作者丨洪雨欣、梁丙鑑
編輯丨陳彩嫻
就在今天，OpenAI API 中推出了三個新模型：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。這些模型的效能全面超越 GPT-4o 和 GPT-4o mini，在編碼和指令跟蹤方面均有顯著提升。除此之外，它們還擁有更大的上下文視窗，支援多達 100 萬個上下文tokens。
GPT-4.1 在 SWE-bench Verified 上的得分為 54.6% ，比 GPT-4o提高了21.4% ，比 GPT-4.5 提高了 26.6%，使其成為領先的編碼模型。
在衡量指令遵循能力的標準當中，GPT-4.1 得分為 38.3%，比 GPT-4o 提高了10.5%。
在 Video-MME 多模態長上下文理解的基準中，GPT-4.1 創造了新的先進成果——在長篇無字幕類別中得分為 72.0%，比 GPT-4o 提高了6.7%。
針對模型的最佳化，GPT-4.1 模型系列以更低的成本提供了卓越的效能。這些模型在延遲曲線的每個點上都實現了效能的提升。
同日，智譜開源了其32B/9B 系列 GLM 模型，在程式碼生成、指令遵循等方面與GPT4.1短兵相接。
該批模型涵蓋基座、推理、沉思模型，現已透過全新平臺 Z.ai 免費開放體驗，並同步上線智譜 MaaS 平臺。
此次開源，OpenAI和智譜均幹勁十足。GPT-4.1在程式碼任務、指令遵循、長上下文理解等多項領域均擊敗 GPT-4o。Z.ai 在指令微調和搜尋程式碼上的基準指標上已接近甚至超越 GPT-4o。
GPT-4.1 在各種程式碼任務上都比 GPT-4o 表現得更好，包括代理解決編碼任務、前端編碼、減少無關編輯、遵循差異格式、確保一致的工具使用等等。
在衡量真實世界軟體工程技能的 SWE-bench Verified 測試中，GPT-4.1 完成了 54.6% 的任務，而 GPT-4o 的完成率為 33.2%。這反映了模型在探索程式碼庫、完成任務以及生成可執行並透過測試的程式碼方面的能力有所提升。
對於需要編輯大型檔案的 API 開發者來說，GPT-4.1 在跨多種格式的程式碼差異分析方面更加準確。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%。OpenAI專門訓練了 GPT-4.1遵循差異格式的能力，開發人員無需重寫整個檔案，從而節省成本和延遲。
GPT-4.1 在前端程式碼方面也比 GPT-4o 有了顯著提升，能夠建立功能更強大、更美觀的 Web 應用。在我們的面對面對比中，付費人工評分員 80% 的評分結果顯示，GPT-4.1 的網站比 GPT-4o 的網站更受歡迎。
除了上述基準測試之外，GPT-4.1 在遵循格式方面表現更佳，準確性更高，並且減少了無關編輯的頻率。在OpenAI的內部評估中，程式碼中的無關編輯從 GPT-4o 的 9% 下降到了 GPT-4.1 的 2%。
OpenAI開發了一個內部教學跟蹤評估系統，將每個類別分為簡單、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。
GPT-4.1 能夠更好地從過往對話中識別資訊，從而實現更自然的對話。在 MultiChallenge 的基準測試中，GPT-4.1 的表現比GPT-4o 提高 10.5%。
GPT-4.1 在 IFEval 上的得分也為 87.4%，而 GPT-4o 的得分為 81.0%。IFEval 使用帶有可驗證指令的提示（例如，指定內容長度或避免使用某些術語或格式）。
智譜的 GLM-Z1-32B-0414 在IFEVAL上也表現優異，以84.5%的分數和GPT o1-mini分庭抗禮。
GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 最多可以處理 100 萬個上下文tokens，而之前的 GPT-4o 型號最多可以處理 128,000 個。100 萬個tokens相當於整個 React 程式碼庫的 8 個以上副本，因此長上下文非常適合處理大型程式碼庫或大量長文件。
GPT-4.1 能夠準確地處理長達 100 萬個上下文中的資訊。此外，它能比 GPT-4o 更準確地識別相關文字，並忽略長短上下文中的干擾項。長上下文理解是法律、編碼、客戶支援以及許多其他領域應用的關鍵能力。
下圖是 GPT-4.1 檢索位於上下文視窗內各個位置的隱藏資訊（“針”）的能力。GPT-4.1 能夠始終如一地準確檢索所有位置和所有上下文長度的針，最大檢索tokens數可達 100 萬個。無論這些tokens在輸入中的位置如何，它都能有效地提取與當前任務相關的細節。
為了進一步展示資訊理解的能力，OpenAI開源了一個新的評估平臺：OpenAI-MRCR（多輪共指，上下文中發現並區分隱藏的多個針頭的能力）。
GPT-4.1 在上下文長度高達 128K 個 token 時的表現優於 GPT-4o，並且即使長度高達 100 萬個 token 時也能保持強勁的效能。
在 Graphwalks （一個用於評估多跳長上下文推理的資料集）的基準測試中，GPT-4.1 達到了 61.7% 的準確率，與 o1 的效能相當，並輕鬆擊敗了 GPT-4o。
值得注意的是，智譜此番在小模型效能上也有所突破。尺寸僅為9B的GLM-Z1-9B-0414雖然引數量更少，但在數學推理及通用任務上依然表現出色。在AIME的基準測試中，以76.4%的高分擊敗DeepSeek-R1-Distill-Qwen-7B。
GPT-4.1 系列在影像理解方面非常強大，尤其是 GPT-4.1 mini 代表了重大的飛躍，在影像基準測試中經常擊敗 GPT-4o。
在Video -MME（長篇無字幕）的測試中，模型會根據 30-60 分鐘長的無字幕影片回答多項選擇題。GPT-4.1 的表現達到了最佳水平，得分為 72.0%，高於 GPT-4o 的 65.3%。
GPT-4.1 的成本比 GPT-4o 低 26%，而 GPT-4.1 nano 是 OpenAI 迄今為止最便宜、速度最快的模型。除了標準per-token 的成本外，還提供了無需額外付費的長上下文請求。
定價方面，智譜 Z.ai 整體低於GPT4.1。本次上線的基座模型提供GLM-4-Air-250414 和 GLM-4-Flash-250414兩個版本，其中後者完全免費。推理模型分為三個版本，分別滿足不同場景需求：
-
GLM-Z1-AirX（極速版）：定位國內最快推理模型，推理速度可達200 tokens/秒，比常規快 8 倍；
-
GLM-Z1-Air（高性價比版）：價格僅為DeepSeek-R1 的 1/30，適合高頻呼叫場景；
-
GLM-Z1-Flash（免費版）：支援免費使用，旨在進一步降低模型使用門檻。
更多內容，點選下方關注：
未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社群進行轉載！
公眾號轉載請先在「AI科技評論」後臺留言取得授權，轉載時需標註來源並插入本公眾號名片。
未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社群進行轉載！
公眾號轉載請先在「AI科技評論」後臺留言取得授權，轉載時需標註來源並插入本公眾號名片。