OpenAI 发 GPT-4.1：性能暴涨，支持 100 万 tokens 上下文

今天凌晨 1 点，OpenAI 进行了技术直播发布了最新模型——GPT-4.1。除了 GPT-4.1 之外，还有 GPT 4.1-Mini 和 GPT 4.1-Nano 两款模型，在多模态处理、代码能力、指令遵循、成本方面实现大幅度提升。特别是支持 100 万 token 上下文，这对于金融分析、小说写作、教育等领域帮助巨大。

由于 GPT-4.1 的发布，OpenAI 宣布将会淘汰刚发布不久的 GPT-4.5，其能力可见一斑。

目前，如果想体验 GPT-4.1 而无法通过 API 身份验证的小伙伴，微软已经在 Azure OpenAI 上线了该模型，可以使用了。

GPT-4.1 简单介绍

GPT-4.1 最大亮点之一就是支持 100 万 tokens 上下文，这也是 OpenAI 首次发布长窗口模型。

与前代模型相比，GPT-4.1、GPT-4.1 Mini 和 GPT-4.1 Nano 能够处理多达 100 万 tokens 的上下文，是 GPT-4o 的 8 倍。

OpenAI 在 Long Context Evals 上对长文本进行了测试，测试结果显示，GPT-4.1 系列的三个模型均能够在语料库的任何深度找到目标文本，无论是开头、中间还是结尾，甚至在长达 100 万 tokens 的上下文中，模型依然能够准确地定位目标文本。

OpenAI 还在 Multi-Round Coreference 进行了测试，通过创建合成对话来测试模型在长上下文中的理解和推理能力。在这些对话中，用户和助手交替进行对话，用户可能会要求模型生成一首关于某个主题的诗，接着要求生成另一首关于不同主题的诗，然后可能要求生成一个关于第三个主题的短故事。模型需要在这些复杂的对话中找到特定的内容，例如“第二篇关于某个主题的短故事”。

测试结果显示，GPT-4.1 在处理长达 128K tokens 的数据时显著优于 GPT-4o，并且在长达 100 万 tokens 的上下文中依然能够保持较高的性能。

在编码能力测试中，SWEBench 评估将模型置于 Python 代码库环境，让其探索代码库、编写代码和测试用例。结果显示，GPT-4.1 的准确率达到 55%，而 GPT-4o 仅为 33%。

在多语言编码能力测试方面，Ader polyglot 基准测试涵盖多种编程语言和不同格式要求。GPT-4.1 在差异性能上较 GPT-4o 提升一倍，在处理多语言编程任务、代码优化和版本管理时更高效。

在指令遵循能力测试中，OpenAI 构建内部评估体系，模拟 API 开发者使用场景，测试模型对复杂指令的遵循能力。每个样本包含分属不同类别的复杂指令，并分难度等级。在困难子集评估中，GPT-4.1 远超 GPT-4o。

在多模态处理测试的视频 MME 基准测试中，GPT 4.1 对 30 - 60 分钟无字幕视频进行理解并回答多项选择题，取得 72% 的成绩，达到当前最佳水平，在视频内容理解上实现重大突破。

价格方面，GPT -4.1 系列在性能提升的同时，价格更具竞争力。GPT -4.1 相比 GPT-4o 价格降低 26%，而 GPT -4.1 Nano 作为最小、最快且最便宜的模型，每百万 token 的成本仅为 12 美分。

实际应用 GPT-4.1 案例

汤森路透是全球领先的金融和法律信息提供商，其专业级 AI 助手 CoCounsel 被广泛应用于法律工作。

CoCounsel 的主要任务是帮助法律专业人士处理复杂的法律文件和工作流程。在测试 GPT-4.1 时，路透社发现该模型在多文档审查方面表现出色，尤其是在处理涉及多个长文档的复杂法律工作流程时。

与 GPT-4o 相比，GPT-4.1 在内部长上下文基准测试中的多文档审查准确性提高了 17%。这一提升对于法律专业人士来说至关重要，因为它直接关系到 CoCounsel 处理复杂法律工作流程的能力。

法律文件通常包含多个长文档，这些文档之间可能存在复杂的相互关系，例如冲突条款或补充上下文。GPT-4.1 在这些方面表现出了极高的可靠性，能够准确识别文档之间的细微关系，这对于法律分析和决策至关重要。

而在处理多个法律文件时，GPT-4.1 能够有效地维护跨文档的上下文信息，并准确识别出文档之间的冲突条款或补充信息。这

Carlyle 是一家全球领先的私募股权投资公司，其业务涉及大量的金融数据分析和文档处理。Carlyle 使用 GPT-4.1 来从多个长文档中准确提取颗粒化的金融数据，这些文档包括 PDF 文件、Excel 表格和其他复杂格式。

Carlyle 的内部评估显示，GPT-4.1 在从大型文档中检索数据方面的表现比其他可用模型高出 50%。

GPT-4.1 在处理非常大的文档时表现出色，尤其是在密集数据的检索方面。该模型成功克服了其他模型的关键限制，包括检索问题、中间位置丢失信息的错误以及跨文档的多跳推理。

这些能力使得 GPT-4.1 能够更高效地从复杂的金融文档中提取关键信息，为 Carlyle 的分析师提供了更准确、更全面的数据支持。

Windsurf 是一家专注于提供高效开发工具的公司，其内部编码基准测试为评估 AI 模型在实际开发中的表现提供了一个重要的参考。在对 GPT-4.1 进行测试时，Windsurf 发现该模型在编码任务中的表现比前代 GPT-4o 有了显著提升：GPT-4.1 在 Windsurf 的内部编码基准测试中得分比 GPT-4o 高出 60%。

Windsurf 的用户反馈显示，GPT-4.1 在工具调用方面比 GPT-4o 更高效，效率提升了 30%。GPT-4.1 在编码过程中重复进行不必要的编辑或过度细化的步骤的可能性比 GPT-4o 降低了约 50%。