OpenAI深夜发布GPT-4.1：三款最小最快最便宜模型百万上下文

OpenAI再度掀起AI领域变革，GPT-4.1系列模型实现性能飞跃并大幅降低成本。具体而言，此次推出的新模型在编码能力、指令遵循和长文本理解等核心维度均有显著突破，且定价更为低廉——对开发者而言无疑是重大利好。

智东西4月15日报道，今日OpenAI一次性发布了GPT-4.1系列的三款模型，并宣称这是其有史以来最小巧、最快速、最经济的模型系列，且新模型的整体性能表现全面超越GPT-4o和GPT-4o mini。

GPT-4.1系列包含三个型号：GPT-4.1、GPT-4.1 mini和GPT-4.1 nano，上下文窗口均达到100万个token，输出token数提升至32768个，知识截止日期为2024年6月。根据OpenAI的基准测试，其在编码、指令遵循、长文本理解方面的得分均超过了GPT-4o和GPT-4o mini。

GPT-4.1系列模型仅通过API提供，现已面向所有开发者开放。OpenAI将开始在API中逐步弃用GPT-4.5预览版，因为GPT-4.1系列在多项关键能力上提供了相近性能，同时延迟和成本更低。GPT-4.5预览版将于今年7月14日正式关闭。

性能优化的重点聚焦于编码、指令遵循、长文本理解三大领域：

编码：GPT-4.1在SWE-bench验证测试中取得54.6%的得分，较GPT-4o提升21.4%，较GPT-4.5提升26.6%。

指令遵循：在Scale的MultiChallenge基准测试中，GPT-4.1得分38.3%，较GPT-4o提升10.5%。

长文本理解：在多模态长文本理解的Video-MME基准测试中，GPT-4.1在无字幕的长文本类别中得分72.0%，较GPT-4o提升6.7%。

针对延迟敏感的使用场景，OpenAI特别推荐了GPT-4.1 nano，并称其是最快速、最经济的模型。GPT-4.1 nano在MMLU得分80.1%，GPQA得分50.3%，Aider多语言编码得分9.8%，均优于GPT-4o mini。

OpenAI在博客中表示，性能更强、成本更低的GPT-4.1系列将为开发者构建智能系统和复杂智能体应用开辟全新可能。

价格方面，针对中等规模的查询，GPT-4.1的费用比GPT-4o低26%；对于重复使用相同上下文的查询，OpenAI将提示缓存折扣从此前的50%提升至75%。此外，除了标准的每token费用外，OpenAI不会对长上下文请求额外收费。

01. 编码能力：表现优于GPT-4o，超过80%用户更青睐GPT-4.1应用

GPT-4.1在多种编码任务上的表现均优于GPT-4o，包括主动解决编码任务、前端编码、减少不必要的编辑、遵循diff格式、确保工具使用的一致性等。

相比GPT-4o，GPT-4.1能够创建功能更强大、视觉效果更佳的Web应用，例如下图展示的“闪卡”应用：

在衡量现实世界软件工程技能的SWE-bench Verified上，GPT-4.1完成了54.6%的任务，而GPT-4o仅为33.2%。这表明GPT-4.1在代码库探索、任务完成以及生成可通过测试的代码方面取得了质的飞跃。

该测试中，模型会收到一个代码库和问题描述，随后需生成补丁来解决问题，模型表现高度依赖于所使用的提示和工具。

对于希望编辑大文件的API开发者来说，GPT-4.1在处理多种格式的代码差异时更加可靠。GPT-4.1在多语言差异基准测试Aider中的得分是GPT-4o的两倍，比GPT-4.5高出8%。

这项评估既考察模型对多种编程语言的编码能力，也考察在整体和差异格式下产生变化的能力。OpenAI专门训练了GPT-4.1以遵循差异格式，这意味着开发者可以通过让模型仅输出更改的行来节省成本和延迟，而不是重写整个文件。

此外，OpenAI将GPT-4.1的输出token限制增加到32768个（GPT-4o为16384个），并建议使用预测输出来减少完整文件重写的延迟。

在Aider中，模型通过编辑源文件来解决Exercism的编码练习，允许重试一次。

前端编码方面，GPT-4.1能够创建功能更强大、视觉效果更佳的Web应用。在OpenAI的对比测试中，人工评分员在80%的情况下更偏爱GPT-4.1生成的网站，而非GPT-4o生成的网站。

在上述基准测试之外，GPT-4.1还显著减少了不必要的编辑。在OpenAI的内部评估中，代码中的不必要编辑从GPT-4o的9%降至GPT-4.1的2%。

02. 遵循指令：评估6大关键指令性能，多轮自然对话效果比GPT-4o提升10.5%

OpenAI开发了一套内部评估系统，用于跟踪模型在多个维度和几个关键指令遵循类别中的性能，包括：

• 格式遵循：提供指定模型响应自定义格式的指令，例如XML、YAML、Markdown等；
• 负面指令：指定模型应避免的行为，例如“不要要求用户联系支持”；
• 顺序指令：为模型提供一组必须按给定顺序执行的指令，例如“首先询问用户的姓名，然后询问他们的电子邮件”；
• 内容要求：输出包含某些信息的内容，例如“撰写营养计划时，始终包含蛋白质含量”；
• 排序：以特定方式排序输出，例如“按人口数量排序”；
• 过度自信：如果请求的信息不可用或请求不属于给定类别，则指导模型说“我不知道”或类似的话。例如：“如果你不知道答案，请提供支持联系邮箱。”

