[AI OpenAI-doc] 弃用

概述

随着我们推出更安全、更功能强大的模型,我们定期淘汰旧模型。依赖OpenAI模型的软件可能需要偶尔更新以保持正常工作。受影响的客户将始终通过电子邮件和我们的文档以及博客文章(针对较大的更改)收到通知。

本页面列出了所有API弃用情况,以及推荐的替代方案。

弃用与遗留

我们使用术语“弃用”来指代淘汰模型或端点的过程。当我们宣布某个模型或端点即将弃用时,它立即被标记为弃用。所有弃用的模型和端点也将有一个关闭日期。在关闭日期到来时,该模型或端点将不再可用。

我们使用术语“遗留”来指代将不再接收更新的模型和端点。我们将端点和模型标记为遗留,以向开发人员表明我们作为平台的发展方向,以及他们应该可能迁移到更新的模型或端点。您可以预期,将来某个时候会弃用遗留模型或端点。

增量模型更新

正如2023年3月宣布的那样,我们定期发布gpt-4和gpt-3.5-turbo的新版本。

每个模型版本都带有一个-MMDD后缀,例如gpt-4-0613。未带日期的模型名称,例如gpt-4,通常会指向最新版本(例如gpt-4指向gpt-4-0613)。使用未带日期的模型名称的用户通常会在任何更改发生前约2周收到电子邮件通知。

在推出新版本后,旧版本通常会在3个月后弃用。

迁移到替代方案

一旦模型被弃用,请确保在关闭日期之前将所有使用迁移到合适的替代方案。超过关闭日期的模型请求将失败。

为了帮助评估替代模型在您的任务上的性能,我们开源了Evals,一个用于评估语言模型的Python框架。

如果新模型在您的任务上表现更差,请通过向我们的Evals存储库提交拉取请求,并提供任务示例来告诉我们。

弃用历史记录

以下列出了所有弃用情况,最新的公告在顶部。

2023-11-06:聊天模型更新

于2023年11月6日,我们宣布发布更新的GPT-3.5-Turbo模型(现在默认提供16k上下文),同时淘汰了gpt-3.5-turbo-0613和gpt-3.5-turbo-16k-0613。

SHUTDOWN DATELEGACY MODELLEGACY MODEL PRICERECOMMENDED REPLACEMENT
2024-06-13gpt-3.5-turbo-0613$0.0015 / 1K input tokens + $0.0020 / 1K output tokensgpt-3.5-turbo-1106
2024-06-13gpt-3.5-turbo-16k-0613$0.0030 / 1K input tokens + $0.0040 / 1K output tokensgpt-3.5-turbo-1106

从这些基础模型创建的微调模型不受此弃用影响,但您将无法再使用这些模型创建新的微调版本。

2023-08-22:微调端点

于2023年8月22日,我们宣布新的微调API(/v1/fine_tuning/jobs),并且原始的/v1/fine-tunes API以及遗留模型(包括使用/v1/fine-tunes API进行微调的模型)将于2024年1月4日关闭。这意味着使用/v1/fine-tunes API进行微调的模型将不再可访问,您需要使用更新的端点和相关基础模型进行微调新模型。

微调端点
SHUTDOWN DATESYSTEMRECOMMENDED REPLACEMENT
2024-01-04/v1/fine-tunes/v1/fine_tuning/jobs

2023-07-06:GPT和嵌入

于2023年7月6日,我们宣布即将淘汰通过完成端点提供的旧版GPT-3和GPT-3.5模型,并且宣布即将淘汰我们的第一代文本嵌入模型。它们将于2024年1月4日关闭。

InstructGPT模型
SHUTDOWN DATELEGACY MODELLEGACY MODEL PRICERECOMMENDED REPLACEMENT
2024-01-04text-ada-001$0.0004 / 1K tokensgpt-3.5-turbo-instruct
2024-01-04text-babbage-001$0.0005 / 1K tokensgpt-3.5-turbo-instruct
2024-01-04text-curie-001$0.0020 / 1K tokensgpt-3.5-turbo-instruct
2024-01-04text-davinci-001$0.0200 / 1K tokensgpt-3.5-turbo-instruct
2024-01-04text-davinci-002$0.0200 / 1K tokensgpt-3.5-turbo-instruct
2024-01-04text-davinci-003$0.0200 / 1K tokensgpt-3.5-turbo-instruct

替换模型gpt-3.5-turbo-instruct的定价可以在定价页面找到。

基础GPT模型
SHUTDOWN DATELEGACY MODELLEGACY MODEL PRICERECOMMENDED REPLACEMENT
2024-01-04ada$0.0004 / 1K tokensbabbage-002
2024-01-04babbage$0.0005 / 1K tokensbabbage-002
2024-01-04curie$0.0020 / 1K tokensdavinci-002
2024-01-04davinci$0.0200 / 1K tokensdavinci-002
2024-01-04code-davinci-002gpt-3.5-turbo-instruct

