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

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%。