وقتی مدل مال شما نیست: MLOps به مدیریت نسخه و بازنشستگی مدل فروشنده تبدیل می‌شود
فروشنده‌های مدل تقویم بازنشستگی و مهلت مهاجرت اعلام می‌کنند. چرا قفل نسخه، مجموعهٔ رگرسیون و مسیر بازگشت به کنترل اصلی MLOps تبدیل شده‌اند.
فهرست مطالب
اگر مدل را خودتان آموزش نمی‌دهید و از API می‌خرید، تاریخ خاموشی آن را هم شما تعیین نمی‌کنید. API یعنی همان درگاهی که محصول شما از طریق آن مدل فروشنده را صدا می‌زند. OpenAI در صفحهٔ منسوخ‌شدن‌ها (deprecations) نوشته است مدل‌های قدیمی‌تر را به‌طور منظم بازنشسته می‌کند[۱]. در همان صفحه آمده است نرم‌افزارهای وابسته به مدل‌های این شرکت ممکن است برای ادامهٔ کار به به‌روزرسانی نیاز داشته باشند[۱]. مایکروسافت هم برای مدل‌های Foundry جدول بازنشستگی منتشر می‌کند تا تیم‌ها پیش از منسوخ یا بازنشسته شدن مدل، مهاجرت را برنامه‌ریزی کنند[۲]. پیام عملی این دو سند یکی است. در محصولی که مغزش مدل فروشنده است، گلوگاه عملیاتی دیگر خط لولهٔ آموزش و فروشگاه ویژگی نیست؛ وابستگی به نسخه‌ای است که فروشنده می‌تواند عوض یا خاموش کند. پرسش مدیر محصول هم ساده است: اگر فردا نسخه عوض شود، رفتار محصول چقدر تغییر می‌کند و ما چند روز بعد می‌فهمیم.
واقعیت‌های کلیدی
- OpenAI اعلام کرده پیش از خاموش‌کردن مدل دست‌کم ۶ ماه برای مدل‌های عمومی و دست‌کم ۳ ماه برای نسخه‌های تخصصی مهلت می‌دهد.[۱]
- مدل‌های preview می‌توانند با مهلت بسیار کوتاه‌تر، در حد ۲ هفته، حذف شوند و OpenAI استفاده از آن‌ها در بارهای کاری حیاتی را توصیه نمی‌کند.[۱]
- در Microsoft Foundry ستون جانشین، پیشنهاد مایکروسافت و در صورت پشتیبانی هدف ارتقای خودکار در زمان بازنشستگی است.[۲]
- برای بخشی از مدل‌های بازنشسته، از جمله Meta-Llama-3.1-405B-Instruct با تاریخ ۱۳ ژوئن ۲۰۲۶، جانشینی پیشنهاد نشده است.[۳]
- پژوهش آرکایو با تاریخ ۷ اوت ۲۰۲۵: حتی یک تعویض مدل در یک نوبت گفتگو اثر معنادار و جهت‌دار بر نتیجه می‌گذارد.[۴]
- پلتفرم Evals در OpenAI هم منسوخ شده است؛ evalهای موجود در ۳۱ اکتبر ۲۰۲۶ فقط‌خواندنی و داشبورد و API آن در ۳۰ نوامبر ۲۰۲۶ خاموش می‌شود.[۱]
تقویم بازنشستگی را فروشنده می‌نویسد
مهلت‌ها عدد مشخص دارند. OpenAI اعلام کرده پیش از خاموش‌کردن مدل دست‌کم ۶ ماه مهلت می‌دهد و برای نسخه‌های تخصصی همان مدل‌ها دست‌کم ۳ ماه؛ نسخه‌های چت، Codex و deep research نمونهٔ این دستهٔ تخصصی‌اند[۱]. برای مدل‌های preview، یعنی نسخه‌هایی که کلمهٔ preview در نامشان هست، این مهلت می‌تواند در حد ۲ هفته باشد[۱]. خود OpenAI توصیه می‌کند این مدل‌ها را در بارهای کاری حیاتی کسب‌وکار به کار نبرید، مگر بتوانید در فاصلهٔ کوتاه مهاجرت کنید[۱]. نگرانی امنیتی یا انطباقی هم می‌تواند زمان‌بندی را از این فشرده‌تر کند[۱].
