OpenAI 发布了三款全新的 AI 模型：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。这些新模型在多个方面超越了其前任——GPT-4o 系列，尤其在编程、指令执行和长文本理解上取得了显著进展。新一代的 GPT-4.1 系列不仅提供了更强的性能，还对成本和延迟进行了优化，进一步推动了 AI 技术在实际应用中的普及与落地。
GPT-4.1 系列在多个领域的性能提升，意味着它已成为更加适合真实世界任务的工具，尤其是在以下几个关键领域：
编程能力：GPT-4.1 在 SWE-bench Verified 基准测试中的得分达到了 54.6%，相比 GPT-4o 提升了 21.4%，超过 GPT-4.5 则提高了 26.6%。这一成绩使其成为目前编程领域的领先 AI 模型，特别适用于需要高精度代码生成和错误修正的场景。
指令执行能力：在 Scale 的 MultiChallenge 基准测试中，GPT-4.1 的得分为 38.3%，较 GPT-4o 提高了 10.5%。这一改进意味着 GPT-4.1 在理解和执行复杂指令上的能力得到了显著增强，能够更好地处理多样化的任务需求。
长文本理解：GPT-4.1 在 Video-MME 基准测试中表现出色，在“长无字幕”类别中取得了 72.0% 的得分，较 GPT-4o 提高了 6.7%。这一进步表明，GPT-4.1 在理解长文本内容方面具有更高的精确度，特别是在需要理解多重上下文信息的任务中表现尤为突出。
根据不同的应用场景，GPT-4.1 系列还推出了适用于不同任务需求的变种模型，进一步提升了 AI 在低延迟、高性能任务中的表现：
GPT-4.1 mini：GPT-4.1 mini 相比 GPT-4o 在多个基准测试中表现优异，同时将延迟减少了近 50%， 成本降低了 83%。它不仅保持了和 GPT-4o 相当的智能水平，还提供了更低的响应时间和更高的性价比，特别适合需要快速响应的任务，如实时数据处理和低延迟计算任务。
GPT-4.1 nano：作为最小的模型，GPT-4.1 nano 是专为低延迟和低成本需求设计的 AI 模型。它在 MMLU 上得分 80.1%，在 GPQA 上得分 50.3%，在 Aider polyglot coding 上得分 9.8%，这些成绩均优于GPT-4o mini。GPT-4.1 nano适用于分类、自动补全等任务，尤其是在计算资源有限的环境中，它依然能够提供卓越的性能。
GPT-4.1 系列的升级不仅在各类基准测试中表现卓越，更在实际应用中展现了强大的潜力。尤其是在智能代理系统的领域，GPT-4.1 的改进使其成为一个理想选择。智能代理可以独立执行任务，如从大文档中提取信息、处理客户请求、自动化软件工程等，这些功能的提升得益于 GPT-4.1 在指令理解和长文本处理上的强大能力。
开发者可以通过 Responses API 等工具，构建更加高效和可靠的代理系统，使其在复杂环境中也能独立完成任务，降低了人力干预的需求，并提高了工作效率。
随着 GPT-4.1 系列的发布，GPT-4.5 Preview 将在 2025 年 7 月 14 日正式停用。GPT-4.5 曾作为一款研究预览版，探索大规模计算模型的潜力，但随着 GPT-4.1 的推出，它在性能、成本和延迟方面的优势使得 GPT-4.5 不再适合持续使用。GPT-4.5 在创作、写作质量、幽默感等方面的创新，将继续融入到未来的 API 模型中，以确保这些独特的特点不被遗失。
GPT-4.1 系列不仅提供了强大的性能优势，还通过优化延迟和降低成本，显著提升了 AI 模型的适用性。随着 GPT-4.1 系列的全面应用，开发者将能在多种任务场景中获得更高效、更智能的解决方案。
GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 能够处理最多 100 万个 tokens 的上下文——相比于之前的 GPT-4o 模型的 128,000 个 tokens，提升了很多。100 万个 tokens 相当于超过 8 份完整的 React 代码库，因此长上下文特别适合处理大型代码库或大量长文档。
目前 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 已向所有开发人员推出。
GPT-4.1 输入/输出费用为每百万 token 2 美元和 8 美元，较 GPT-4o 便宜 26%。提示词缓存折扣提高至 75%，长上下文无额外费用。
大模型从理论到应用开发
必读这三本！
《大模型技术30讲》
塞巴斯蒂安·拉施卡｜著
叶文滔 ｜ 译
GitHub 项目 LLMs-from-scratch（star数44k）作者、大模型独角兽公司 Lightning AI 工程师倾力打造，全书采用独特的一问一答式风格，探讨了当今机器学习和人工智能领域中最重要的 30 个问题，旨在帮助读者了解最新的技术进展。
内容共分为五个部分：神经网络与深度学习、计算机视觉、自然语言处理、生产与部署、预测性能与模型评测。每一章都围绕一个问题展开，不仅针对问题做出了相应的解释，并配有若干图表，还给出了练习供读者检验自身是否已理解所学内容。
《从零构建大模型》
塞巴斯蒂安·拉施卡｜著
覃立波，冯骁骋，刘乾 ｜ 译
全网疯传的大模型教程，由畅销书作家塞巴斯蒂安•拉施卡撰写，通过清晰的文字、图表和实例，逐步指导读者创建自己的大模型。
在本书中，读者将学习如何规划和编写大模型的各个组成部分、为大模型训练准备适当的数据集、进行通用语料库的预训练，以及定制特定任务的微调。此外，本书还将探讨如何利用人工反馈确保大模型遵循指令，以及如何将预训练权重加载到大模型中。还有惊喜彩蛋 DeepSeek，作者深入解析构建与优化推理模型的方法和策略。
《大模型应用开发极简入门：基于GPT-4和ChatGPT（第2版）》
奥利维耶·卡埃朗，[法] 玛丽–艾丽斯·布莱特 | 著
何文斯 | 译
深受读者喜爱的大模型应用开发图书升级版，作者为初学者提供了一份清晰、全面的“最小可用知识”，带领你快速了解 GPT-4 和 ChatGPT 的工作原理及优势，并在此基础上使用流行的 Python 编程语言构建大模型应用。
升级版在旧版的基础上进行了全面更新，融入了大模型应用开发的最新进展，比如 RAG、GPT-4 新特性的应用解析等。随书赠 DeepSeek × Dify 应用开发案例，书中还提供了大量简单易学的示例，帮你理解相关概念并将其应用在自己的项目中。
扫一扫
12
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
