OpenAI發佈GPT-4.1系列模型，超越前輩4o，但未超越競爭對手

GPT-4.1 來了。

香港時間4 月 15 號淩晨，OpenAI 直播發佈了名為 GPT-4.1 的多模態系列模型。

它有三個版本：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。其中 mini 和 nano 的效率更高、速度更快、成本更低，但犧牲了準確性。

圖 

| GPT-4.1 與 GPT-4o 系列對比（來源：OpenAI）

OpenAI 表示，「它們編碼和指令遵循方面取得了重大進展。完整的GPT-4.1 模型在幾乎所有維度上均優於 GPT-4o 系列模型。」

僅從基準測試成績來看，GPT-4.1 的紙面性能雖然比自家前輩有所提升，但如果跟Google、Anthropic 等競爭對手的旗艦模型相比，還是有一定的差距。

看來想要完全超越競爭對手，OpenAI 只能盡快拿出 o3 完全體了。

圖 

| GPT-4.1 與其他模型的 SWE Bench Verified 成績對比（來源：evalarena.ai）

值得注意的是，GPT-4.1 系列模型目前只能通過 OpenAI 的 API 獲取，無法在 ChatGPT 上使用。

與此同時OpenAI 還宣佈，將很快停止通過 API 提供其有史以來最大的 AI 模型 GPT-4.5。該模型是今年 2 月剛剛發佈的，其運行成本十分昂貴，API 定價也高達每百萬輸入 75 美元，每百萬輸出 150 美元。

今年7 月 14 日之後，API 開發者必須將 GPT-4.5 服務轉移到 OpenAI 的其他模型，首選替代方案是 GPT-4.1。這暫時不會影響通過 ChatGPT 使用 GPT-4.5。

GPT-4.1 系列模型的上下文窗口提高到了 100 萬 token（包含文本、圖像或影片的組合），這意味著它們可以一次性輸入大約 75 萬個單詞。此前的 GPT-4o 最多支持 12.8 萬 token。

但OpenAI 也承認，GPT-4.1 處理的輸入 token 越多，可靠性就越低，更容易出錯。

在該公司自己的測試OpenAI-MRCR 中，隨著 token 的數量從 8000 增長到 100 萬，模型的準確率從 84% 左右下降到了不足 50%。該公司表示，GPT-4.1 也比 GPT-4o 更「直接」，有時需要更具體、更明確的提示。

圖 

| GPT-4.1 系列模型定價（來源：OpenAI）

定價方面，GPT-4.1 每百萬輸入 token 成本為 2 美元，每百萬輸出 token 成本為 8 美元。GPT-4.1 mini 每百萬輸入 token 成本為 0.4 美元，每百萬輸出 token 成本為 1.6 美元；GPT-4.1 nano 每百萬輸入 token 成本為 0.1 美元，每百萬輸出 token 成本為 0.4 美元。

綜合來看，GPT-4.1 的成本比 GPT-4o 低 26%。同時，OpenAI 還將新模型的即時緩存摺扣輸入提高到了 75%（之前為 50%）。

性能方面，GPT-4.1 可以一次性生成比 GPT-4o 更多的 token（最多 32768 個 token），在最受程序員關心的 SWE-bench Verified 上的得分在 52% 到 54.6% 之間。這個成績低於Google Gemini 2.5 Pro 的 63.8% 和 Anthropic Claude 3.7 Sonnet 的 62.3%。

對於需要編輯大型文件的API 開發者來說，GPT-4.1 在跨多種格式的代碼差異分析方面更加可靠。在 Aider 的多語言差異基準測試中，GPT-4.1 的得分是 GPT-4o 的兩倍多，甚至比 GPT-4.5 還高出 8%。

「我們專門訓練了GPT-4.1，使其能夠更可靠地遵循差異格式，這使得開發人員只需讓模型輸出更改的行，而無需重寫整個文件，從而節省成本和延遲。」OpenAI 寫道。

圖 

| 多模態性能對比（來源：OpenAI）

這一點在指令遵循上也有所體現。

OpenAI 在博客中介紹稱，GPT-4.1 能更可靠地遵循指令，並且「已經在各種指令遵循評估中測量到了顯著的改進」。

OpenAI 開發了一個內部教學跟蹤評估系統，以跟蹤模型在多個維度和幾個關鍵教學跟蹤類別中的表現，包括格式遵循、避免負面指示、有序遵循指令、遵守內容要求、排序和過度自信。