واژه‌ها هم معنای دقیق دارند. به تعریف OpenAI، مدل از لحظهٔ اعلام منسوخ است و یک تاریخ خاموشی می‌گیرد؛ در آن تاریخ دسترسی به مدل یا سرویس قطع می‌شود[۱]. برچسب legacy یعنی مدل دیگر به‌روزرسانی نمی‌گیرد و انتظار این است که در آینده منسوخ شود[۱]. جدول Foundry همین مراحل را در ستون lifecycle نشان می‌دهد، از GA و Preview تا Deprecated و Legacy و Retired[۲].
منسوخ‌شدن فقط سر مدل‌ها نمی‌آید. OpenAI در ۳ ژوئن ۲۰۲۶ به توسعه‌دهندگان اطلاع داد پلتفرم Evals، ابزار Agent Builder و آبجکت‌های پرامپت قابل‌استفادهٔ مجدد منسوخ می‌شوند[۱]. بر اساس همان زمان‌بندی، evalهای موجود در ۳۱ اکتبر ۲۰۲۶ فقط‌خواندنی می‌شوند و داشبورد و API آن در ۳۰ نوامبر ۲۰۲۶ خاموش می‌شود[۱]. جانشین هم همیشه وجود ندارد؛ در فهرست مدل‌های بازنشستهٔ Foundry برای Meta-Llama-3.1-405B-Instruct با تاریخ ۱۳ ژوئن ۲۰۲۶ و Cohere-command-r-plus-08-2024 با تاریخ ۱۲ مه ۲۰۲۶ ستون جانشین خالی است[۳].
جانشین پیشنهادی، همان مدل قبلی نیست
مایکروسافت در توضیح جدول خودش نوشته است ستون جانشین، پیشنهاد مایکروسافت است و هر جا پشتیبانی شود، هدف ارتقای خودکار در زمان بازنشستگی هم همان مدل است[۲]. توصیهٔ همان صفحه این است که مدل‌های موجود را با اپلیکیشن و دادهٔ خودتان بسنجید و کیفیت، تأخیر پاسخ (latency) و هزینه را مقایسه کنید؛ لازم هم نیست منتظر اعلام جانشین بمانید[۲]. تأخیر پاسخ یعنی فاصلهٔ میان ارسال درخواست و رسیدن جواب. ارتقای خودکار از نگاه عملیاتی دو چهره دارد: سرویس قطع نمی‌شود، اما رفتار مدل می‌تواند بدون یک خط تغییر در کد شما عوض شود.
اندازهٔ این تغییر رفتار را پژوهش هم سنجیده است. مقاله‌ای در آرکایو با تاریخ ۷ اوت ۲۰۲۵ از این واقعیت شروع می‌کند که سیستم‌های چندنوبتی در عمل وسط تعامل، مدل را عوض می‌کنند: ارتقای نسخه، مسیردهی بین فروشنده‌ها، یا بازگشت به مدل جایگزین هنگام خطا[۴]. نویسندگان یک بنچمارک ماتریس تعویض ساختند؛ بنچمارک یعنی آزمون استاندارد و تکرارپذیر. در آن آزمون، نوبت‌های اول گفتگو را یک مدل می‌نویسد و نوبت آخر را مدل دیگری، و نتیجه با حالت بدون تعویض مقایسه می‌شود[۴]. یافتهٔ آن‌ها این است که حتی یک تعویض در یک نوبت، اثرهای فراگیر، جهت‌دار و از نظر آماری معنادار می‌سازد، در حدی که با فاصلهٔ دو ردهٔ معمول مدل مانند GPT-5-nano و GPT-5-mini قابل‌مقایسه است[۴]. در آزمون پرسش‌و‌پاسخ گفتگویی، این افت حتی وقتی متن اصلی هنوز در زمینهٔ مدل بود باقی ماند[۴].
