OpenAI发布GPT-4.1模型 仅限API接口使用

AI技术的新突破！OpenAI刚刚发布的GPT-4.1在多个维度上实现了显著性能提升，尤其在软件工程领域树立了新标杆。核心亮点包括：基准测试成绩大幅领先、指令遵循与多模态理解能力跃升，以及实际应用中的准确率和效率双双提高。简单来说，这次更新不是“挤牙膏”，而是实打实的跨越。

AI 圈今晚迎来重磅消息。

OpenAI出乎意料地在深夜时分，正式将其当前「最强大模型」GPT-4.1推向公众。CEO Sam Altman表示：“基准测试结果很强劲，但我们更注重实际应用价值，开发者们似乎非常满意。”这话说得实在——数字再好看，落到真实场景里才算数。

具体来看，GPT-4.1在SWE-bench Verified测试中得分54.6%，比GPT-4o高出21.4%，成为软件工程任务的首选。它在Scale的MultiChallenge测试中得分38.3%，在Video-MME测试中得分72.0%——这两项分别考验指令遵循和多模态理解，成绩足以刷新行业标准。

更值得关注的是，GPT-4.1 mini在保持小体积的同时，延迟减少了近一半，成本比GPT-4o降低了83%。速度和质量经常超越前辈，这才是“小身材大能量”的典型例子。

遵循指令

GPT-4.1在指令遵循上的可靠性显著提升，内部评估系统覆盖了多个关键维度，包括：

• 格式遵循：能按指定格式（如XML、YAML、Markdown）组织输出。
• 负面指示：准确避免被禁止的行为（例如“不要要求用户联系支持人员”）。
• 有序指令：严格按指定顺序执行多步骤任务。
• 内容要求：确保输出包含特定的关键信息。
• 排序：按照指定规则排列输出。
• 过度自信：当信息不可用时，正确地说“我不知道”。

这些类别来自开发者的真实反馈——哪些场景最常用、最重要，OpenAI就重点优化哪里。尤其值得注意的是，GPT-4.1在困难提示上的表现远优于GPT-4o。

多轮指令遵循对许多开发者来说至关重要——模型需要在对话中保持连贯性，跟踪用户之前输入的内容。GPT-4.1经过训练，能更好地从过往消息中识别信息，实现更自然的对话。Scale的MultiChallenge基准测试正是衡量这一能力的有效指标，GPT-4.1比GPT-4o提高了10.5%。

在IFEval上，GPT-4.1得分87.4%，而GPT-4o仅为81.0%。IFEval使用带有可验证指令的提示（如指定长度或禁止某些术语），提升幅度清晰可见。

现实世界的例子

蓝色J：在Blue J最具挑战性的真实税务场景内部基准测试中，GPT-4.1的准确率比GPT-4o高出53%。准确率的提升——这对系统性能和用户满意度都至关重要——凸显了GPT-4.1对复杂法规的理解能力以及其在长篇大论中遵循细微指令的能力。对于用户来说，这意味着更快、更可靠的税务研究，以及更多时间用于高价值咨询工作。

十六进制：在Hex最具挑战性的SQL评估集上，GPT-4.1实现了近2倍的改进，展现出在指令遵循和语义理解方面的显著提升。该模型能够更可靠地从庞大而模糊的模式中选择正确的表——这是一个上游决策点，直接影响整体准确性，且难以仅通过提示调整。对于Hex而言，这显著减少了手动调试工作量，并加快了迈向生产级工作流程的步伐。

长上下文

GPT-4.1、GPT-4.1 mini和GPT-4.1 nano最多可以处理100万个上下文标记，而之前的GPT-4o型号最多只能处理128,000个。100万个标记相当于整个React代码库的8个以上副本，因此非常适合处理大型代码库或大量长文档。

OpenAI训练GPT-4.1使其能够可靠地处理长达100万个上下文中的信息，并且比GPT-4o更可靠地识别相关文本，同时忽略长短上下文中的干扰项。长上下文理解是法律、编码、客户支持等众多领域应用的关键能力。

下面演示了GPT-4.1检索位于上下文窗口内各个位置的隐藏小信息（“针”）的能力。GPT-4.1能够始终如一地准确检索所有位置和所有上下文长度的针，最大检索标记数可达100万个。无论这些标记在输入中的位置如何，它都能有效地提取与当前任务相关的细节。

