AI Modeli Kullanımdan Kaldırma ve Sürüm Oluşturma: API Entegrasyonlarını Stabil Tutun

AI modeli kullanımdan kaldırma ve sürümleme; entegrasyonlarınızın hangi model tanımlayıcılarını çağırdığını, sağlayıcıların bu tanımlayıcıları zaman içinde nasıl emekliye ayırdığını veya değiştirdiğini ve ürününüzü bu değişikliklerden nasıl koruyacağınızı takip etme uygulamasıdır. Bunu yanlış yaparsanız, rutin bir sağlayıcı güncellemesi planlanmamış bir kesintiye veya çıktı kalitesinde sessiz bir değişime dönüşür.

Ekipler tek bir ürün genelinde birden fazla öncü (frontier) ve açık ağırlıklı (open-weight) model çağırdıkça bu durum daha da önem kazanıyor. Altı ay önce bir kodlama ajanı için varsayılan seçim olan bir model bugün değiştirilmiş, yeniden adlandırılmış veya yeniden fiyatlandırılmış olabilir; stabil bir tanımlayıcı varsayan entegrasyon ise ilk bozulan entegrasyon olur.

Önemli Çıkarımlar

• Modelin kullanımdan kaldırılması sizin değil, sağlayıcının takvimine göre gerçekleşir. Değişken bir takma ad yerine sürümlü bir model tanımlayıcısını sabitlemek, sessiz davranış değişikliklerine karşı birincil savunmadır.
• Bir sağlayıcının varsayılan veya "latest" (en son) takma adına otomatik yükseltme yapmak, stabiliteyi güncellik uğruna feda etmektir. Bunu yalnızca çıktı ve maliyet regresyonlarını üretime ulaşmadan önce engelleyen bir test paketi arkasında yapın.
• TokenLab'in model dizini ve Model Veri Merkezi (/models ve /models/data), geliştiricilerin bir entegrasyonun aslında hangi sürümleri çağırdığını denetlerken referans noktası olarak kullanabilecekleri, sağlayıcı bazlı model tanımlayıcı listeleri yayınlar.
• Kullanımdan kaldırmaya dayanıklı bir entegrasyon, model tanımlayıcılarını uygulama mantığından ayrı bir yapılandırma veya yönlendirme katmanında tutar; böylece bir emeklilik bildirimi, tüm kod tabanını aramak yerine tek bir değeri düzenlemek anlamına gelir.

Bir API entegrasyonunda kullanımdan kaldırma ve sürümleme gerçekte ne anlama gelir?

Model API'sine yapılan her istek, sağlayıcıya hangi kontrol noktasının çalıştırılacağını söyleyen gpt-5.5 veya claude-sonnet-5 gibi bir model tanımlayıcısı (bir dize) içerir. Bir modelin ömrü boyunca bu tanımlayıcıların başına üç farklı şey gelir:

Sürümleme (Versioning). Sağlayıcılar, değişken takma adların (sağlayıcının o anda önerdiği kontrol noktasına sessizce işaret eden "latest" gibi bir isim) yanı sıra tarihli veya numaralandırılmış anlık görüntüler (belirli bir zamanda dondurulmuş özel bir kontrol noktası) yayınlarlar. Takma adı çağırmak, entegrasyonunuzun davranışının sizin tarafınızda bir kod değişikliği olmadan değişebileceği anlamına gelir.

Kullanımdan Kaldırma (Deprecation). Bir sağlayıcı, belirli bir model tanımlayıcısının belirli bir tarihten sonra hizmet vermeyi durduracağını duyurur. Bu tarihten sonra yapılan istekler, genellikle bir yedeğe yönlendirilmek yerine hata döndürür.

Emeklilik veya sonlandırma (Retirement or sunset). Tanımlayıcı tamamen kaldırılır. Bazı sağlayıcılar eski tanımlayıcıları bir geçiş penceresi için daha yeni bir varsayılana yönlendirir; bazıları ise yönlendirmez. Tam davranış sağlayıcıya özeldir ve zamanla değişir, bu nedenle güvenmeden önce her sağlayıcının dokümantasyonundaki güncel politikayı doğrudan doğrulayın.

Bu üç kavramı netleştirmek, model seçimini lansman sırasında yapılan tek seferlik bir karar olarak değil, operasyonel bir bağımlılık olarak ele almanın ilk adımıdır.

Sağlayıcılar model istekleri hakkında neyi belgeliyor?

