GPT-4.1、Mini 与 Nano：编程、长上下文及 2025 年 API 价格

OpenAI 面向开发者发布了 GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。2025 年 4 月发布时，该系列通过 API 提供，而不能直接在 ChatGPT 中使用。后来情况发生了变化：[OpenAI 于 2025 年 5 月 14 日将 GPT-4.1 加入 ChatGPT](https://help.openai.com/en/articles/6825453-chatgpt-release-notes)。

三个模型均支持最多 100 万 token 的上下文。OpenAI 表示，在其展示的评估中，这些模型与 GPT-4o 和 GPT-4o mini 相比，编程和指令遵循能力有所提高。公布的知识截止时间是 2024 年 6 月。大的上下文窗口只是容量上限，并不保证完美理解每份文档。

OpenAI 报告称，在其规定设置下，GPT-4.1 在 SWE-bench Verified 上得分 54.6%，比 GPT-4o 高 21.4 个百分点，比 GPT-4.5 高 26.6 个百分点。公司指出，500 道题中有 23 道无法在其基础设施上运行；若将这些题计为失败，GPT-4.1 的得分为 52%。结果取决于评估设置，不能代表所有编程任务的表现。

在 Scale 的 MultiChallenge 指令遵循基准上，OpenAI 报告 GPT-4.1 得分为 38.3%，比 GPT-4o 高 10.5 个百分点。在 Video-MME 的长视频、无字幕类别中，报告得分为 72%。这些是供应商针对特定测试报告的结果，并非对指令遵循或视频理解能力的普遍衡量。

OpenAI 还表示，将在过渡期后于 2025 年 7 月 14 日停止提供 GPT-4.5 Preview API。我担心，模型发布不久就要求开发者迁移会造成困扰。我提出 GPT-4.5 可能用于后续蒸馏或以其他形式回归，但这是推测，不是公开披露的训练事实。

我讨论了模型延迟和成本。OpenAI 的图表将 nano、mini 和完整模型放在不同的性能与速度位置，但显示的坐标轴没有标出精确延迟值。因此，这张图支持的是该评估中的相对比较，而不是对每种应用的精确响应时间承诺。

OpenAI 表示，在其比较中，GPT-4.1 mini 在多项基准上达到或超过 GPT-4o，同时具有更低的延迟和成本。我认为，对大量进行程序化调用的开发者来说，mini 可能是特别有用的选择，因为即使单次调用成本只有小差异，累积起来也可能很大。

OpenAI 表示，GPT-4.1 发布时没有单独加收长上下文费用。用户仍需为使用的输入和输出 token 付费，因此即使每 token 费率相同，处理很长的文档也可能很贵。这里讨论的价格和模型可用性都是历史信息。

本视频的赞助商兼早期合作伙伴 Box 展示了自己的企业文档提取评估，比较 GPT-4.1 和 GPT-4o。展示类别包括保险、保修和合同条款。这些是 Box 报告的自身测试结果，不是经过独立确立的所有企业文档上的表现。

Box 演示了让其系统总结 NVIDIA 财报电话会议，包括收入和数据中心趋势。这个例子展示了文档综合能力，但观众无法仅凭简短演示独立验证提取出的每个数字。视频的这一部分由 Box 赞助。

OpenAI 将较小的 nano 模型定位于分类和自动补全等任务。公司报告的分数包括 MMLU 上的 80.1% 和 Aider 多语言编程测试上的 9.8%；这些数字针对指定评估，不应与所有用途的成功率混淆。

我认为，更强的指令遵循和长上下文处理能力对智能体工作流程有用，包括编程工具。视频还提到了 CrewAI；我在视频简介中披露，自己是该公司的小额投资者。模型仍需要工具、集成和适当检查，才能有效充当智能体。

录制时，GPT-4.1 是通过 API 发布的，OpenAI 表示一些改进正逐步加入 ChatGPT 中的 GPT-4o。后来 2025 年 5 月的 ChatGPT 发布说明，视频中“仅限 API”的描述只是发布时的情况，并非永久可用性声明。

我比较了新系列与早期模型，包括 o3-mini high，在 SWE-bench Verified 上的结果。该任务要求模型针对代码仓库中的问题生成补丁。表现取决于提示词、工具和基础设施，因此在这个基准上领先不能证明在每个编程工作流程中都更强。

另一项编程比较考察使用差异补丁编辑，而非重写整个文件。针对性修改可以减少不必要的输出，并帮助保留无关代码，但展示的 Aider 结果是基准比较，不能保证每次编辑都正确。

在 OpenAI 的发布会片段中，演示者比较了 GPT-4o 与 GPT-4.1 生成的记忆卡片应用。后者的示例包含颜色和卡片翻转动画。这是特定提示词与输出的有用示例，而非广泛的独立可用性研究。

Windsurf 报告称，GPT-4.1 在其内部编程基准上的得分高于 GPT-4o，并在其观察中需要更少的重复编辑。另一家合作伙伴 Qodo 报告称，在评估的 200 个拉取请求中，有 55% 的情况下更偏好 GPT-4.1 的建议。这些都是合作伙伴在各自测试条件下报告的结果。

OpenAI 演示者展示了一项包含复杂格式要求的指令遵循评估，例如按指定表格生成旅行行程。他们称模型更可靠；困难子集图表显示 GPT-4.1 得分为 49%，GPT-4o 为 29%，因此它不能支持完全遵循指令的说法。

发布资料还展示了跨长上下文的“大海捞针”测试。所展示的检索测试取得满分令人鼓舞，但这不能证明模型能完美理解每个百万 token 输入或复杂推理任务。

在 OpenAI 的另一个演示中，演示者将一句非日志文本插入约 45 万 token 的 NASA 服务器日志，并让模型找出来。模型识别出异常行，演示者确认该行确实出现在文件中。这是在长输入中进行检索的一个受控示例。

我回顾了其他多模态和图表推理比较。OpenAI 选取的结果总体呈现出一个趋势：GPT-4.1 往往优于 GPT-4o，有时接近更昂贵的模型，但实际表现因任务和基准而异。

2025 年 4 月的 API 价格表列出，GPT-4.1 每百万输入 token 为 2 美元、缓存输入为 0.50 美元、输出为 8 美元。mini 分别为 0.40、0.10 和 1.60 美元；nano 分别为 0.10、0.025 和 0.40 美元。显示的混合价格假设了特定的输入、输出和缓存比例，因此个人账单可能不同。