OpenAI又放了个大招——全新的GPT-4.1系列模型正式通过API登场，包括GPT-4.1、GPT-4.1 mini和GPT-4.1 nano三款新成员。其中nano是OpenAI迄今最快、最便宜的模型，虽然小巧，但能力不俗（MMLU 80.1%, GPQA 50.3%），同样拥有100万Token上下文，非常适合低延迟场景。目前这一系列仅通过API提供。
简单来说，这次更新的核心就是：代码能力大幅提升、指令遵循显著改进、成本极其便宜！
划重点
全面超越前辈：官方表示，新模型在各项能力上普遍优于之前的GPT-4o和GPT-4o mini。无论你需要多快的响应速度，这个新系列总能提供一个比以往模型在同等速度下性能更好的选择。需要极低延迟的，用Nano——它比之前的低延迟模型性能更好；需要中等平衡的，用Mini——它提供了新的更优平衡点；需要最高性能的，用GPT-4.1——它在可接受延迟下性能更强。
编程能力大幅跃升：在衡量真实世界软件工程任务的SWE-bench Verified基准上，GPT-4.1得分54.6%，比GPT-4o绝对提升了21.4%，甚至比GPT-4.5还高了26.6%。妥妥的编码利器。GPT-4.1在前端编码方面也比GPT-4o显著提升，能够创建功能更强大、更美观的Web应用。例如，让4.1制作一个单词卡web应用，效果立竿见影。
指令遵循更可靠：在评估复杂指令遵循能力的Scale's MultiChallenge基准上，GPT-4.1得分38.3%，比GPT-4o绝对提升10.5%。这意味着它更能理解并执行复杂要求，尤其在多轮对话中能更好地追踪上下文信息。IFEval得分也从81.0%提升到87.4%（模型必须生成符合各种指令的答案）。OpenAI内部开发的困难提示遵循评估也有显著改善。
百万级Token上下文窗口：全系列（包括mini和nano）都支持高达100万Token的上下文窗口（之前GPT-4o是12.8万）。处理超长文档、代码库不再是难题。而且，不只是简单加长，长文本理解能力也同步增强——“大海捞针”测试在100万Token范围内各位置都能精准找回信息。
视觉理解新SOTA：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MMMU中，模型可以回答包含图表、示意图、地图等复杂图像的问题；数学视觉任务也很强大；解决科学论文中的图表能力表现优异。在Video-MME（无字幕长视频理解）基准上，GPT-4.1取得了72.0%的成绩，比GPT-4o提升了6.7%，创下新纪录。
知识更新：知识库截止日期更新到了2024年6月。
使用成本
| 模型 | 输入 (每百万Token) | 缓存输入 (每百万Token) | 输出 (每百万Token) | 混合定价* (每百万Token) |
| gpt-4.1 | $2.00 | $0.50 | $8.00 | $1.84 |
| gpt-4.1-mini | $0.40 | $0.10 | $1.60 | $0.42 |
| gpt-4.1-nano | $0.10 | $0.025 | $0.40 | $0.12 |
Nano已经比deepseek R1的价格还要便宜了。
*基于典型输入/输出和缓存比例估算。
- • GPT-4.1比GPT-4o中位数查询便宜26%
- • Nano模型价格极具竞争力
- • 重复上下文的提示缓存（Prompt Caching）折扣提高到75%（原为50%）
- • 长上下文请求不额外收费
- • Batch API调用还有额外**50%**的折扣
一些细节
代码 (Coding)
除了SWE-bench，在Aider的polyglot diff基准上，GPT-4.1分数是GPT-4o的两倍多，甚至比GPT-4.5高8%，尤其擅长生成可靠的代码差异（diff format），节省token和延迟。前端代码生成能力显著增强，80%的情况下人类评分员更喜欢GPT-4.1生成的网站。更少出现无关代码编辑（内部评估从9%降至2%）。
真实案例：Windsurf测试中得分比GPT-4o高60%；Qodo代码评审测试中55%情况下优于其他模型。
指令遵循 (Instruction Following)
在格式遵循（XML, YAML等）、否定指令、顺序指令、内容要求、排序、避免过度自信等方面都有改进，尤其擅长处理困难提示。多轮对话能力增强，能更好地利用历史信息。
注意：模型可能更“字面化”理解指令，建议提示词写得更明确、具体。
真实案例：Blue J税务场景准确率提升53%；Hex SQL生成改进近2倍，减少手动调试。
长上下文 (Long Context)
100万Token相当于8倍React完整代码库的大小。不仅能“大海捞针”，还能处理更复杂的长文本任务。OpenAI开源了两个新评测集：OpenAI-MRCR（多轮指代消解，测试在长文本中区分多个相似信息点的能力）和Graphwalks（多跳推理，模拟代码库跳转或文档交叉引用）。GPT-4.1在这些任务上表现优异。
真实案例：Thomson Reuters在CoCounsel法律助手中，多文档审阅准确率提升17%；Carlyle在处理复杂金融文档（PDF, Excel）时，检索性能提升50%，克服了以往模型的局限。
延迟：GPT-4.1在12.8万Token输入时，首个Token响应时间（p95）约15秒，百万Token时可能达半分钟；Nano在12.8万输入时，通常5秒内返回首个Token。
写在最后
OpenAI把4.1模型比作类星体，不得不说，这炒作能力还是很高的。
另外，ChatGPT中的GPT-4o会逐步融合这些改进，但不是直接升级到GPT-4.1。
GPT-4.5 Preview即将下线：由于GPT-4.1在性能、成本、延迟上更有优势，GPT-4.5 Preview（作为研究预览版发布）将在2025年7月14日正式关闭，开发者有三个月过渡时间。OpenAI表示会将其优点（创意、写作质量等）融入未来的API模型。
可以说，4.1这个模型更多是在工程能力的细节处进行了非常扎实的改进。