تکیه بر فاین‌تیونینگ هم پناه کاملی نیست. فاین‌تیونینگ (fine-tuning) یعنی آموزش دوبارهٔ یک مدل آماده با دادهٔ خودتان تا کار مشخصی را بهتر انجام دهد. در Foundry مدل‌های فاین‌تیون‌شده در دو مرحله بازنشسته می‌شوند، آموزش و استقرار؛ برای gpt-4o نسخهٔ ۲۰۲۴-۰۸-۰۶ بازنشستگی آموزش نه زودتر از ۱ آوریل ۲۰۲۷ و بازنشستگی استقرار ۱ اکتبر ۲۰۲۷ ثبت شده است[۲]. در سمت OpenAI، استنتاج روی مدل فاین‌تیون‌شده تا منسوخ‌شدن مدل پایه ادامه دارد، و از ۶ ژانویه ۲۰۲۷ مشتریان فعال موجود هم نمی‌توانند کار فاین‌تیون جدید بسازند[۱].
چهار کنترلی که تاریخ خاموشی را از بحران جدا می‌کند
اول، قفل نسخه. در کد و پیکربندی، نام مدل را به اسنپ‌شات تاریخ‌دار ببندید، نه به نام مستعاری که همیشه به تازه‌ترین نسخه اشاره می‌کند. جدول Foundry نشان می‌دهد نسخه‌های gpt-chat-latest با برچسب Preview و پنجره‌های کوتاه ثبت شده‌اند[۲]. فرض کنید یک فروشگاه آنلاین دستیار پاسخ به مشتری دارد. با نام مستعار، لحن و طول پاسخ‌ها می‌تواند یک روز صبح عوض شود و کسی در تیم نداند چرا.
دوم، مجموعهٔ رگرسیون. یک بستهٔ ثابت از ورودی‌های واقعی با خروجی‌های مورد قبول بسازید و پیش از هر تغییر نسخه آن را اجرا کنید. افت رفتار در گفتگوهای چندنوبتی و در لحظهٔ جابه‌جایی مدل دیده می‌شود[۴]. پس این بسته باید سناریوهای چندنوبتی را هم داشته باشد، نه فقط یک پرامپت تکی. به نظر ما جای نگه‌داری‌اش مخزن کد خودتان است، چون پلتفرم سنجش فروشنده هم تاریخ خاموشی دارد[۱].
سوم، مسیر بازگشت. تا پیش از تاریخ خاموشی، نسخهٔ قبلی را قابل‌فراخوانی نگه دارید. سوئیچ بین دو نسخه هم باید یک تغییر پیکربندی باشد، نه یک انتشار جدید. OpenAI نوشته است در برخی موارد توسعه‌دهندگان می‌توانند برای دسترسی پس از تاریخ خاموشی ظرفیت اختصاصی بگیرند و برای بررسی این گزینه با تیم فروش تماس بگیرند[۱].
چهارم، تاریخ‌ها در نقشهٔ راه. تاریخ خاموشی هر مدل و سرویسی که استفاده می‌کنید باید مثل یک تاریخ تحویل در برنامهٔ محصول بنشیند. اطلاع‌رسانی OpenAI با ایمیل به مشتریان فعال و ثبت در مستندات انجام می‌شود[۱] و جدول Foundry هم برای همین برنامه‌ریزی منتشر شده است[۲]. اینکه این ایمیل به صندوق چه کسی می‌رسد و چه کسی آن را به بک‌لاگ تبدیل می‌کند، یک تصمیم سازمانی است.
ماجرا بحران نیست، بی‌خبری است
تصویر خاموش‌شدن ناگهانی مدل بزرگ‌تر از خود رویداد است. فروشنده‌ها تقویم می‌دهند، مهلت می‌دهند و جانشین پیشنهاد می‌کنند. ریسک واقعی جای دیگری است: نسخه‌ای که بی‌صدا عوض می‌شود، مدل‌های preview در مسیر حیاتی، و مدل‌هایی که جانشین هم‌رفتار ندارند. در این سه حالت، تیم افت کیفیت را از تیکت پشتیبانی می‌فهمد، نه از داشبورد.
