Politique de maintenance des modèles d'IA
Cette page décrit la politique de maintenance du modèle pour les offres API de modèle de fondation avec paiement par jeton, API de modèle de fondation avec throughput provisionné, et inférence par batch avec ai_query.
Pour continuer à prendre en charge les modèles les plus avancés, Databricks gère les modèles tout au long d'un cycle de vie qui progresse de la mise à jour à l'obsolescence et enfin au retrait.
- Mise à jour : Databricks applique des mises à jour incrémentielles à un modèle pour offrir des optimisations. Voir Mises à jour du modèle.
- Obsolète : Un modèle obsolète n'est plus recommandé pour les nouvelles charges de travail, mais reste disponible dans les Workspace utilisant déjà ce modèle. Les Workspaces qui n'utilisent pas le modèle au moment de l'obsolescence n'y ont plus accès.
- Retiré : Un modèle retiré n'est plus accessible et le support de ce modèle est complètement interrompu. Toute charge de travail utilisant le modèle cesse de fonctionner.
Politique d'obsolescence des modèles
Lorsque Databricks déprécie un modèle, celui-ci n'est plus recommandé et son retrait est prévu. Databricks annonce les dates de fin de vie des modèles obsolètes, avec les échéances de notification résumées dans les sections suivantes. Les dates de retrait pourront être annoncées au moment de l'abandon ou à une date ultérieure. Après la date de retrait, le modèle n'est plus accessible et tout workload qui l'utilise cesse de fonctionner.
Pour les modèles obsolètes et retirés, ainsi que leurs dates de fin de vie annoncées, consultez la page Modèles obsolètes et retirés. Pour les modèles partenaires, consultez la politique de fin de vie des modèles partenaires.
Les stratégies de dépréciation qui s'appliquent aux APIs du modèle de fondation au paiement par jeton et aux offres d'affinement du modèle de fondation n'ont d'incidence que sur les modèles de discussion et d'achèvement pris en charge.
APIs Foundation Model
Le tableau suivant résume la politique de dépréciation pour les APIs du modèle de fondation (paiement par jeton), le throughput provisionné des APIs du modèle de fondation et l'inférence par batch avec les offres ai_query.
Notification d’obsolescence | Transition vers la retraite | À la date de retrait |
|---|---|---|
Databricks prend les mesures suivantes pour informer les clients de la dépréciation d'un modèle :
| Après la dépréciation d'un modèle, Databricks annonce une date de retrait trois mois ou plus à l'avance. Pendant cette période de transition :
| Le modèle n'est plus disponible à l'utilisation et est retiré du produit. Toutes les charges de travail existantes utilisant le modèle cesseront de fonctionner. La documentation applicable est mise à jour pour indiquer que le modèle n'est plus disponible et pour recommander un modèle de remplacement. |
Politique de fin de vie des modèles partenaires
Les modèles partenaires sont des modèles que des partenaires tiers — spécifiquement OpenAI, Anthropic et Google — fournissent via les APIs de modèle de fondation. Pour ces modèles partenaires, Databricks suit généralement les mêmes calendriers et politiques de dépréciation décrits ci-dessus.
Cependant, les Partenaires peuvent fournir des dates de retrait plus courtes que la période de transition de trois mois publiée par Databricks. Dans ces cas, Databricks tente de combler le fossé en redirigeant temporairement les modèles vers une version similaire, afin que les clients bénéficient de la totalité du temps de transition.
Par exemple, si le retrait d'un modèle partenaire est annoncé avec un préavis d'un mois au lieu de trois, Databricks redirige le modèle pendant deux mois supplémentaires pour éviter une rupture immédiate et accorder du temps pour la migration. Les requêtes échouent à la fin de la période complète de trois mois.
Cette redirection ne peut se produire que si le modèle de remplacement a le même prix et est rétrocompatible. Le modèle de remplacement est généralement une version de modèle incrémentielle, comme la version 3.0 par rapport à la 3.1.
Mises à jour du modèle
Databricks pourrait fournir des mises à jour de modèle incrémentielles afin d'offrir des optimisations. Lorsque Databricks met à jour un modèle, l'URL de l'endpoint reste la même, mais l'ID du modèle dans l'objet de réponse change pour refléter la date de la mise à jour. Par exemple, si Databricks déploie une mise à jour vers meta-llama/Meta-Llama-3.3-70B le 03/04/2024, le nom du modèle dans l'objet de réponse passe à meta-llama/Meta-Llama-3.3-70B-030424. Databricks tient à jour un historique des versions des mises à jour. Contactez votre équipe de compte Databricks pour plus de détails.
