskutert merke kan navngis uten at noen side hentes, og et obskurt kan siteres uten å bli husket. Sitatkvalitet er et tredje spørsmål: en revisjon av fire generative søkemotorer fant at 51,5 % av setningene var fullt støttet av sitatene^[14] og 74,5 % av sitatene støttet setningen de satt på^[15].

De to veiene krever forskjellig arbeid. Tilstedeværelse under trening kommer fra å bli skrevet om på tvers av korpuset en crawler feier, og det er derfor merkevareomtaler på tredjepartsnettsteder teller selv der de ikke har en lenke. Tilstedeværelse under gjenfinning kommer fra å være hentbar og siterbar under forespørselen, noe som er det AI-crawlere og innholdsfriskhet styrer. Bare den andre er testbar innenfor et kvartal: GEO-bench-studien målte synlighetsgevinster på opptil 40 % fra omskriving av kildesider^[16], mens en treningskjøring er fast og den neste er måneder unna.