GPT-4.1 重磅上线：三大版本齐发，上下文处理能力提升 8 倍

OpenAI刚刚发布了GPT-4.1，这是一系列专为开发者打造的新模型。我和大家一样，对GPT-4.5跳到GPT-4.1的命名变化感到困惑，但值得庆幸的是，基准测试并没有回退——相反，进展显著。

GPT-4.1分为三个版本：GPT-4.1、GPT-4.1 Mini和GPT-4.1 Nano。三者都支持最多100万的上下文标记，并在编码、指令执行和长上下文理解方面带来了显著提升。它们的速度更快、成本更低，优于之前的版本。

在这篇文章中，我将为您介绍每个模型的功能，它与GPT-4o和GPT-4.5的比较，以及在基准测试和实际应用中的表现。

🚀AIO通用智能（AGI）服务平台

GPT-4.1是什么？

GPT-4.1模型系列由三个模型组成：GPT-4.1、GPT-4.1 Mini和GPT-4.1 Nano。它们都是仅提供API的版本，旨在满足需要更好性能、更长上下文和更可预测指令执行的开发者需求。每个模型支持最多100万个上下文标记，这相比于之前版本（如GPT-4o）中的12万个标记是一个巨大的飞跃。

尽管架构相同，每个版本针对不同的使用场景进行了调优。下面是每个模型的特点。

GPT-4.1

这是旗舰模型。如果您希望在编码、指令执行和长上下文任务中获得最佳整体性能，这个模型就是您的首选。它旨在处理复杂的编码工作流程或在单个提示中处理大型文档。

在基准测试中，它在实际软件工程（SWE-bench）、指令执行（MultiChallenge）和长上下文推理（MRCR、Graphwalks）方面超越了GPT-4o。同时，它在遵循结构和格式方面的表现也显著提升——例如处理XML响应、有序指令以及像“除非……否则不回答”的负约束。

自发布之日起，您也可以对GPT-4.1进行微调，这使其能够满足对语气、格式或领域知识有控制要求的更多生产用例。

GPT-4.1 Mini

GPT-4.1 Mini是中端选项，提供与完整模型几乎相同的功能，但延迟和成本更低。在许多基准测试中，它的表现与GPT-4o相当或更优，包括指令执行和基于图像的推理。

它很可能成为许多用例的默认选择：速度足够快以适应交互式工具，智慧足够以跟随详细指令，并且比完整模型显著便宜。

与完整版本一样，它支持100万个上下文标记，并已可进行微调。

GPT-4.1 Nano

Nano是这三者中最小、最快且最便宜的模型。它专为自动补全、分类和从大型文档中提取信息等任务而设计。尽管体积小巧，它仍支持完整100万个标记的上下文窗口。

它也是OpenAI迄今为止最小、最快、最便宜的模型，每百万个标记的费用仅约为10美分。虽然您无法获得更大模型的完整推理和计划能力，但对于某些任务来说，这并不是重点。微调支持很快就会推出。

GPT-4.1 与 GPT-4o 及 GPT-4.5 比较

在我们开始讨论基准测试（将在下一节详细介绍）之前，了解 GPT-4.1 在实际应用中如何与 GPT-4o 和 GPT-4.5 不同是很有必要的。

比 GPT-4o 更聪明，比 GPT-4.5 更实用

GPT-4.1 在保留大致相同延迟的情况下，提升了 GPT-4o 的能力。实际上，这意味着开发者可以在响应速度未受影响的情况下，获得更好的性能。

让我们来分析上面的图表：

• GPT-4.1 和 GPT-4o 在延迟上大致处于同一水平，但 GPT-4.1 在智能上更为出色。因此，你将以类似的速度获得一个更聪明（且更便宜）的模型。

• GPT-4.1 Mini 的能力也超过了 GPT-4o Mini，但这种提升伴随着轻微的折衷：延迟有了小幅增加。

• GPT-4.1 Nano 在速度上明显领先，图表中位于最左侧。尽管在 MMLU 上表现不如其他模型，但这是可以预料的——它是为轻量级任务设计的，更注重速度而非复杂推理。

另一方面，GPT-4.5 一直被定位为研究预览。尽管它在推理和写作质量上表现强劲，但它的开销也更大。相比之下，GPT-4.1 在关键基准测试中提供类似或更好的结果，却更加便宜和响应迅速——因此 OpenAI 计划在 7 月中旬之前完全退役 GPT-4.5，以腾出更多 GPU。

