大模型公司退役老模型并非单纯“抛弃”，而是基于成本控制、资源聚焦、安全合规及体验优化的综合战略决策。

核心驱动因素

- 降低高昂的运维成本：大模型推理与维护依赖大量GPU算力，长期并行运行多个旧版本会导致资源闲置浪费。退役低使用率模型（如部分旧版日活占比不足0.1%）可显著削减电力与硬件成本。

- 集中资源迭代前沿技术：AI技术迭代极快（周期缩至数月），团队需将工程、算法精力聚焦于新一代旗舰模型的研发与调优，避免被旧架构牵制。

- 简化产品体验与降低决策负担：过多模型版本会让普通用户陷入“选择困难”，且旧模型界面占用展示空间。下线低频选项有助于突出当前主力模型，提升交互效率。

- 规避安全与合规风险：老模型可能在数据隐私、内容过滤或偏见控制上存在已知漏洞，持续运行会增加监管合规压力及潜在的法律风险。

常见执行策略

- 分级退役：通常先关闭免费端或Web端入口，保留付费API接口供企业客户过渡，确保商业应用不中断。

- 设置缓冲期：提前数月公告下线时间，给予开发者迁移代码和切换模型的时间窗口。

- 知识归档：部分公司会将旧模型参数或训练逻辑归档，作为技术资产留存，而非直接物理删除。

简言之，退役是产品生命周期管理的正常环节，旨在用更少的资源提供更稳定、安全且先进的智能服务。