OpenAI 推出 GPT-4.1，撞期智谱 Z.ai

GPT 家族再添新成员。GPT-4.1 性能全面超越 GPT-4o，编码、指令跟踪及长上下文能力显著优化。

作者丨洪雨欣、梁丙鉴

编辑丨陈彩娴

就在今天，OpenAI API 中推出了三个新模型：GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano。这些模型的性能全面超越 GPT-4o 和 GPT-4o mini，在编码和指令跟踪方面均有显著提升。除此之外，它们还拥有更大的上下文窗口，支持多达 100 万个上下文tokens。

GPT-4.1 在 SWE-bench Verified 上的得分为 54.6% ，比 GPT-4o提高了21.4% ，比 GPT-4.5 提高了 26.6%，使其成为领先的编码模型。

在衡量指令遵循能力的标准当中，GPT-4.1 得分为 38.3%，比 GPT-4o 提高了10.5%。

在 Video-MME 多模态长上下文理解的基准中，GPT-4.1 创造了新的先进成果——在长篇无字幕类别中得分为 72.0%，比 GPT-4o 提高了6.7%。

针对模型的优化，GPT-4.1 模型系列以更低的成本提供了卓越的性能。这些模型在延迟曲线的每个点上都实现了性能的提升。

同日，智谱开源了其32B/9B 系列 GLM 模型，在代码生成、指令遵循等方面与GPT4.1短兵相接。

该批模型涵盖基座、推理、沉思模型，现已通过全新平台 Z.ai 免费开放体验，并同步上线智谱 MaaS 平台。

此次开源，OpenAI和智谱均干劲十足。GPT-4.1在代码任务、指令遵循、长上下文理解等多项领域均击败 GPT-4o。Z.ai 在指令微调和搜索代码上的基准指标上已接近甚至超越 GPT-4o。

1

代码生成

GPT-4.1 在各种代码任务上都比 GPT-4o 表现得更好，包括代理解决编码任务、前端编码、减少无关编辑、遵循差异格式、确保一致的工具使用等等。

在衡量真实世界软件工程技能的 SWE-bench Verified 测试中，GPT-4.1 完成了 54.6% 的任务，而 GPT-4o 的完成率为 33.2%。这反映了模型在探索代码库、完成任务以及生成可运行并通过测试的代码方面的能力有所提升。

对于需要编辑大型文件的 API 开发者来说，GPT-4.1 在跨多种格式的代码差异分析方面更加准确。在Aider 的多语言差异基准测试中，GPT-4.1 的得分是 GPT-4o 的两倍多，甚至比 GPT-4.5 还高出 8%。OpenAI专门训练了 GPT-4.1遵循差异格式的能力，开发人员无需重写整个文件，从而节省成本和延迟。

GPT-4.1 在前端代码方面也比 GPT-4o 有了显著提升，能够创建功能更强大、更美观的 Web 应用。在我们的面对面对比中，付费人工评分员 80% 的评分结果显示，GPT-4.1 的网站比 GPT-4o 的网站更受欢迎。

除了上述基准测试之外，GPT-4.1 在遵循格式方面表现更佳，准确性更高，并且减少了无关编辑的频率。在OpenAI的内部评估中，代码中的无关编辑从 GPT-4o 的 9% 下降到了 GPT-4.1 的 2%。

2

指令遵循

OpenAI开发了一个内部教学跟踪评估系统，将每个类别分为简单、中等和困难提示。GPT-4.1 在困难提示方面的表现尤其优于 GPT-4o。

GPT-4.1 能够更好地从过往对话中识别信息，从而实现更自然的对话。在 MultiChallenge 的基准测试中，GPT-4.1 的表现比GPT-4o 提高 10.5%。

GPT-4.1 在 IFEval 上的得分也为 87.4%，而 GPT-4o 的得分为 81.0%。IFEval 使用带有可验证指令的提示（例如，指定内容长度或避免使用某些术语或格式）。

智谱的 GLM-Z1-32B-0414 在IFEVAL上也表现优异，以84.5%的分数和GPT o1-mini分庭抗礼。

3

长上下文理解

GPT-4.1、GPT-4.1 mini 和 GPT-4.1 nano 最多可以处理 100 万个上下文tokens，而之前的 GPT-4o 型号最多可以处理 128,000 个。100 万个tokens相当于整个 React 代码库的 8 个以上副本，因此长上下文非常适合处理大型代码库或大量长文档。

GPT-4.1 能够准确地处理长达 100 万个上下文中的信息。此外，它能比 GPT-4o 更准确地识别相关文本，并忽略长短上下文中的干扰项。长上下文理解是法律、编码、客户支持以及许多其他领域应用的关键能力。

下图是 GPT-4.1 检索位于上下文窗口内各个位置的隐藏信息（“针”）的能力。GPT-4.1 能够始终如一地准确检索所有位置和所有上下文长度的针，最大检索tokens数可达 100 万个。无论这些tokens在输入中的位置如何，它都能有效地提取与当前任务相关的细节。

为了进一步展示信息理解的能力，OpenAI开源了一个新的评估平台：OpenAI-MRCR（多轮共指，上下文中发现并区分隐藏的多个针头的能力）。

GPT-4.1 在上下文长度高达 128K 个 token 时的表现优于 GPT-4o，并且即使长度高达 100 万个 token 时也能保持强劲的性能。

在 Graphwalks （一个用于评估多跳长上下文推理的数据集）的基准测试中，GPT-4.1 达到了 61.7% 的准确率，与 o1 的性能相当，并轻松击败了 GPT-4o。

值得注意的是，智谱此番在小模型性能上也有所突破。尺寸仅为9B的GLM-Z1-9B-0414虽然参数量更少，但在数学推理及通用任务上依然表现出色。在AIME的基准测试中，以76.4%的高分击败DeepSeek-R1-Distill-Qwen-7B。

4

图像理解

GPT-4.1 系列在图像理解方面非常强大，尤其是 GPT-4.1 mini 代表了重大的飞跃，在图像基准测试中经常击败 GPT-4o。

在Video -MME（长篇无字幕）的测试中，模型会根据 30-60 分钟长的无字幕视频回答多项选择题。GPT-4.1 的表现达到了最佳水平，得分为 72.0%，高于 GPT-4o 的 65.3%。

5

定价

GPT-4.1 的成本比 GPT-4o 低 26%，而 GPT-4.1 nano 是 OpenAI 迄今为止最便宜、速度最快的模型。除了标准per-token 的成本外，还提供了无需额外付费的长上下文请求。

定价方面，智谱 Z.ai 整体低于GPT4.1。本次上线的基座模型提供GLM-4-Air-250414 和 GLM-4-Flash-250414两个版本，其中后者完全免费。推理模型分为三个版本，分别满足不同场景需求：

• GLM-Z1-AirX（极速版）：定位国内最快推理模型，推理速度可达200 tokens/秒，比常规快 8 倍；

• GLM-Z1-Air（高性价比版）：价格仅为DeepSeek-R1 的 1/30，适合高频调用场景；

• GLM-Z1-Flash（免费版）：支持免费使用，旨在进一步降低模型使用门槛。

更多内容，点击下方关注：

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

基座大模型「六进二」：南阶跃，北智谱

智谱 AI 狂飙：与商业化博弈的一年

价格战之后，智谱来到商业化的下一站