100 万个 Token 的上下文

所有三种 GPT-4.1 模型——标准版、Mini 版和 Nano 版——都支持高达 100 万个 Token 的上下文。这比 GPT-4o 提供的上下文多出 8 倍以上。

这种长上下文容量使得实际应用场景如处理完整日志、索引代码库、处理多文档法律工作流程或分析长篇成绩单成为可能——这一切都无需事先将内容拆分或总结。

更好的指令遵循能力

GPT-4.1 也标志着模型遵循指令的可靠性发生了变化。它能够处理涉及有序步骤、格式约束和否定条件（如在格式错误时拒绝回答）的复杂提示。

在实践中，这意味着两点：减少了构思提示所花费的时间，以及减少了事后清理输出的时间。

GPT-4.1 基准测试

GPT-4.1 在四个核心领域取得了进展：编码、指令遵循、长上下文理解和多模态任务。

编码性能

在 SWE-bench Verified 的基准测试中，该测试将模型置于真实代码库中，要求其完成从头到尾的问题，GPT-4.1 的得分为 54.6%。这一成绩较 GPT-4o 的 33.2% 和 GPT-4.5 的 38% 有了显著提升。值得一提的是，GPT-4.1 的得分甚至高于 o1 和 o3-mini。

在 Aider 的多语言 diff 基准测试中，GPT-4.1 的表现也超过了 GPT-4o，达到了 52.9% 的准确率，超越了多种语言和格式的代码差异。相比之下，GPT-4.5 在同一任务上的得分为 44.9%。此外，GPT-4.1 的精确度更高：在内部评估中，冗余代码编辑的比例从 GPT-4o 的 9% 降至仅 2%。

除了基准分数，OpenAI 提供的前端编码演示也很好地展示了 GPT-4.1 的出色性能。OpenAI 的团队要求这两个模型构建相同的抽认卡应用程序，人工评审者在 80% 的情况下更喜欢 GPT-4.1 的输出。

作为 alpha 测试者之一的 Windsurf 报告称，他们自己的内部编码基准测试性能提高了 60%。另一家公司 Qodo 在真实的 GitHub pull requests 上测试 GPT-4.1，发现其建议的改进率达 55%，并且冗余或过于冗长的编辑更少。

指令遵循

在遵循指令方面，GPT-4.1 更加字面化且更可靠，尤其是在涉及多个步骤、格式规则或条件的任务上。在 OpenAI 的内部指令遵循评估中（困难子集），GPT-4.1 的得分为 49.1%，相比之下，GPT-4o 仅为 29.2%。GPT-4.5 在这里稍微领先，得分为 54%，但 GPT-4.1 和 GPT-4o 之间的差距显著。

在 MultiChallenge 测试中，该测试评估模型是否能够遵循多轮指令，并记住在谈话中引入的约束，GPT-4.1 的得分为 38.3%，较 GPT-4o 的 27.8% 有所提升。而在 IFEval 测试中，该测试评估是否遵循明确规定的输出要求，GPT-4.1 的得分达到 87.4%，较 GPT-4o 的 81% 也有了稳步提升。

具体而言，这意味着 GPT-4.1 更擅长遵循有序步骤、拒绝错误格式的输入，并按照请求的格式作出反应——尤其是在 XML、YAML 或 Markdown 等结构化输出中。这也使得构建可靠的代理工作流程变得更容易，而无需多次尝试提示。

长上下文推理

所有三种 GPT-4.1 模型——标准版、Mini 版和 Nano 版——都支持高达 100 万个 Token 的上下文。这比 GPT-4o 多了 8 倍，后者的上限为 128K。同样重要的是，使用该上下文窗口并没有额外费用，其定价与其他提示相同。

但这些模型真的能利用所有这些上下文吗？在 OpenAI 的“针在干草堆”评估中，GPT-4.1 能够可靠地找到插入的内容，无论是位于输入的开始、中间还是结束，均能在完整的 1M Token 输入中进行识别。

Graphwalks 作为一个测试长上下文多跳推理的基准，GPT-4.1 的得分为 61.7%，较 GPT-4o 的 41.7% 有了显著提升，尽管仍低于 GPT-4.5 的 72.3%。

这些改进在现实世界测试中也得到了体现。汤森路透报告使用 GPT-4.1 进行多文档法律分析时提升了 17%，而卡莱尔则报告在从密集的财务报告中提取细粒度数据时提高了 50%。

