2025年4月15日，OpenA發布GPT-4.1系列模型，這一系列模型在編程、指令跟隨和長上下文處理能力上實現了全面飛躍，標志著自然語言處理技術的又一次重大突破。

GPT-4.1系列包括三個版本：GPT-4.1、GPT-4.1 mini和GPT-4.1 nano。這些模型均支持最高100萬Token的超大上下文窗口，遠超前代模型的12.8萬Token，極大地提升了處理復雜任務的能力。其中，GPT-4.1 nano作為OpenAI首款nano模型，以最小、最快、最便宜的姿態強勢登場，其性能在多項基準測試中完勝GPT-4o mini，展現出極高的性價比。

GPT-4.1系列的推出也意味著GPT-4.5將在三個月后停用。OpenAI表示，GPT-4.5原本作為研究預覽版推出，目的是探索大規模、計算密集型的LLM。雖然即將下架，但其具備的創造力、寫作質量和幽默感等特點將被融入未來的API模型中。

GPT-4.1系列的開發由中科大校友Jiahui Yu領銜，他曾在Google DeepMind等頂尖機構實習，擁有豐富的研究經驗。此次發布的GPT-4.1系列不僅在技術上取得了突破，也為開發者提供了更強大的工具。但這款新品的使用效果真的會像發布會宣傳的那般嗎？它就如何推動人工智能在更多領域的應用和發展？以下，Enjoy：

本文授權轉載自公眾號：新智元

就在剛剛，OpenAI專為開發者重磅推出了三款全新模型：GPT-4.1、GPT-4.1 mini和GPT-4.1 nano！

它們均擁有最高100萬Token的超大上下文窗口，在代碼、指令跟隨等核心能力上全面超越GPT-4o及GPT-4o mini，并且知識截止日期也已更新至2024年6月。

值得注意的是，GPT?4.1系列將僅通過API提供，并已向所有開發者開放。

GPT-4.1 nano是OpenAI首個nano模型，也是他們目前可用模型中最快、最便宜的一款。

別看它體積不大，性能一點不弱：MMLU得分80.1%，GPQA得分50.3%，Aider多語言編碼基準9.8%，完勝GPT-4o mini！

GPT-4.1 mini在多項基準測試超越GPT-4o，速度快一倍的同時成本驟降83%，效率拉滿！

作為其中旗艦模型的GPT?4.1更是強的可怕：

• 最強編碼：GPT?4.1在SWE-bench Verified上的得分為54.6%，比GPT?4o提高了21.4%，比GPT?4.5提高了26.6%。

• 指令跟隨：在Scale的MultiChallenge?上，GPT?4.1的得分為38.3%，比GPT?4o提高了10.5%。

• 長上下文：在Video-MME上，GPT?4.1取得了新的SOTA——在長視頻、無字幕類別中得分72.0%，比GPT?4o提高了6.7%。

自此，謎語人奧特曼口中的「quasar」也終于得到了確認——就是GPT-4.1！

而隨著能力更強、成本延遲更低的GPT-4.1的推出，一直以來都飽受爭議的GPT?4.5 Preview也將在3個月后（7月14日）從API中下架。

對此OpenAI表示，GPT?4.5原本就是作為研究預覽版推出的，目的是探索和實驗一個大規模、計算密集型的LLM。

雖然模型即將停用，但OpenAI會把開發者喜愛的創造力、寫作質量、幽默感等特點，繼續融入未來的API模型中。

01

現場Demo實測

首先，當然就是編程能力。

在這個demo中，研究者要求GPT-4.1做一個在線抽認卡網頁應用，提出了許多相當具體的要求。比如點擊抽認卡時，要出現3D動畫。

對于這個任務，GPT-4o完成得是這樣的。

相比之下，GPT-4.1就完成得十分流暢了，無論是在顏色，還是在3D動畫上。

注意，從頭到尾，只需要一個prompt，就能得到一個完整的應用程序！

下面是一個OpenAI的Playground，在演示中，研究者要求GPT-4.1生成一個單一的Python文件代碼應用，在右側模擬用戶查詢，這個網站可以接收大型文本文件、回答相關問題。