OpenAI的博客中提到，这些类别是基于开发者反馈汇总得出的。在每个类别中，OpenAI将简单、中等和困难提示进行了细分，GPT-4.1在困难提示方面相比GPT-4o有显著提升。

GPT-4.1在困难提示方面的表现

多轮指令遵循对开发者的重要性在于，模型需要保持对话的连贯性，并跟踪用户之前告知的信息。OpenAI训练GPT-4.1，使其能够更好地从过往对话中提取信息，从而实现更自然的交流。在Scale的MultiChallenge基准中，GPT-4.1比GPT-4o提升了10.5%。

GPT-4.1在MultiChallenge中的测试结果

在IFEval测试中，其使用具有可验证指令的提示，例如指定内容长度或避免某些术语或格式。GPT-4.1得分达到87.4%，GPT-4o为81.0%。

GPT-4.1在IFEval中的测试结果

早期测试者指出，GPT-4.1可能更容易理解字面意思，因此OpenAI建议开发者可以在提示中明确具体的指令。

03. 长文本理解：适合处理大型代码库、长文档，“大海捞针”也不在话下

GPT-4.1系列模型可处理100万个token上下文，此前的GPT-4o上下文窗口为128000个。100万个token已经超过整个React代码库的8倍之多，因此长上下文非常适合处理大型代码库或大量长文档。

OpenAI还对GPT-4.1模型进行了训练，使其能够在长和短上下文长度中忽略干扰信息——这是法律、编码、客户支持等多个领域企业应用的关键能力。

博客中，OpenAI展示了GPT-4.1在上下文窗口内不同位置检索一条隐藏的少量信息（即一根“针”）的能力，也就是“大海捞针”的能力。

OpenAI内部针对GPT-4.1模型的“大海捞针”评估

结果显示，GPT-4.1能够在所有位置以及各种上下文长度（直至长达100万个token）的情况下准确检索到这条关键信息。无论相关细节在输入内容中的位置如何，它都能提取出与当前任务相关的细节。

在实际使用中，用户经常需要模型理解、检索多个信息片段，并理解这些片段之间的关系。为了评估这一能力，OpenAI正在开源新的评估工具：OpenAI-MRCR（多轮核心词识别）。

OpenAI-MRCR可以用来测试模型在上下文中找到和区分多个隐藏关键信息的能力。评估包括用户和助手之间的多轮合成对话，用户要求模型写一篇关于某个主题的文章，例如“写一篇关于岩石的博客文章”。随后，其会在整个对话上下文中插入2、4或8次相同的请求，模型需要据此检索出对应特定请求实例的回复。

在OpenAI-MRCR中，模型回答的问题会有2个、4个或8个分散在上下文中的相似提示词干扰项，模型需要在这些问题和用户提示之间进行消歧。

在OpenAI-MRCR中，模型回答问题被添加2个干扰项的评估结果

在OpenAI-MRCR中，模型回答问题被添加4个干扰项的评估结果

在OpenAI-MRCR中，模型回答问题被添加8个干扰项的评估结果

这之中的挑战在于，这些请求与上下文其余部分很相似，模型容易被细微的差异所误导。OpenAI发现，GPT-4.1在上下文长度达到128K个token时优于GPT-4o。

OpenAI还发布了用于评估多跳长上下文推理的数据集Graphwalks。这是因为，许多需要长上下文的开发者用例需要在上下文中进行多个逻辑跳跃，例如在编写代码时在多个文件之间跳转，或者在回答复杂的法律问题时交叉引用文档等。

Graphwalks需要模型跨上下文多个位置进行推理，其使用由十六进制散列组成的定向图填充上下文窗口，然后要求模型从图中的一个随机节点开始进行广度优先搜索（BFS），然后要求它返回一定深度的所有节点。

Graphwalks评估结果

GPT-4.1在这个基准测试中达到了61.7%的准确率，与o1表现相当，并且超越了GPT-4o。

除了模型性能和准确性之外，开发者还需要能够快速响应的模型以满足用户需求。OpenAI改进了推理栈，以减少首次token的时间，并通过提示缓存进一步降低延迟、节省成本。

OpenAI的初步测试显示，GPT-4.1的p95首次token延迟大约为十五秒（128000个上下文token），100万个上下文token为半分钟。GPT-4.1 mini和nano更快，例如GPT-4.1 nano对于128000个输入token的查询，通常在五秒内返回第一个token。

04. 多模态理解：无字幕视频答题、看图解数学题，表现均超GPT-4o

在图像理解方面，GPT-4.1 mini在图像基准测试中优于GPT-4o。

对于多模态用例，如处理长视频，长上下文性能同样重要。在Video-MME（长无字幕）中，模型根据30-60分钟长的无字幕视频回答多项选择题，GPT-4.1得分72.0%，高于GPT-4o的65.3%。

模型回答包含图表、地图等问题的MMMU测试结果：模型解决视觉数学任务的MathVista测试结果：模型回答关于科学论文图表问题的CharXiv-Reasoning测试结果：

05. 结语：为构建复杂智能体开辟可能性

GPT-4.1的提升与开发者日常开发的真实需求紧密相关——从编码、指令遵循到长上下文理解，性能更强、成本更低的GPT-4.1系列模型为构建智能系统和复杂的智能体应用开辟了全新可能。

未来，这或许会促使开发者将其与各类API结合使用，构建出更有用、更可靠的智能体。这些智能体将在现实世界的软件工程、从大量文档中提取见解、以最小人工干预解决客户请求以及其他复杂任务方面展现出巨大的应用潜力。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：OpenAI深夜发布GPT-4.1：三款最小最快最便宜模型百万上下文要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题