برندهٔ این وضعیت تیم‌هایی هستند که سنجش برایشان عادت شده است. برای آن‌ها تغییر نسخه یک اجرای آزمون است و بعد یک تصمیم. بازنده تیم‌هایی هستند که پرامپت و انتخاب مدل را در پیکربندی پراکنده نگه داشته‌اند و نمی‌دانند کدام بخش محصول روی کدام نسخه می‌چرخد. برداشت ما این است که فشار بعدی روی لایهٔ میانی می‌افتد: هر قابلیتی که به مدل خاصی چسبیده باشد، با هر چرخهٔ بازنشستگی باید بازآزمون شود، و این هزینه در تخمین نگه‌داشت محصول دیده نمی‌شود.
یک اثر درجه‌دوم هم محتمل است. وقتی ابزار سنجش فروشنده خودش بازنشسته می‌شود، تیم‌ها انگیزه پیدا می‌کنند لایهٔ ارزیابی را از فروشنده جدا کنند. این برای بازار ابزارهای ارزیابی مستقل فرصت است و برای فروشنده‌ها یعنی سنجش کیفیت کمی از کنترلشان خارج می‌شود.
| مدل یا سرویس | وضعیت | تاریخ خاموشی / بازنشستگی | جانشین پیشنهادی |
|---|---|---|---|
| gpt-5.4-cyber (OpenAI) | منسوخ | ۱ اکتبر ۲۰۲۶ | توانمندترین مدل سایبری در دسترس |
| whisper-1 (OpenAI) | منسوخ | ۲۶ فوریه ۲۰۲۷ | gpt-live-transcribe یا gpt-transcribe |
| gpt-5-2025-08-07 (OpenAI) | منسوخ | ۱۱ دسامبر ۲۰۲۶ | gpt-5.6-sol |
| پلتفرم Evals (OpenAI) | منسوخ | ۳۰ نوامبر ۲۰۲۶ | مسیر مهاجرت به Promptfoo |
| gpt-4o نسخهٔ ۲۰۲۴-۰۵-۱۳ (Foundry) | Deprecated | ۹ دسامبر ۲۰۲۶ | gpt-5.6-sol |
| DeepSeek-R1 (Foundry) | Retired | ۱۳ اوت ۲۰۲۶ | DeepSeek-V4-Pro |
| gpt-5-chat نسخهٔ ۲۰۲۵-۰۸-۰۷ (Foundry) | Retired | ۲۹ ژوئن ۲۰۲۶ | gpt-chat-latest |
| Meta-Llama-3.1-405B-Instruct (Foundry) | Retired | ۱۳ ژوئن ۲۰۲۶ | بدون جانشین پیشنهادی |
خط زمانی
- 2026-06-03: OpenAI منسوخ‌شدن پلتفرم Evals، Agent Builder و آبجکت‌های پرامپت قابل‌استفادهٔ مجدد را به توسعه‌دهندگان اطلاع داد[۱]
- 2026-06-11: اطلاع به توسعه‌دهندگان دربارهٔ منسوخ‌شدن اسنپ‌شات‌های قدیمی GPT-5 و o3 با خاموشی ۱۱ دسامبر ۲۰۲۶[۱]
- 2026-07-13: بازنشستگی DeepSeek-V3.1 و DeepSeek-R1-0528 در Foundry با جانشین DeepSeek-V4-Flash و DeepSeek-V4-Pro[۳]
- 2026-08-26: اطلاع دربارهٔ منسوخ‌شدن مدل‌های رونویسی از جمله whisper-1 و حذف آن‌ها در ۲۶ فوریه ۲۰۲۷[۱]
- 2026-09-11: اعلام منسوخ‌شدن gpt-5.4-cyber با تاریخ حذف ۱ اکتبر ۲۰۲۶ از API[۱]
- 2026-10-31: بر اساس زمان‌بندی اعلام‌شده، evalهای موجود در پلتفرم OpenAI فقط‌خواندنی می‌شوند[۱]