然而，现实世界中很少有任务像检索一个显而易见的针状答案那样简单。用户经常需要模型检索和理解多条信息，并理解这些信息之间的相互关系。为了展示这一能力，OpenAI开源了一个新的评估平台：OpenAI-MRCR（多轮共指）。

OpenAI-MRCR测试模型在上下文中发现并区分隐藏的多个针头的能力。评估包括用户和助手之间的多轮合成对话，用户要求写一篇关于某个主题的文章，例如“写一首关于貘的诗”或“写一篇关于岩石的博客文章”。然后，在整个上下文中插入两个、四个或八个相同的请求。模型必须检索与特定实例对应的响应（例如，“给我写第三首关于貘的诗”）。

挑战在于这些请求与上下文其余部分的相似性——模型很容易被细微的差异误导。例如，关于貘的短篇故事与诗歌无关，或者关于青蛙的诗歌与貘无关。测试发现，GPT-4.1在上下文长度高达128K token时的表现优于GPT-4o，并且即使长度高达100万个token时也能保持强劲性能。

但即使对于高级推理模型来说，这项任务仍然很艰巨。OpenAI分享了评估数据集，鼓励对现实世界的长上下文检索进行进一步的研究。

OpenAI还发布了Graphwalks——一个用于评估多跳长上下文推理的数据集。许多开发者使用长上下文的案例需要在上下文中进行多次逻辑跳跃，例如在编写代码时在多个文件之间跳转，或在回答复杂的法律问题时交叉引用文档。

理论上，模型（甚至是人类）可以通过一遍或通读提示来解决OpenAI-MRCR问题，但Graphwalks的设计要求在上下文中跨多个位置进行推理，并且不能按顺序解决。

Graphwalks使用由十六进制哈希值组成的有向图填充上下文窗口，然后要求模型从图中的随机节点开始执行广度优先搜索。接着要求它返回特定深度的所有节点。GPT-4.1在此基准测试中达到了61.7%的准确率，与o1的性能相当，并轻松击败了GPT-4o。

基准测试并不能说明全部情况，因此OpenAI与alpha合作伙伴合作，在现实世界的长上下文任务中测试GPT-4.1的性能。

现实世界的例子

汤森路透：使用其专业级法律工作AI助手CoCounsel测试了GPT-4.1。与GPT-4o相比，在内部长上下文基准测试中，使用GPT-4.1后，多文档审核准确率提高了17%——这是衡量CoCounsel处理涉及多篇长文档的复杂法律工作流程能力的重要指标。尤其值得一提的是，他们发现该模型在维护跨来源上下文以及准确识别文档之间细微关系（例如冲突条款或补充上下文）方面非常可靠——而这些任务对于法律分析和决策至关重要。

卡莱尔：凯雷集团使用GPT-4.1从多个长文档（包括PDF、Excel文件和其他复杂格式）中精准提取精细的财务数据。根据其内部评估，该模型在从数据密集的大型文档中检索时的性能提高了50%，并且是第一个成功克服其他现有模型所面临关键限制的模型，这些限制包括大海捞针式检索、中间丢失错误以及跨文档的多跳推理。

除了模型性能和准确性，开发者还需要快速响应的模型来跟上并满足用户需求。OpenAI改进了推理堆栈，以缩短获取第一个令牌的时间。借助快速缓存，可以进一步降低延迟并节省成本。初步测试显示，GPT-4.1在128,000个上下文令牌的情况下，获取第一个令牌的p95延迟约为15秒；在100万个上下文令牌的情况下，则最多为半分钟。GPT-4.1 mini和nano速度更快，例如，对于包含128,000个输入令牌的查询，GPT-4.1 nano通常能在5秒内返回第一个令牌。

想象

GPT-4.1系列在图像理解方面非常强大，尤其是GPT-4.1 mini代表了重大飞跃，在图像基准测试中经常击败GPT-4o。

长上下文性能对于多模态用例（例如处理长视频）也很重要。在Video-MME（长篇无字幕）中，模型会根据30-60分钟长的无字幕视频回答多项选择题。GPT-4.1的表现达到了最佳水平，得分为72.0%，高于GPT-4o的65.3%。

实际体验

1. 设计芯片架构图

2. 下单流程的时序图

3. 设计跑腿app UI效果图

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发布GPT-4.1模型 仅限API接口使用要求：
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