Modèles obsolètes et retirés
Les sections suivantes énumèrent les modèles qui sont obsolètes (plus recommandés pour les nouvelles charges de travail) ou retirés (en fin de vie et plus disponibles). Les dates de retrait des modèles obsolètes sont annoncées au moins trois mois à l'avance.
Mise hors service des APIs du modèle de fondation
Le tableau suivant présente les retraits de modèles, leurs dates de retrait et les modèles de remplacement recommandés à utiliser pour les APIs de modèle de fondation avec paiement par jeton et les workloads de serving avec throughput provisionné. Databricks vous recommande de migrer vos applications pour utiliser des modèles de remplacement avant la date de retrait indiquée.
Date de retrait | Modèle de remplacement recommandé | |
|---|---|---|
Anthropic Claude Sonnet 4 | Paiement par jeton : 9 octobre 2026 | Claude Sonnet 4.6 |
OpenAI GPT-5.1 Codex Max | Paiement par jeton : 16 juillet 2026 | OpenAI GPT-5.5 |
OpenAI GPT-5.1 Codex Mini | Paiement par jeton : 16 juillet 2026 | OpenAI GPT-5.4 Codex Mini |
OpenAI GPT-5.2 Codex | Paiement par jeton : 16 juillet 2026 | OpenAI GPT-5.5 |
Anthropic Claude 3.7 Sonnet | Paiement par jeton : 12 avril 2026 | Utilisez le dernier modèle Claude Sonnet |
Gemini 2.5 Flash | Paiement par jeton : 2 octobre 2026 Throughput provisionné : 2 octobre 2026 | Gemini 3.1 Pro ou Gemini 3.5 Flash |
Gemini 2.5 Pro | Throughput provisionné : 2 octobre 2026 | Gemini 3.1 Pro ou Gemini 3.5 Flash |
Gemini 3 Pro | **Throughput provisionné :** 26 mars 2026 | Gemini 3,1 Pro. Pour laisser plus de temps à la migration, entre le 26 mars 2026 et le 7 juin 2026, les appels API à Gemini 3 Pro seront temporairement redirigés vers Gemini 3.1 Pro. Les Tarifs des deux modèles sont identiques. |
Ouvrir le modèle | Date de retrait | Modèle de remplacement recommandé |
|---|---|---|
Meta-Llama 4 Maverick | Paiement par jeton : 9 mars 2026 Throughput provisionné : 9 juin 2026 | OpenAI GPT OSS 120B |
Meta Llama 3.1 405B | Paiement par jeton : 15 février 2026 **Throughput provisionné** : 15 mai 2026 | OpenAI GPT OSS 120B |
Mixtral-8x7B Instruct | Paiement par jeton : 30 avril 2025 | Meta-Llama 4 Maverick |
Meta Llama 3 (70B) | **Paiement par jeton :** 23 juillet 2024 (Meta-Llama-3-70B-Instruct) ; 11 décembre 2024 (Meta-Llama-3.1-70B-Instruct) Throughput provisionné : 15 février 2026 | Paiement par jeton : Meta-Llama-4-Maverick Provisioned throughput: modèle comparable sur la même offre, comme les modèles Llama 3.2, 3.3 ou 4 de taille similaire. |
Meta Llama 3 8B | Throughput provisionné : 15 février 2026 | Modèle comparable sur la même offre, comme un modèle Llama 3.2, 3.3 ou 4 de taille similaire. |
Meta-Llama-2-70B-Chat | Paiement par jeton : 30 octobre 2024 | Meta-Llama 4 Maverick |
MPT 7B Instruct | Paiement par jeton : 30 août 2024 | Meta-Llama 4 Maverick |
MPT 30B Instruct | Paiement par jeton : 30 août 2024 | Meta-Llama 4 Maverick |
Si vous avez besoin d'un support à long terme pour une version de modèle spécifique, Databricks recommande d'utiliser les APIs de modèle de fondation throughput provisionné pour vos workloads de service.
Rechercher les charges de travail qui utilisent des modèles retirés
Utilisez la query suivante pour trouver les charges de travail qui utilisent des modèles obsolètes et identifier leurs propriétaires.
SELECT
eu.requester,
se.endpoint_name,
se.entity_name,
COUNT(*) AS request_count,
SUM(eu.input_token_count) AS total_input_tokens,
SUM(eu.output_token_count) AS total_output_tokens,
MIN(eu.request_time) AS first_request,
MAX(eu.request_time) AS last_request
FROM system.serving.endpoint_usage eu
JOIN system.serving.served_entities se
ON eu.served_entity_id = se.served_entity_id
WHERE LOWER(se.entity_name) LIKE '%<retired-model-name>%'
GROUP BY eu.requester, se.endpoint_name, se.entity_name
ORDER BY request_count DESC