OpenAI 在 6 个月内弃用了 5 个模型——企业的代价

你的 AI 预算里有一笔成本，不会出现在任何一张发票上。它不在按 token 的核算里，也不在你的 API 支出统计中。但对于数以千计在 OpenAI 平台上做产品的企业来说，它正在变成 AI 运营中最大的开支项之一。

这就是「弃用税」：因为 OpenAI 淘汰模型的速度快过企业适应的速度，而付出的工程时间、生产力损失和业务中断。

弃用时间线

在半年时间里，OpenAI 弃用或宣布终止了五项主要产品：

2026 年 1 月，GPT-4o 被弃用。 OpenAI 在大约两周的通知期内宣布它退役。这是生产环境中使用最广的模型之一，开发者花了数月针对它的行为模式优化提示词。继任模型的行为不一样，未必更差，但确实不一样，于是每一处集成都要重写提示词并做回归测试。

2026 年 3 月，Realtime API Beta 被弃用。 在这套 API 上构建语音和实时交互功能的团队，只能另找方案或者重做。

2026 年 5 月，DALL-E-3 的弃用排上日程。 创意工具、营销自动化平台，以及生成商品图的电商方案全都受到影响。OpenAI 开发者社区表达了强烈不满，有人称之为「一个巨大的错误」。

2026 年 8 月，宣布 Assistants API 停止服务。 这是冲击最大的一次。数千名开发者在 Assistants API 上构建了生产系统，包括带 threads、文件检索和函数调用的完整应用。整层抽象被移除了，不是更新，是移除。那些应用每一个都得重写。

持续进行中，旧模型陆续退役。 GPT-3.5 Turbo 的各个变体、更早的微调模型以及其他端点，仍在按滚动时间表退役。

这笔隐藏成本怎么算

每一次弃用都会触发同一串动作：收到通知、评估影响、规划迁移、动手实施、测试、上线。这些活儿是强制的，不做，应用就坏了。

每次弃用消耗的工程工时

对一家工程人力成本为每小时 100 到 150 美元的中型公司来说，这意味着每次弃用 2,800 到 22,800 美元。

一年下来的影响

如果你每年经历 3 到 4 次弃用（这就是目前的节奏），年度成本是：

• 小型集成： 每年 8,400 到 22,400 美元
• 中型集成： 每年 21,600 到 60,800 美元
• 复杂集成： 每年 43,200 到 91,200 美元

这些数字还不包括机会成本，也就是你没做成的功能、没发出去的改进，因为工程团队正忙着让现有的 AI 集成不倒下。

复利效应

弃用成本会随着你的投入一起放大。你为某个特定模型优化提示词优化得越深，模型一变，这些提示词坏得越彻底。你把 API 集成得越深，每次迁移要改的代码越多。你越依赖模型特有的行为，切换之后要做的测试越多。

你为了榨干 AI 供应商的价值所做的投入，反过来加重了你在弃用面前的脆弱性。当年在 GPT-4o 提示词上下功夫最多的团队，在它退役时付出了最高的迁移代价。

开发者们怎么说

OpenAI 开发者论坛把这件事说得很清楚。DALL-E-3 弃用公告发布后，开发者称之为「一个巨大的错误」。Assistants API 停服之后，主流情绪是沮丧，针对的并非某一次技术变动，而是这个反复出现的套路。

常见的抱怨：

• 通知期太短。 用两周时间去迁移一套优化了好几个月的生产系统。
• 行为变化没有文档。 新模型「不一样」，但究竟哪里不一样并没有写明。团队是在生产环境里靠输出出错才发现的。
• 没有迁移工具。 OpenAI 会为新模型提供文档，但很少提供提示词工程或集成改造的自动化迁移路径。
• 没有向后兼容承诺。 传统软件 API 有弃用策略和 LTS 版本，AI 模型 API 则不提供任何稳定性保证。

规律很明显：OpenAI 按自己的产品路线图做优化，而不是按 API 使用者的稳定性需求。

为什么这件事还会继续发生

弃用不是 AI API 商业模式里的 bug，而是它的特性。

推动迁移符合商业利益。 新模型的每 token 单价通常比旧模型贵。每一次弃用都把用户推向更新、更贵的产品。哪怕你的 AI 质量没有提升，供应商的收入也会因为你的迁移而增加。

