Michael JohnsonUtviklere som lagrer modelltester i OpenAI-plattformen Evals, kan fra 31. oktober 2026 se eksisterende evalueringer, men ikke redigere dem. OpenAI har satt 30. november som dato for å stenge kontrollpanelet og API-et. Dette er to ulike faser i overgangen: Det finnes fortsatt et tidsvindu for å ta vare på nødvendige materialer, men deretter skal plattformen slutte å fungere. Endringen gjelder den driftede Evals-tjenesten, ikke selve praksisen med å evaluere modeller – dette er tidsplanen som er oppgitt i OpenAIs oversikt over produkter som fases ut.
Hva ble endret 31. oktober?
Fra 31. oktober er eksisterende evalueringer bare tilgjengelige i skrivebeskyttet modus. Evals-kontrollpanelet og API-et skal etter planen stenges 30. november. Dokumentasjonen beskriver en overgangsperiode, men lover ikke at brukernes evalueringer automatisk overføres til et annet produkt.
Mens materialene fortsatt er tilgjengelige, bør team ta vare på dataene de trenger for å gjenta testene: testeksempler, instruksjoner til ledetekster, forventede svar, innstillinger for gradere og resultater fra kjøringer. Dette er en praktisk anbefaling for migrering, ikke en liste over garanterte eksportformater: Undersøk hva som er tilgjengelig for teamet ditt, og om filene du lagrer, kan åpnes utenfor Evals-grensesnittet.
Hvilke alternativer til Evals tilbyr OpenAI?
Dokumentasjonen foreslår at man vurderer to fremgangsmåter. Datasets på OpenAI-plattformen er laget for rask iterasjon: Teamet legger til eksempler, prøver ulike versjoner av ledetekster, vurderer resultatene og bruker gradere ved behov. Blant de beskrevne typene er eksakt strengsammenligning, vurdering av tekstlikhet, modellbaserte gradere og kjøring av Python-kode.
For å konfigurere evalueringer programmatisk beskriver dokumentasjonen Evals API-et. Ifølge OpenAIs tidsplan skal også API-et stenges 30. november, på samme måte som kontrollpanelet. Det bør derfor betraktes som en beskrivelse av den tidligere arbeidsflyten, ikke som en langsiktig erstatning for plattformen.
Begynn migreringen med en kartlegging: Hvilken oppgave utførte hvert sett – manuell sammenligning av ledetekster, automatisert testing i en utrullingspipeline eller kjøring av større testpartier? OpenAI anbefaler Datasets for rask iterasjon over eksempler. For API-avhengige løsninger og større arbeidsmengder må teamet velge og teste en annen arbeidsflyt som støtter nødvendige operasjoner og lagring av resultater.
Hva bør du ta vare på før nedstengingen?
Lag en liste over materialene som trengs for å gjenta evalueringene: inndataeksempler, forventede svar, ledetekstene, kriterier og innstillinger for gradere, samt resultater fra kjøringer som er viktige for sammenligning. Gjennomfør deretter en kontrolltest med løsningen dere har valgt: Kjør et lite utvalg tester på nytt, og kontroller at vurderingskriteriene og tolkningen av resultatene fortsatt kan sammenlignes.
Referansedata og vurderingsregler gjør det mulig å gjenskape testene etter overgangen. Hvis teamet brukte eksterne modeller, API-kjøringer eller store datasett, bør disse behovene inngå i kriteriene for valg av neste verktøy. OpenAIs dokumentasjon beskriver funksjonene i Datasets og det tidligere Evals API-et, men bekrefter ikke at alle tidligere arbeidsflyter automatisk kan flyttes til Datasets.
Undersøk hvilke lagringsmuligheter som er tilgjengelige for kontoen din, og åpne de lagrede filene utenfor Evals før den planlagte nedstengingen. Denne testen viser om viktige data er bevart, uten at du trenger å anta noe om eksportformat eller automatisk migrering som dokumentasjonen ikke lover.
Hvem berøres av overgangen?
Tidsfristene er viktige for utviklere som opprettet eller kjørte evalueringer via Evals-kontrollpanelet, og for team som er avhengige av Evals API. Ifølge OpenAIs tidsplan skal begge delene av plattformen stenges 30. november 2026. Dokumentasjonen oppgir ikke at det tilknyttede API-et vil være tilgjengelig etter denne datoen.
Det praktiske neste steget er å ta vare på nødvendige testmaterialer og resultater, og deretter prøve den nye evalueringsprosessen på et lite utvalg. Slik kan teamet fortsette å sammenligne modeller og ledetekster uten å være avhengig av plattformen som skal stenges.