多模态和视觉任务

在多模态任务上，GPT-4.1 同样取得了进展。在 Video-MME 基准测试中（该测试涉及回答关于 30-60 分钟无字幕视频的问题），GPT-4.1 的得分为 72.0%，而 GPT-4o 则为 65.3%。

在像 MMMU 这样的图像重型基准中，GPT-4.1 达到了 74.8%，而 GPT-4o 为 68.7%。在 MathVista 测试中，包含图表、图形和数学视觉元素，GPT-4.1 的得分为 72.2%。

一个惊喜是：在一些基准测试中，GPT-4.1 Mini 的表现几乎与完整版相当。例如在 MathVista 测试中，它的得分为 73.1%，略高于 GPT-4.1。这使得它成为结合速度和图像重型提示的用例中的吸引人选择。

如何访问 GPT-4.1

您无法通过常规聊天应用程序访问 GPT-4.1、GPT-4.1 Mini 和 GPT-4.1 Nano。这些模型专为开发者设计，您只能通过 OpenAI API 进行访问。

探索这些模型的默认方式是通过 OpenAI Playground，现在已支持这三种变体。在此，您可以对系统提示进行迭代，测试多步骤输出，并查看每个模型如何处理长文档或结构化输入，然后再将其集成到生产环境中。

如果您正在处理长文档——比如日志、PDF、法律记录或学术文章——您可以在一次调用中发送多达 100 万个 Token，无需特殊参数。长上下文的定价也没有额外费用：无论输入大小，Token 成本都是统一的。

微调 GPT-4.1

您已经可以对 GPT-4.1 和 GPT-4.1 Mini 进行微调。这为自定义指令、特定领域词汇或特定语气的输出打开了大门。请注意，微调的价格略有增加（截至 2025 年 4 月 15 日）：

Nano 目前还不能进行微调，但 OpenAI 表示这项功能即将推出。如果您之前对 GPT-3.5 或 GPT-4 模型进行了微调，流程大致相同——只需选择更新的基础模型。如果想了解更多，我推荐您查看有关微调 GPT-4o Mini 的教程。

GPT-4.1 定价

GPT-4.1 的一项令人欢迎的更新是，它不仅更聪明，而且更便宜。OpenAI 表示，目标是使这些模型在更多实际工作流程中更具用户友好性，这在定价结构上得以体现。

以下是三种模型的推理定价（截至 2025 年 4 月 15 日）：

“blended”数值是基于 OpenAI 对典型输入/输出比率的假设。

总结

您无法通过常规聊天应用程序访问 GPT-4.1、GPT-4.1 Mini 和 GPT-4.1 Nano。这些模型专为开发者设计，您只能通过 OpenAI API 进行访问。

探索这些模型的默认方式是通过 OpenAI Playground，现在已支持这三种变体。在此，您可以对系统提示进行迭代，测试多步骤输出，并查看每个模型如何处理长文档或结构化输入，然后再将其集成到生产环境中。

如果您正在处理长文档——比如日志、PDF、法律记录或学术文章——您可以在一次调用中发送多达 100 万个 Token，无需特殊参数。长上下文的定价也没有额外费用：无论输入大小，Token 成本都是统一的。

微调 GPT-4.1

您已经可以对 GPT-4.1 和 GPT-4.1 Mini 进行微调。这为自定义指令、特定领域词汇或特定语气的输出打开了大门。请注意，微调的价格略有增加（截至 2025 年 4 月 15 日）：

Nano 目前还不能进行微调，但 OpenAI 表示这项功能即将推出。如果您之前对 GPT-3.5 或 GPT-4 模型进行了微调，流程大致相同——只需选择更新的基础模型。如果想了解更多，我推荐您查看有关微调 GPT-4o Mini 的教程。

GPT-4.1 定价

GPT-4.1 的一项令人欢迎的更新是，它不仅更聪明，而且更便宜。OpenAI 表示，目标是使这些模型在更多实际工作流程中更具用户友好性，这在定价结构上得以体现。

以下是三种模型的推理定价（截至 2025 年 4 月 15 日）：

“blended”数值是基于 OpenAI 对典型输入/输出比率的假设。

GPT-4.1 提供了更可靠的代码生成、更好的指令遵循能力、真正的长上下文处理和更快的迭代速度。

虽然命名可能会让人感到困惑，且发布时仅限于 API，这是故意设计的，但这些模型显然比之前的版本更强大。同时，它们的价格也更可负担，尤其是在对延迟、成本和可预测性有要求的生产环境中，更加实用。

探索智能边界，发现无限可能！（AIOAGI.TECH）