[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-knowledge-cutoff::ru":3,"gloss-cluster-knowledge-cutoff::ru":26,"gloss-next-knowledge-cutoff::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"knowledge-cutoff","core-ai","Дата отсечения знаний (Knowledge Cutoff)","Дата отсечения знаний — это дата, после которой у модели нет обучающих данных: она просто не знает о событиях, релизах продуктов, изменениях API или ценах, случившихся позже. Спросите модель с отсечением в начале 2024 года про фреймворк, вышедший в 2025-м, и она либо скажет, что не знает, либо, что хуже, уверенно всё выдумает. Отсечение — свойство данных предобучения, а не даты выпуска модели, и эти две даты могут различаться на месяцы. Для SaaS-разработчиков это важно постоянно: любая функция, завязанная на актуальные факты — новости, живые цены, ваша собственная меняющаяся документация, сегодняшние остатки, — не может полагаться на параметрическую память модели. Решение — retrieval-augmented generation или вызовы инструментов\u002Fвеб-поиска, которые подставляют свежие, авторитетные данные в промпт в момент запроса. Всегда предупреждайте пользователей, что ответ может устареть, и никогда не зашивайте в код предположения о том, что модель «знает», — границы отсечения сдвигаются вперёд с каждым поколением моделей, и ограничение, вокруг которого вы проектировали год назад, может уже не действовать.","Дата отсечения знаний — дата, на которой заканчиваются обучающие данные модели: о более поздних релизах, API и ценах она не знает и может их выдумать.",null,[11,14,17,20,23],{"slug":12,"name":13},"function-calling","Вызов функций (Function Calling \u002F Tool Use)",{"slug":15,"name":16},"grounding","Обоснование (Grounding)",{"slug":18,"name":19},"hallucination","Галлюцинация",{"slug":21,"name":22},"llm","Большая языковая модель (LLM)",{"slug":24,"name":25},"retrieval-augmented-generation","Генерация с дополненным поиском (RAG)",[27,31,35,39,42,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":38},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":40,"category":5,"name":41,"updated_at":30},"attention","Внимание (Attention)",{"slug":43,"category":5,"name":44,"updated_at":38},"beam-search","Лучевой поиск",{"slug":46,"category":5,"name":47,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":49,"category":5,"name":50,"updated_at":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":52,"category":5,"name":53,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":55,"category":5,"name":56,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":58,"category":5,"name":59,"updated_at":30},"context-window","Контекстное окно",{"slug":61,"category":5,"name":62,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":64,"category":5,"name":65,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)"]