OpenAI'nin API hızlı başlangıç dokümantasyonuna göre (2026-07-14 tarihinde gözlemlenmiştir), Yanıtlar (Responses) API'sine yapılan bir istek, modelin istek gövdesinde giriş içeriğiyle birlikte bir dize parametresi olarak belirtilmesini gerektirir. Bu, geliştiricilerin güvendiği temel mekanizmayı doğrular: model tanımlayıcısı, bir SDK sürümüne veya uç nokta URL'sine gömülü bir şey değil, istekte iletilen veridir. Bu, sürümleme stratejisi için iyi bir haberdir, çünkü model değiştirmenin istek düzeyinde tek satırlık bir değişiklik olduğu anlamına gelir.

Hızlı başlangıç sayfasının kapsamadığı şey, kullanımdan kaldırma politikasının kendisidir: kesin emeklilik tarihleri, geçiş pencereleri veya eski bir tanımlayıcının bir kesinti tarihinden sonra hata mı verdiği yoksa yönlendirme mi yaptığı. Bu ayrıntılar her sağlayıcının model veya kullanımdan kaldırma dokümantasyonunda yer alır ve bu makalenin belirli tarihleri yeniden belirtmeyeceği kadar sık değişir. Entegrasyonunuz bir kullanımdan kaldırma takvimine bağlıysa, bunu bir blog yazısına göre değil, göndermeden önce sağlayıcının yayınladığı güncel politikaya göre doğrulayın.

OpenAI'nin kullanımdan kaldırma sayfası somut bir örnek sunar. 2026-06-11 tarihli bildirimi, eski GPT-5 ve o3 anlık görüntüleri için 2026-12-11 tarihli bir kapatma tarihi verir, gpt-5-2025-08-07 ve o3-2025-04-16 dahil olmak üzere etkilenen kimlikleri tanımlar ve her ikisi için önerilen yedek olarak gpt-5.5'i listeler. Bir kullanımdan kaldırma girişini şu sırayla okuyun: duyuru tarihi, kapatma tarihi, tam olarak etkilenen model kimliği ve ardından yedek. Uygulama kodunda ve yapılandırmasında etkilenen kimliği arayın, kapatma tarihini dağıtım takviminizle karşılaştırın ve bu tarihten önce yedekleme testini tamamlayın.

Aynı istek şekli modeli (bir model dizesi artı giriş), tam alan adları, varsayılanlar ve sürümleme kuralları farklı olsa da büyük sağlayıcılar genelinde ortaktır. Başka herhangi bir sağlayıcının davranışını, OpenAI örneğinden varsaymak yerine kendi dokümanlarında doğrulanması gereken bir şey olarak ele alın.

Kullanımdan kaldırma riski üretim entegrasyonlarını gerçekte nerede bozar?

Uygulamada, kullanımdan kaldırma ve sürümleme sorunları birkaç tekrarlayan modelde ortaya çıkar:

• Değişken takma adlardan kaynaklanan sessiz sapma. Bir entegrasyon, tarihli bir sürüm yerine genel bir takma ad çağırır. Sağlayıcı takma adı yeni bir kontrol noktasına günceller ve eski modele göre ayarlanmış istemler (prompts), hata vermeden ve işaret edecek bir günlük girişi olmadan farklı bir ton, uzunluk veya araç çağırma davranışı üretmeye başlar.
• Sabitlenmiş sürümlerde sert kesintiler. Sabitlenmiş tarihli bir model tanımlayıcısı emekliye ayrılır. İstekler 4xx sınıfı bir hatayla başarısız olmaya başlar ve eğer bu tanımlayıcı kod tabanında birden fazla yere gömülüyse, düzeltme olması gerekenden daha uzun sürer.
• Sürüme bağlı bağlam penceresi ve fiyatlandırma değişiklikleri. Yeni bir model sürümü, farklı bir bağlam sınırı veya token fiyatlandırmasıyla gelebilir; bu da maliyeti değiştirir ve bazı durumlarda uzun süreli bir ajanın tek bir çağrıya sığdırabileceği şeyi değiştirir.
• Sürümler arasında değişen kodlama ajanları ve araç çağırma formatları. Araç çağırma ve fonksiyon çağırma şemaları, model sürümleri arasında ince bir şekilde değişebilir; bu, Claude Sonnet 5, Kimi K2.7 Code veya DeepSeek V4 Pro gibi modeller üzerine inşa edilmiş ve entegrasyonu modelin yapılandırılmış bir araç çağrısını güvenilir bir şekilde yaymasına bağlı olan kodlama ajanları için özel bir risktir.

Bu hata modlarının hiçbiri sağlayıcının olağandışı bir şey yapmasını gerektirmez. Bunlar, bir model tanımlayıcısını sürümlü bir bağımlılık yerine sabit bir değişmez olarak ele almanın öngörülebilir sonucudur.