可以看到，模型產生了數百行代碼。研究者將這些代碼實際運行后，發現效果出人意料的好。

僅僅一個提示，它就創建了這個網站。

接下來，是大海撈針的展示。

研究者上傳了文件——NASA自1995年8月以來的服務器請求響應日志文件，在這個文件中，左側是向NASA服務器發出請求的客戶端名稱，這是一個包含大量日志行的長文件，左側大概有450000個token的內容。

在OpenAI以前的模型上，是不可能使用這個文件的。

這里，研究者偷偷添加了一行實際上不是HTTP請求響應的內容，這支堆棧中的小「針」，很難發覺。

最終，GPT-4.1成功了！

研究者經過確認，這一行的確在他們上傳的日志文件中。

OpenAI特意強調，在實踐中非常重要的一點，就是API開發者是如何提示模型的。

在這個任務中，GPT-4.1的任務是日志分析員助手。研究者告訴它輸入的數據以及用戶的查詢該如何構建。

接下來還有一些規則，比如模型只用回答日志數據內容相關的問題，問題應該始終在查詢標簽內格式化，如果其中一項不真實請回復錯誤消息等等。

接下來，就是GPT-4.1展示的時候了。

研究者詢問：fnal.gov發出了多少請求？模型拒絕了，因為它沒有在查詢標簽內格式化。

而如果在查詢標簽內發出同樣的請求，它就可以找到日志文件中的兩個引用了。

這樣，開發者就可以明確讓模型做到「不做某事」，這是開發過程中一個極其有意義的關鍵細節——遵循負面指令。

02

定價

價格方面，GPT?4.1雖然比GPT?4o便宜了26%，但輸入、輸出依然高達每百萬token 2美元和8美元。

GPT?4.1 nano是OpenAI迄今為止價格最低、速度最快的模型，輸入、輸出分別為0.1美元和0.4美元。

對于重復使用相同上下文的查詢，這些新模型的提示詞緩存折扣已從之前的50%提高至75%。

最后，長上下文請求已包含在標準的按Token計費內，無額外費用。

03

編程：OpenAI最強模型誕生

相對GPT-4o、o1、o3-mini等模型，GPT-4.1在編程上都提升了一大截。

在各種編程任務上明顯比GPT-4o強得多，比如用智能體解決編程問題、前端開發、減少不必要的代碼修改、嚴格跟隨不同的格式、保持工具使用的一致性等等。

在SWE-bench Verified這個反映真實軟件工程能力的測試中，GPT-4.1完成了54.6%的任務，而GPT-4o（2024-11-20）只有33.2%。

這說明GPT-4.1在瀏覽代碼庫、完成任務以及生成既能運行又能通過測試的代碼方面有了很大提升。

對于SWE-bench Verified，模型會接收一個代碼倉庫和問題描述，并需要生成一個補丁來解決該問題。其性能高度依賴于所使用的提示詞和工具

對于希望編輯大型文件的API開發者而言，GPT-4.1在處理各種格式的代碼差異（code diffs）時，可靠性要高得多。

Aider多語言差異基準測試?，不僅衡量了模型跨多種編程語言的編碼能力，也衡量了其以完整文件格式和不同格式生成代碼變更的能力。

在這里，GPT?4.1的得分是GPT?4o的2倍以上，甚至比GPT?4.5高出8%。

如此一來，開發者便無需重寫整個文件，而是讓模型輸出變更的行即可，從而大幅節省成本并降低延遲。

對于傾向于重寫整個文件的開發者，GPT?4.1的輸出Token上限也提高到了32,768個Token（GPT?4o為16,384個）。其中，可以使用Predicted Outputs功能來降低完整文件重寫的延遲。

在Aider的多語言基準測試中，模型通過編輯源文件的方式解決來自Exercism?的編碼練習，并允許一次重試。「whole」格式要求模型重寫整個文件，這可能速度較慢且成本較高。「diff」格式則要求模型編寫一系列搜索/替換塊