替换模型babbage-002和davinci-002的定价可以在定价页面找到。

编辑模型和端点
SHUTDOWN DATEMODEL / SYSTEMRECOMMENDED REPLACEMENT
2024-01-04text-davinci-edit-001gpt-4
2024-01-04code-davinci-edit-001gpt-4
2024-01-04/v1/edits/v1/chat/completions
微调GPT模型
SHUTDOWN DATELEGACY MODELTRAINING PRICEUSAGE PRICERECOMMENDED REPLACEMENT
2024-01-04ada$0.0004 / 1K tokens$0.0016 / 1K tokensbabbage-002
2024-01-04babbage$0.0006 / 1K tokens$0.0024 / 1K tokensbabbage-002
2024-01-04curie$0.003 / 1K tokens$0.012 / 1K tokensdavinci-002
2024-01-04davinci$0.03 / 1K tokens$0.12 / 1K tokensdavinci-002, gpt-3.5-turbo, gpt-4
第一代文本嵌入模型
SHUTDOWN DATELEGACY MODELLEGACY MODEL PRICERECOMMENDED REPLACEMENT
2024-01-04text-similarity-ada-001$0.004 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-ada-doc-001$0.004 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-ada-query-001$0.004 / 1K tokenstext-embedding-ada-002
2024-01-04code-search-ada-code-001$0.004 / 1K tokenstext-embedding-ada-002
2024-01-04code-search-ada-text-001$0.004 / 1K tokenstext-embedding-ada-002
2024-01-04text-similarity-babbage-001$0.005 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-babbage-doc-001$0.005 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-babbage-query-001$0.005 / 1K tokenstext-embedding-ada-002
2024-01-04code-search-babbage-code-001$0.005 / 1K tokenstext-embedding-ada-002
2024-01-04code-search-babbage-text-001$0.005 / 1K tokenstext-embedding-ada-002
2024-01-04text-similarity-curie-001$0.020 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-curie-doc-001$0.020 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-curie-query-001$0.020 / 1K tokenstext-embedding-ada-002
2024-01-04text-similarity-davinci-001$0.200 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-davinci-doc-001$0.200 / 1K tokenstext-embedding-ada-002
2024-01-04text-search-davinci-query-001$0.200 / 1K tokenstext-embedding-ada-002

2023年6月13日:更新的聊天模型

在2023年6月13日,我们在“功能调用和其他API更新”博客文章中宣布了新的聊天模型版本。最早在2024年6月将停用三个原始版本。截至2024年1月10日,只有现有用户才能继续使用该模型。

SHUTDOWN DATELEGACY MODELLEGACY MODEL PRICERECOMMENDED REPLACEMENT
at earliest 2024-06-13gpt-3.5-turbo-0301$0.0015 / 1K input tokens + $0.0020 / 1K output tokensgpt-3.5-turbo-0613
at earliest 2024-06-13gpt-4-0314$0.03 / 1K input tokens + $0.06 / 1K output tokensgpt-4-0613
at earliest 2024-06-13gpt-4-32k-0314$0.06 / 1K input tokens + $0.12 / 1K output tokensgpt-4-32k-0613

2023-03-20: Codex模型

SHUTDOWN DATELEGACY MODELRECOMMENDED REPLACEMENT
2023-03-23code-davinci-002gpt-4
2023-03-23code-davinci-001gpt-4
2023-03-23code-cushman-002gpt-4
2023-03-23code-cushman-001gpt-4

2022-06-03: 旧版终端节点

SHUTDOWN DATESYSTEMRECOMMENDED REPLACEMENT
2022-12-03/v1/engines/v1/models
2022-12-03/v1/searchView transition guide
2022-12-03/v1/classificationsView transition guide
2022-12-03/v1/answersView transition guide

  • 21
    点赞
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
要实现Java中的Word文档中错字、错词的识别,可以使用Apache POI库来解析Word文档,并使用Apache OpenNLP库来进行自然语言处理。 以下是一个简单的Java代码示例,用于识别Word文档中的错字、错词: ```java import java.io.FileInputStream; import java.io.IOException; import org.apache.poi.xwpf.usermodel.XWPFDocument; import org.apache.poi.xwpf.usermodel.XWPFParagraph; import org.apache.opennlp.tools.tokenize.TokenizerME; import org.apache.opennlp.tools.tokenize.TokenizerModel; public class WordSpellingChecker { public static void main(String[] args) { try { // 读取Word文档 XWPFDocument doc = new XWPFDocument(new FileInputStream("doc.docx")); // 加载分词器模型 TokenizerModel model = new TokenizerModel(new FileInputStream("en-token.bin")); TokenizerME tokenizer = new TokenizerME(model); // 遍历每个段落 for (XWPFParagraph p : doc.getParagraphs()) { // 分词 String[] tokens = tokenizer.tokenize(p.getText()); // TODO: 检查错字、错词 // 可以使用第三方的拼写检查库,或自己实现拼写检查逻辑 // 输出每个段落的分词结果 for (String token : tokens) { System.out.print(token + " "); } System.out.println(); } // 关闭文档 doc.close(); } catch (IOException e) { e.printStackTrace(); } } } ``` 这段代码使用了Apache OpenNLP库的分词器来对每个段落进行分词,然后可以使用第三方的拼写检查库或自己实现拼写检查逻辑来检查错字、错词。最后输出每个段落的分词结果。你可以根据需要扩展这个示例来实现更复杂的错字、错词识别功能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值