Kullanımdan kaldırmaya dayanıklı entegrasyonlar için bir kontrol listesi

Bir model entegrasyonunu gönderirken veya gözden geçirirken bunu çalışma kontrol listesi olarak kullanın.

• Model tanımlayıcıları, çağrı noktalarına dağılmış halde değil, tek bir yapılandırma katmanında (ortam değişkeni, yapılandırma dosyası veya yönlendirme hizmeti) yaşar.
• Üretim trafiği, otomatik güncellik karşılığında sapmayı kabul etmeyi açıkça seçmediğiniz sürece, sağlayıcının sunduğu yerlerde niteliksiz "latest" takma adlarını değil, tarihli veya sürümlü tanımlayıcıları kullanır.
• Bunlar genellikle anında uygulanmak yerine bir ön bildirim süresiyle duyurulduğundan, her sağlayıcının kullanımdan kaldırma bildirimlerini kontrol etmek için sahip olunan bir süreç (takvim hatırlatıcısı, bağımlılık takip bileti veya izleme uyarısı) vardır.
• En azından en yüksek trafikli çağrı noktanız için bir yedek model veya yönlendirici yolu mevcuttur, böylece sert bir kesinti hizmeti tamamen bozmak yerine düşürür.
• Özellikle kodlama ajanları ve yapılandırılmış çıktı akışları için, bir sürüm değişikliği üretime ulaşmadan önce istem ve araç çağırma test paketleri herhangi bir aday yedek modele karşı çalıştırılır.
• Maliyet ve bağlam penceresi varsayımları, sadece doğruluk değil, bir model sürümü her değiştiğinde yeniden kontrol edilir.
• Ekipteki birisi, kodu aramadan, bugün her üretim çağrı noktasını tam olarak hangi model tanımlayıcısının sunduğunu yanıtlayabilir.

Örnek: sabitleme ve yedek yönlendirme

Belirli bir sürümü sabitlemek ve açık bir yedekleme tanımlamak, operasyonel sürprizlerin çoğunu ortadan kaldıran basit bir modeldir. Aşağıdaki örnek, yapılandırma odaklı bir yaklaşımın şeklini göstermektedir: model tanımlayıcısı bir değerdir, istek mantığında sabit kodlanmış bir dize değildir.

# model_config.py
MODEL_CONFIG = {
    "primary_chat": {
        "provider": "openai",
        "model": "gpt-5.5",          # belirli, belgelenmiş bir tanımlayıcıya sabitleyin
        "fallback": "claude-sonnet-5" # birincil hata verirse veya emekliye ayrılırsa kullanılır
    },
    "coding_agent": {
        "provider": "anthropic",
        "model": "claude-sonnet-5",
        "fallback": "deepseek-v4-pro"
    },
}

# request.py
import requests
from model_config import MODEL_CONFIG

def call_model(task_key: str, input_text: str):
    cfg = MODEL_CONFIG[task_key]
    try:
        response = requests.post(
            "https://api.openai.com/v1/responses",
            headers={"Authorization": "Bearer $OPENAI_API_KEY"},
            json={"model": cfg["model"], "input": input_text},
            timeout=30,
        )
        response.raise_for_status()
        return response.json()
    except requests.HTTPError as err:
        if err.response.status_code in (404, 410):
            # model tanımlayıcısı emekliye ayrıldı veya bulunamadı: yedekleme yapın
            return call_model_with_id(cfg["fallback"], input_text)
        raise

Bu açıklayıcıdır, doğrudan kullanılabilir bir kütüphane değildir. İstek URL'leri, başlıklar ve hata kodları sağlayıcıya göre değişir ve bu modeli üretimde kullanmadan önce OpenAI API hızlı başlangıcı gibi güncel sağlayıcı dokümantasyonuna karşı tam istek şeklini ve hata semantiğini doğrulamanız gerekir.

Karar tablosu: sabitle, takma ad kullan veya yönlendir

Strateji	Ne anlama gelir	En iyi uyum	Ana risk
Tarihli bir sürüme sabitle	Tam, sürümlü bir model tanımlayıcısını çağır	Çıktı tutarlılığının güncel kalmaktan daha önemli olduğu düzenlenmiş veya yüksek riskli akışlar	Sağlayıcı o sürümü emekliye ayırdığında sert kesinti; sahip olunan bir yükseltme süreci gerektirir
Sağlayıcının değişken takma adını kullan	Sağlayıcının zaman içinde yeniden işaretlediği "latest" gibi genel bir ismi çağır	Dahili araçlar veya taslak oluşturma gibi düşük riskli, yüksek toleranslı kullanım durumları	Bunu işaret edecek hiçbir kod değişikliği olmadan sessiz davranış ve maliyet sapması
Yapılandırma veya ağ geçidi katmanı üzerinden yönlendir	Uygulama dahili bir ismi çağırır; katman bunu yedekleme mantığıyla bir sağlayıcı modeline çözer	Çok modelli ürünler, kodlama ajanları veya GLM-5.2, Qwen3.7 Plus veya Gemini 3.5 Flash gibi modeller arasında karşılaştırmalar yapan ekipler	Yönlendirme katmanının kendisini sürdürmenin getirdiği operasyonel karmaşıklık