這些類別是根據開發人員的反饋得出的，這些反饋是關於哪些指令遵循方面對他們來說最相關且最重要。在每個類別中，OpenAI 將其分為簡單、中等和困難提示。GPT-4.1 在困難提示方面的表現尤其優於 GPT-4o。

圖 

| OpenAI 內部指令遵循測試結果（來源：OpenAI）

多輪指令遵循對許多開發者來說至關重要。對於模型而言，在對話中保持連貫性並跟蹤用戶之前輸入的內容至關重要。

「我們已經訓練了GPT-4.1，使其能夠更好地從對話中的過往消息中識別信息，從而實現更自然的對話。Scale 的 MultiChallenge 基準測試是衡量這一能力的有效指標，GPT-4.1 的表現比 GPT-4o 提高了 10.5%。」OpenAI 表示。

GPT-4.1 在前端編碼方面也比 GPT-4o 有了顯著提升，能夠創建功能更強大、更美觀的 Web 應用。在 OpenAI 的評估中，相比 GPT-4o，測試人員更喜歡 GPT-4.1 創建的網站。

在另一項評估中，OpenAI 使用 Video-MME 測試了 GPT-4.1，該模型旨在衡量模型「理解」影片內容的能力。

OpenAI 聲稱，GPT-4.1 在「長篇無字幕」影片類別中達到了72% 的最高準確率，高於 GPT-4o 的 65.3%。

圖 

| 影片長內容測試成績（來源：OpenAI）

在衡量真實世界軟件工程技能的SWE-bench Verified 測試中，GPT-4.1 完成了 54.6% 的任務，而 GPT-4o（2024-11-20）的完成率為 33.2%。這反映了模型在探索代碼庫、完成任務以及生成可運行並通過測試的代碼方面的能力有所提升。

OpenAI 還表示，除了上述基準測試之外，GPT-4.1 在遵循代碼格式方面表現更佳，可靠性更高，並且減少了無關編輯的頻率。在內部評估中，代碼中的無關編輯從 GPT-4o 的 9% 下降到了 GPT-4.1 的 2%。

圖 

| SWE-bench Verified 測試成績（來源：OpenAI）

此外，根據OpenAI 不久前發佈的更新日誌，OpenAI 將很快從 ChatGPT 中淘汰其兩年多前推出的 AI 模型 GPT-4。

OpenAI 表示，自今年 4 月 30 日起，GPT-4 將被 ChatGPT 當前的預設模型 GPT-4o 完全取代。如有需要，GPT-4 仍可通過 OpenAI 的 API 訪問。

GPT-4o 最初於 2024 年 5 月作為旗艦模型推出，可實時推理音頻、視覺和文本。

OpenAI 在更新日誌中寫道：「在針對性評估中，GPT-4o 在寫作、編碼、STEM 等方面始終超越 GPT-4。最近的升級進一步提高了 GPT-4o 的指令遵循、問題解決和對話流程，使其成為 GPT-4 的自然繼承者。」

GPT-4 於 2023 年 3 月推出，適用於 ChatGPT 和微軟的 Copilot 聊天機器人，具備多模態功能，能夠同時理解圖像和文本，是廣泛部署的 OpenAI 模型的首個版本。

如今，隨著OpenAI 剛剛發佈的 GPT-4.1 系列模型，以及傳聞中待發佈的 o3 和 o4-mini 推理模型，GPT-4 的正式退休也在情理之中。

不過，如今OpenAI 面對的競爭壓力遠遠大於 GPT-4 初亮相的時候。在 Gemini 2.5 Pro、Claude 3.7 Sonnet 和 DeepSeek 的夾擊之下，新 GPT 和 o 系列模型任重而道遠。

參考資料：

https://openai.com/index/gpt-4-1/ 

https://techcrunch.com/2025/04/14/openai-plans-to-wind-down-gpt-4-5-its-largest-ever-ai-model-in-its-api/

https://techcrunch.com/2025/04/14/openais-new-gpt-4-1-models-focus-on-coding/