没有向后兼容的义务。 传统软件 API 会尽量避免破坏性变更，被弃用的端点还有长达数年的过渡期。AI API 则确立了另一种惯例：快速迭代，不作稳定性承诺。

产品不是模型，产品是订阅。 云 AI 供应商卖给你的并不是某个特定模型，而是持续获取他们最新模型的权利。这意味着你辛苦优化过的那个特定模型，在他们看来只是一个可以随时更改的实现细节。

基础设施效率。 同时运行多个模型版本要占用供应商的算力。淘汰旧模型可以腾出容量给更新、也更赚钱的产品。

这一点不会改变。激励结构决定了弃用会长期是 AI API 平台的常规动作。

另一条路：不会被弃用的模型

有一个被 API 商业模式掩盖了的事实：你自己拥有的模型没有弃用日期。

当你微调一个开源模型并导出成 GGUF，你手上就有了一个文件。这个文件能在 Ollama、llama.cpp、LM Studio 或任何兼容的推理引擎上运行。明天能跑，明年能跑，五年后在你选择的任何硬件上也能跑。

没人能弃用它，没人能改变它的行为，没人能强制你迁移，也没人会给你发两周通知。

模型是你的，就这么简单。

厌倦了每三个月重写一次 AI 技术栈？微调一次，永久拥有。查看 Ertas 价格 →

免于弃用的方案

把两条路径放在三年的尺度上比较：

依赖 API 的路径

• 第 1 年：API 成本 12,000 美元，加上弃用迁移成本 36,000 美元
• 第 2 年：API 成本 14,400 美元（涨价了），加上弃用迁移成本 48,000 美元（要迁移的集成变多了）
• 第 3 年：API 成本 17,280 美元，加上弃用迁移成本 48,000 美元
• 三年合计：约 175,680 美元
• 结束时你拥有的模型：0 个

微调的路径

• 第 1 年：初始微调投入 5,000 美元，推理成本 3,600 美元，弃用成本 0
• 第 2 年：重训与改进 2,000 美元，推理成本 3,600 美元，弃用成本 0
• 第 3 年：重训与改进 2,000 美元，推理成本 3,600 美元，弃用成本 0
• 三年合计：约 19,800 美元
• 结束时你拥有的模型：全部

三年下来，微调路径便宜 89%。而且差距逐年拉大，因为你的成本是平的，API 费用和弃用税却在复利增长。

GGUF：一种免于弃用的格式

GGUF 是让这一切成立的开放模型格式。所有主流本地推理引擎都支持它，而且它不受任何单一公司控制。

一个 GGUF 文件包含运行模型所需的一切：权重、分词器和配置。它不会向外回传信息，不会去校验许可证服务器，也不会过期。

运行 GGUF 文件的推理引擎本身也是开源的：Ollama、llama.cpp 和 LM Studio 都由社区维护，采用面很广。即便其中某个项目停止维护，格式是开放的，替代方案也存在。

这才是 AI 领域里「面向未来」的真正含义：不是押注某家供应商会一直保持善意，而是拥有一个不受任何供应商商业决策影响、独立可用的文件。

接下来该做什么

如果你目前依赖某个 AI API，实际可走的路径是：

1. 盘点你的弃用暴露面。 列出你的应用依赖的每一个模型和 API 版本，逐个对照供应商的弃用时间表，算一算如果其中任何一个明天被弃用，你的迁移成本是多少。

2. 找出你调用量最大的任务。 这些是最先值得微调的候选。挑那些输入输出格式稳定、且有现成训练数据的任务（你的 API 日志就是训练数据）。

3. 先微调一个模型。 从单个高频任务入手，在开源基础模型上微调，把质量和你现在的 API 方案做对比。

4. 并行部署。 让微调模型和 API 同时在线，把一部分流量导给它，验证质量并测量省下了多少成本。

5. 有节奏地扩展。 每迁移一个任务到微调模型，就少一份弃用风险，也少一项按 token 计费的成本。

90 天迁移手册按周列出了里程碑，把这个过程讲得更细。

你不必一次性全部迁完。但你确实需要开始，因为下一封弃用通知已经在起草了。

---

你的微调模型没有弃用日期。Ertas 套餐每月 10 美元起。查看套餐 →