Birden fazla model veya sağlayıcı çağıran çoğu üretim entegrasyonu için, yönlendirme katmanı eklenen karmaşıklığa değerdir, çünkü bir kullanımdan kaldırma bildirimini kod denetimi yerine yapılandırma değişikliğine dönüştürür.

TokenLab model sürüm bilgilerini nasıl yüzeye çıkarır?

TokenLab'in model dizini ve Model Veri Merkezi, model tanımlayıcılarını sağlayıcıya göre listeler; geliştiriciler, bir entegrasyonun şu anda neyi çağırdığını ve öncü metin modelleri, kodlama ajanları, düşük maliyetli yönlendirme, görüntü oluşturma ve video oluşturma gibi kategorilerde hangi alternatiflerin mevcut olduğunu denetlerken bunu referans noktası olarak kullanabilirler. Bu bir listeleme yüzeyidir, bir kullanımdan kaldırma bildirim hizmeti değildir, bu nedenle her sağlayıcının kendi kullanımdan kaldırma politikasını doğrudan kontrol etmenin yerini almaz. Model meta verilerinin gelişen bir model ortamında nasıl makine tarafından okunabilir tutulacağını düşünen ekipler için, agent-readable model truth içindeki tartışma ve agent-first API design için daha geniş durum, yapılandırılmış ve güncel model verilerinin hem insan geliştiriciler hem de bu API'leri onlar adına çağıran ajanlar için neden önemli olduğu konusunda ilgili konuları kapsar.

Sınırlamalar

Bu makale, istek parametrelerinin OpenAI API hızlı başlangıcında nasıl belgelendiğine ve TokenLab'in genel model yüzeylerinin nasıl yapılandırıldığına dayanarak model sürümleme ve kullanımdan kaldırmadaki genel modelleri açıklar. Herhangi bir model için belirli kullanımdan kaldırma tarihlerini, emeklilik pencerelerini veya fiyatlandırma değişikliklerini belirtmez, çünkü bu ayrıntılar sağlayıcı kontrolündedir, sık değişir ve burada kullanılan kaynaklarda oluşturulmamıştır. Belirli bir kesinti tarihine veya yedekleme davranışına güvenmeden önce, bunu ilgili sağlayıcının güncel dokümantasyonuna karşı doğrudan doğrulayın.

SSS

Bir model sürümünü sabitlemek, asla kullanımdan kaldırılmayacağını garanti eder mi? Hayır. Belirli bir tarihli tanımlayıcıya sabitlemek, değişken takma adlardan kaynaklanan sessiz sapmayı önler, ancak sağlayıcı yine de o sürümü kendi takvimine göre emekliye ayırabilir. Sabitlemek size öngörülemez bir hata modu (sessiz davranış değişikliği) yerine öngörülebilir bir hata modu (bilinen bir tarihte hata) kazandırır.

Bağımlı olduğum bir modelin ne zaman kullanımdan kaldırılacağını nasıl bilebilirim? Takvimler sağlayıcıya özel olduğundan ve değiştiğinden, doğrudan ilgili sağlayıcının kendi dokümantasyonunu ve kullanımdan kaldırma veya değişiklik günlüğü sayfalarını kontrol edin. Bu makale dahil olmak üzere herhangi bir üçüncü taraf özetini, kesin tarihler kaynağı yerine doğrulama için bir başlangıç noktası olarak ele alın.

Her zaman mevcut olan en yeni model sürümünü mü kullanmalıyım? Otomatik olarak değil. Daha yeni sürümler çıktı formatını, araç çağırma davranışını, bağlam penceresini veya maliyeti değiştirebilir. Özellikle kodlama ajanları ve yapılandırılmış çıktı iş akışları için üretim trafiğini değiştirmeden önce bir aday yedeği mevcut istem ve araç çağırma paketinize karşı test edin.

Bir model kimliğinin hala güncel olarak listelenip listelenmediğini kontrol etmek için, bir zaman içindeki tanımlayıcı referansı olarak TokenLab Model Veri Merkezi'ni kullanın. Bu, sağlayıcı dokümantasyonu veya bir kullanımdan kaldırma bildirim hizmeti değildir, bu nedenle emeklilik tarihlerini sağlayıcının kendi bildirimiyle doğrulayın.