GPT-4 系列退役在即：一套可回滚的模型迁移验收法
OpenAI 在 2026 年 10 月 14 日公布：指定的 GPT-4o、GPT-4o mini、GPT-4.1 与 GPT-4.1 mini 快照将在 2027 年 1 月 14 日停止服务，微调版本也跟随基础模型采用同一时间表，官方推荐替代为 gpt-6-luna。
三个月看起来不短，但生产迁移最容易踩的坑，是把它理解成一次字符串替换：
diff
- model: "gpt-4.1-2025-04-14"
+ model: "gpt-6-luna"真正变化的可能还有推理参数、接口行为、工具调用、结构化输出、延迟分布、缓存命中和失败重试。更稳妥的目标不是"请求成功"，而是"业务门禁通过，而且能快速回滚"。
第一步：按请求类型清点，而不是按项目清点
同一项目里，摘要、分类、代码生成和带工具的 Agent 风险完全不同。建议把迁移台账拆到"可观测的请求类型"：
| 字段 | 示例 |
|---|---|
| 场景 | 工单分类 |
| 当前模型 | gpt-4o-mini-2024-07-18 |
| 接口 | Responses / Chat Completions |
| 输出契约 | JSON Schema v3 |
| 工具与副作用 | 查询库存；无写操作 |
| 核心指标 | 分类准确率、P95 延迟、单次成本 |
| 回滚开关 | MODEL_ROUTE=ticket-v2 |
还要单列微调模型、硬编码模型名、备用路由、批处理任务和离线脚本。只查主服务配置，往往会漏掉定时任务与故障降级路径。
第二步：建立能算分的黄金评测集
不要只准备"正常问题"。一个可用的最小集合至少包含三类：
- 正常样本：覆盖主流输入和主要业务意图；
- 边界样本：长输入、空字段、多语言、歧义表达、超时工具；
- 失败样本：越权请求、无答案问题、工具异常、非法结构。
每个样本都要有可判断的通过条件。文本生成可用规则与人工抽检结合；结构化任务优先使用 schema 合法率、字段准确率和拒答一致性。官方提示词指南也强调：每次发布提示词时运行测试和评测用例。
一个简单的评测记录可以长这样：
json
{
"case_id": "ticket-refund-017",
"expected": {"intent": "refund", "needs_human": false},
"gates": {
"schema_valid": true,
"intent_match": true,
"tool_calls_max": 1,
"latency_ms_max": 1800
}
}第三步：双跑，但隔离所有副作用
双跑不是把同一条"退款""发信"或"改库"操作执行两遍。正确做法是让旧链路继续承接真实流量，新链路进入影子模式：
- 复制输入与必要上下文；
- 写工具统一替换为 mock、dry-run 或只读适配器；
- 分别记录输出、工具计划、token、延迟与错误；
- 用同一评测器生成差异报告。
比较时不要只看平均值。至少观察 P50/P95/P99 延迟、结构合法率、关键任务成功率、工具调用次数、重试率与单位请求成本。少量长尾失败常常会被平均分掩盖。
第四步：把灰度门禁写成配置
灰度可以按 1%→5%→20%→50%→100% 推进，但百分比不是重点，门禁才是。
yaml
route: ticket-classifier-v2
candidate_model: gpt-6-luna
stages: [1, 5, 20, 50, 100]
promote_when:
schema_valid_rate: ">= 99.9%"
task_success_delta: ">= -0.3%"
p95_latency_delta: "<= 15%"
rollback_when:
critical_error_count: ">= 1"
tool_side_effect_mismatch: ">= 1"阈值应按业务风险设定，不能照抄示例。支付、医疗或权限变更等高风险链路，需要更严格的样本和人工复核。
第五步：回滚要覆盖整条链路
只回滚模型名通常不够。迁移中如果同时调整了提示词、工具 schema、输出解析器或缓存键，旧模型可能已经无法适配新契约。
建议把以下内容作为同一个发布单元版本化：
- 模型与接口；
- system/developer 提示词；
- reasoning 与文本输出参数；
- 工具定义及顺序；
- JSON Schema 和解析器；
- 缓存键与缓存策略；
- 评测集版本和监控门禁。
回滚演练至少做一次：人为触发候选链路失败，确认流量能切回、告警能到达、影子任务能停止、未完成副作用不会重复执行。
一个容易忽略的接口差异
GPT-6 Luna 官方模型页注明：Responses API 支持内置工具与函数调用；如果使用 Chat Completions 做函数调用，需要将 reasoning_effort 设为 none。因此，迁移前必须检查现有调用路径，不能只替换模型 ID 后沿用全部参数。
完成标准
模型迁移完成，不是"新模型能返回内容"，而是满足四件事：
- 退役范围内的线上、离线与微调依赖全部清零；
- 黄金评测集和线上门禁连续通过；
- 双跑差异已经解释，副作用经过隔离验证；
- 回滚开关经过演练，值班人员知道何时触发。
把迁移当成一次可观测、可暂停、可回退的生产变更，才不会把官方时间表变成最后一周的紧急替换。
参考资料
- OpenAI API Deprecations：https://developers.openai.com/api/docs/deprecations
- OpenAI Models：https://developers.openai.com/api/docs/models
- GPT-6 Luna：https://developers.openai.com/api/docs/models/gpt-6-luna
- OpenAI Prompting：https://developers.openai.com/api/docs/guides/prompting