此外，GPT?4.1在前端編碼方面相較于GPT?4o也有顯著改進，能夠創建出功能更完善、視覺上更美觀的Web應用。

在直接對比評估中，人類評委有80%的情況更傾向于選擇GPT?4.1生成的網站，而非GPT?4o。

04

指令跟隨：現已進入第一梯隊

在指令跟隨方面，OpenAI特地開發了一套內部的評估體系，用以追蹤模型在多個維度及以下幾個關鍵指令跟隨類別上的表現：

• 格式跟隨（Format following）：按要求的自定義格式（如XML、YAML、Markdown等）生成響應。

• 否定性指令（Negative instructions）：避免執行特定行為。（示例：「不要讓用戶聯系支持人員」）

• 有序指令（Ordered instructions）：按給定順序執行一系列操作。（示例：「先詢問用戶姓名，再詢問其郵箱地址」）

• 內容要求（Content requirements）：確保輸出內容包含特定信息。（示例：「撰寫營養計劃時，必須包含蛋白質克數」）

• 排序（Ranking）：按特定方式排列輸出內容。（示例：「按人口數量對結果進行排序」）

• 識別知識邊界（Overconfidence）：在無法獲取所請求信息或請求超出指定范疇時，回答「我不知道」或類似表述。（示例：「如果你不知道答案，請提供支持團隊的聯系郵箱」）

這些類別是基于開發者反饋確定的，反映了他們認為最為相關且重要的指令跟隨維度。其中，每個類別都將提示詞按難度分為了簡單、中等和困難三類。

在處理困難提示詞方面，GPT-4o和GPT-4o mini只有不到30%的正確率，而新系列中最小的nano都達到了32%。

與此同時，GPT-4.1則達到了49%，幾乎追平了o1和o3-mini，但和GPT-4.5還有一段距離。

內部指令跟隨能力評估是基于真實的開發者用例和反饋，涵蓋了不同復雜程度的任務，并結合了關于格式、詳細程度、長度等方面的指令要求

對許多開發者而言，多輪指令跟隨至關重要，這意味著模型需要在對話深入時保持連貫性，并記住用戶先前告知的信息。

而GPT-4.1能夠更好地從對話歷史消息中提取信息，從而實現更自然的交互。

在Scale AI推出的MultiChallenge基準測試中，GPT?4.1雖然不及o1和GPT-4.5，但已經可以追上o3-mini，并且比GPT?4o提升了10.5%之多。

在MultiChallenge基準測試中，模型面臨的挑戰是在多輪對話里，能夠正確使用來自先前消息（對話上文）的四種類型的信息

此外，GPT?4.1在IFEval上的得分為87.4%，而GPT?4o為81.0%。IFEval使用包含可驗證指令的提示詞（例如，指定內容長度或避免使用特定術語/格式）。

在IFEval中，模型必須生成符合各種指令的答案

更強的指令跟隨能力不僅能提升現有應用的可靠性，也能實現過去因模型可靠性不足而難以實現的新應用。

早期測試人員反饋，GPT?4.1可能更傾向于跟隨字面指令，因此OpenAI建議在設計提示詞時力求明確和具體。

05

長上下文：大海撈針直接滿分

長上下文理解能力是法律、編碼、客戶支持及諸多其他領域應用的一項關鍵能力。

GPT?4.1、GPT?4.1 mini和GPT?4.1 nano不僅可處理最多100萬Token的上下文，而且能夠可靠地處理其中的內容，并忽略干擾信息。

100萬Token是什么概念？類比來說，其包含的內容量可以達到整個React代碼庫8倍以上！

比起GPT?4o的12.8萬Token，可以說是提升十分巨大了。

下面，演示了GPT?4.1在上下文窗口不同位置檢索隱藏的小段信息（即「針」）的能力。

在長達100萬 Token的各種上下文長度和所有位置點上，GPT?4.1都能持續準確地檢索到「針」。這意味著它能有效提取當前任務所需的相關細節，無論這些細節位于輸入的哪個部分。

不過，現實世界的任務很少像檢索單個、明顯的「針」那樣簡單直接。

在「大海撈針」（Needle in a Haystack）評估中，GPT?4.1、GPT?4.1 mini和GPT?4.1 nano均能在長達100萬Token的上下文中的所有位置成功檢索到「針」。