- 2027-01-06: بر اساس زمان‌بندی اعلام‌شده، مشتریان فعال موجود هم نمی‌توانند کار فاین‌تیون جدید بسازند[۱]
برای کسب‌وکارهای ایرانی
برای تیم‌های ایرانی که فقط با واسطه و با دسترسی شکننده به API تجاری وصل می‌شوند، موضوع عملی‌تر هم می‌شود. خبر منسوخ‌شدن معمولاً با ایمیل به مشتری فعال می‌رسد[۱]؛ اگر حساب به نام شما نباشد، آن ایمیل هم به دست شما نمی‌رسد. به نظر ما دو عادت کمک می‌کند. اول، سر زدن دوره‌ای به همان صفحه‌های عمومی تقویم بازنشستگی، چون هر دو فروشنده تاریخ‌ها را در مستندات منتشر می‌کنند[۱][۲]. دوم، نگه‌داشتن مجموعهٔ آزمون، پرامپت‌ها و نام دقیق نسخه در مخزن کد خودتان. آن وقت تعویض فروشنده یا رفتن به مدل‌های با وزن آزاد (open-weight) یک پروژهٔ چندهفته‌ای نمی‌شود. مدل با وزن آزاد یعنی مدلی که فایل وزن‌هایش در اختیار شماست؛ تاریخ خاموشی‌اش دست خودتان است، اما هزینهٔ سرو کردن و نگه‌داشتش هم به عهدهٔ شماست.
چه چیزی را باید دنبال کرد
- تاریخ‌های نزدیک در تقویم فروشنده‌ها: خاموشی اسنپ‌شات‌های GPT-5 و o3 در ۱۱ دسامبر ۲۰۲۶ و مدل‌های رونویسی در ۲۶ فوریه ۲۰۲۷[۱]
- سرنوشت ابزارهای جانبی منسوخ‌شده، از Agent Builder و پرامپت‌های قابل‌استفادهٔ مجدد تا داشبورد Evals با خاموشی ۳۰ نوامبر ۲۰۲۶[۱]
- اینکه ستون جانشین در جدول Foundry برای مدل‌های پرکاربرد پر می‌شود یا خالی می‌ماند، چون ارتقای خودکار به همین ستون وصل است[۲]
- گسترش سنجش مقاوم‌بودن در برابر تعویض مدل در گفتگوهای چندنوبتی، چیزی که بنچمارک‌های تک‌مدلی آن را نمی‌بینند[۴]
منابع
- Deprecations | OpenAI API — OpenAI Developers، انتشار: 2026-08-26، شواهد تازه، دسترسی: 2026-10-01
- Model retirement schedule - Microsoft Foundry — MicrosoftLearn، انتشار: 2026-09-21، شواهد تازه، دسترسی: 2026-10-01
- Retired Microsoft Foundry Models - Microsoft Foundry — MicrosoftLearn، انتشار: 2026-07-28، شواهد تازه، دسترسی: 2026-10-01
- Evaluating Performance Drift from Model Switching in Multi-Turn LLM Systems — arxiv.org، انتشار: 2025-08-07، شواهد تازه، دسترسی: 2026-10-01
روش تهیه: این تحلیل با سامانه پایش خودکار khavarzadeh.com و کمک مدل‌های زبانی از منابع بالا تهیه شده و پیش از انتشار، تطابق اعداد، تاریخ‌ها و ارجاع‌ها با منابع به‌صورت خودکار کنترل شده است. واقعیت‌ها با شماره منبع مشخص شده‌اند و بقیه متن برداشت تحلیلی است. تاریخ تهیه: 2026-10-02.
نظرات
هنوز نظری ثبت نشده است؛ اولین نفر باشید.
افزودن نظر