OpenAI-MRCR

在實際應用時，用戶通常需要模型能夠檢索并理解多條信息，并且理解這些信息片段之間的相互關聯。

為此，OpenAI開源了一項測試模型在長上下文中查找并區分多個隱藏「針」的新基準：OpenAI-MRCR（Multi-Round Coreference）。

該評估包含用戶與助手之間的多輪合成對話，在對話中用戶要求模型就某個主題進行創作，例如「寫一首關于貘的詩」或「寫一篇關于石頭的博客文章」。

接著，在上下文中隨機插入2個、4個或8個內容相似但實例不同的請求。

模型必須準確檢索出與用戶指定的某一特定實例相對應的響應（例如，「請給我第三首關于貘的詩」）。

這項任務的挑戰在于，這些相似請求與上下文的其他部分非常接近——模型很容易被細微差異誤導，比如將關于貘的短篇故事誤認為詩歌，或將關于青蛙的詩歌誤認為關于貘的詩歌。

當上下文達到GPT?4o極限的12.8萬Token時，GPT?4.1的表現明顯更優；即使上下文長度擴展到100萬Token，它依然能保持強勁的性能。

在OpenAI-MRCR中，模型必須回答一個問題，該問題涉及在分散注意力的內容中區分2、4或8個用戶提示

Graphwalks

Graphwalks是一個用于評估多跳長上下文推理的數據集。

許多面向開發者的長上下文用例需要在上下文中進行多次邏輯跳躍，例如在編寫代碼時在多個文件之間切換，或在回答復雜的法律問題時進行文檔的交叉引用。

模型（甚至人類）理論上可以通過單次遍歷或通讀上下文來解決OpenAI-MRCR問題，但Graphwalks的設計旨在要求跨上下文多個位置進行推理，并且無法通過順序處理來解決。

Graphwalks用一個由十六進制哈希值組成的有向圖填充上下文窗口，然后要求模型從圖中的一個隨機節點開始執行廣度優先搜索（BFS）。接著，要求模型返回特定深度的所有節點。

GPT?4.1在此基準測試中達到了61.7%的準確率，與o1的性能持平，并輕松擊敗了GPT?4o。

在Graphwalks中，要求模型從一個大型圖中的隨機節點進行廣度優先搜索

06

視覺：圖像理解超越GPT-4o稱霸

GPT?4.1系列在圖像理解方面能力極強，特別是GPT?4.1 mini實現了顯著飛躍，在圖像基準測試中其表現常常優于GPT?4o。

在MMMU基準測試中，模型需回答包含圖表、示意圖、地圖等內容的問題

在MathVista?基準測試中，模型需解決視覺數學任務

在CharXiv-Reasoning基準測試中，模型需回答關于科學論文中圖表的問題

長上下文處理能力對于多模態用例（例如處理長視頻）也至關重要。

在Video-MME（長視頻，無字幕）基準測試中，模型需要根據時長30-60分鐘且無字幕的視頻來回答多項選擇題。

這里，GPT?4.1再次達到了SOTA——得分72.0%，高于GPT?4o的65.3%。

在Video-MME中，模型根據30-60分鐘長且無字幕的視頻回答多項選擇題

07

完整結果

下文完整列出了在學術、編程、指令跟隨、長上下文、視覺及函數調用評估中的結果。

學術知識

編程

指令跟隨

長上下文

視覺

函數調用

08

華人領隊

Jiahui Yu

Jiahui Yu目前負責感知（Perception）團隊，研究領域是深度學習和高性能計算。

GPT-4o發布時，他就是關鍵成員之一。

此前，他曾在Google DeepMind共同負責Gemini多模態項目。

他在微軟亞研院、曠視科技、Adobe Research、Snap Research、Jump Trading、百度研究院、Nvidia Research和Google Brain都有過實習經歷。

他在中國科技大學少年班獲得計算機學士學位。在伊利諾伊大學香檳分校獲得博士學位。

參考資料：

https://openai.com/index/gpt-4-1/

https://x.com/OpenAI