GPT-4.1一手实测，实力绝对被低估了

家人们，OpenAI 的这波操作我是真的蚌埠住了。

前有听起来很厉害的 GPT-4.5，今有 GPT-4.1 闪亮登场，以 API 的形式。

OpenAI 今天凌晨开直播，发布了 4.1 系列，包括三款模型，分别是——

• GPT-4.1 （旗舰版）
• GPT-4.1-mini （轻量版，主打性价比）
• GPT-4.1-nano （微型版，OpenAI 史上最便宜）

还记得定义了大模型时代的 GPT-4 吗？前几天被宣告下线，OpenAI 这次意在将接力棒交到 GPT-4.1 手中。

提到 GPT-4 ，作为曾经大模型的标杆，2023 年 3 月份发布，整整“统治”AI 大模型领域一年多的时间，谁还没领略过当年各家大模型厂商赶超 GPT-4 的热潮，绝对是历史留名。

GPT-4.1 作为接棒 GPT-4 的“全村希望”，OpenAI 对 GPT-4.1 的期望极高。宣称它在编码、长上下文、指令遵循、视觉等任务上全面吊打了此前的明星模型 GPT-4o。

甚至在某些关键指标上比肩乃至超越了更贵的 GPT-4.5！官方的说法是“每个维度都更强”，底气十足。

快速看下亮点——

• 1M 上下文窗口：100 万 token，约 75 万字。
• 编码能力：SWE-bench Verified 得分 54.6%，比 GPT-4o 高 21.4%，比 GPT-4.5 强 26.6%。
• 多模态：支持文本、图像、视频输入，Video-MME“长视频无字幕”测试拿下 72% 准确率，碾压 GPT-4o 的 65.3%。
• 指令遵循：复杂指令理解更精准，适合驱动 AI 代理干活
• 知识库更新到 24 年 6 月。

这次 GPT-4.1 特别强调了编码和长上下文能力。我们来看看它在两大编程基准测试中的表现：

SWE-bench Verified 是 SWE-bench 数据集的精炼子集， 是 OpenAI 与原始作者合作开发，用于评估 AI 模型在软件工程任务中表现。

下图是官方提供的评测结果，GPT- 4.1 的得分超越了 o1-high o3-mini 和 GPT-4.5。

相比 SWE-bench Verified，只有 Python，而且偏工程化场景，Aider则是一个多语言编程测试集，包括 C++、Go、Java、JavaScript、Python、Rust 6 种编程语言，更侧重编程语言特性和复杂逻辑。

GPT-4.1 的表现，超越 GPT-4.5，但比 o1-high 、o3-mini-high 这俩推理模型还差一些。

除了效果上声称超越 4o，比肩 4.5，这次 GPT4.1 还主打一个“便宜”（单位：美元）。

• 比 GPT-4o 更便宜： 相比 GPT-4o 降低了 26% 到 83%
• “背刺”GPT-4.5：性能比肩甚至部分超越 GPT-4.5 的 GPT-4.1，价格竟然只有 GPT-4.5 的 1/37.5
• 官方盖章的主力： OpenAI 同时宣布，将在 2025 年 7 月 14 日下线 GPT-4.5 API。这意味着什么？GPT-4.1 不仅是替代 GPT-4，更是未来一年 OpenAI 官方认证、主推的旗舰模型。

完毕，GPT-4.1 的理论优势已明确。又是性能起飞又是价格跳水，说实话，我的好奇心已经被拉满了。

现在，按照夕小瑶的风格，进入实测环节！

一手实测

先来一个灵魂拷问

4.10 大还是 4.5 大？

这道题连模型本身都思考了一下。

第一次答案竟然回答错了，还好后面纠正了回来，估计这是模型的“潜意识”不甘心。

编程能力

单词游戏

制作一个闪卡网页应用程序。用户应能：

• 创建闪卡

• 搜索现有闪卡

• 复习闪卡

• 查看复习的闪卡统计数据

  预加载十张闪卡，每张卡片包含一个汉语语单词或短语及其英文翻译。

  复习界面：

  在复习界面中：

• 点击或按下空格键应以平滑的 3D 动画翻转卡片以显示翻译内容。

• 按左右方向键应在卡片之间导航切换。

  搜索界面：

• 搜索栏应在用户输入查询时，动态提供匹配结果列表。

  统计界面：

• 统计页面应显示：

  创建卡片界面：

• 用户已经复习的闪卡数量图表

• 正确率的百分比

• 允许用户指定闪卡的正面和背面内容，并将其添加到用户的收藏中。

  每个界面都应能通过侧边栏访问。

  请生成一个单页 React 应用程序（所有样式应为内联样式）。

直接看效果:

卡片反转自然，复习、搜索、统计、创建 4 个页面所有的功能均正常，交互也非常顺畅。第一个 case 轻松通过。

修图 APP

用 p5js 生成一个网页:

• 中间是一个类似电视机的屏幕， 用于显示照片。

• 下方有一些内置的滤镜 还有一个选择按钮，点击后允许上传本地图片。

• 旁边有一个上传按钮，点击后上传选择的图片，并在电视机屏幕上显示。

• 当有图片时， 点击滤镜，会将滤镜应用在电视机屏幕里的图片上。每次点击滤镜都应用于原始图片

• 设计风格 : 使用深色侧边栏配合浅色主内容区的布局, 清新卡通风格，简洁清晰, 使用直观的图标表示不同功能,  配色方案应以粉色系为主，搭配适当的强调色

  请提供完整的 HTML 代码，使用 Tailwind CSS 类

部分代码展示:

直接看效果:

首先指令遵循确实牛，页面以粉色为主，类似电视机的屏幕用于显示图片，其次，滤镜应用于图片的效果，也是完全正确的，比如调成灰色，反色，都符合实际规律。

flapping bird 游戏

创建一个 Flapping Bird 的网页游戏，实现玩家控制和计分系统，在游戏过程中，在屏幕上清晰地显示当前得分。

直接上游戏运行效果——

一次过！

测到此，我已经有点被 GPT-4.1 的编程能力惊呆了。远比我预期的好太多。

弹跳小球模拟

弹跳小球的这个例子大家都见过很多次了，不过这次我找了一个非常专业的提示词，看看 GPT 4.1 在专业提示词下的编程表现如何。

这个提示词特别长，长到必须要要用视频来展示：

我们直接看效果：

这个效果惊艳不惊艳？ 所有的组件都正常工作，物理效果目测合理，更厉害的是这是一次跑出来的结果。

这个例子证明了一点，任何时候都不要轻视提示词。

计算器复刻

用 p5js 在单个文件内生成一个具有完整功能的计算器。

部分代码展示:

直接看效果：

界面布局与常见计算器一样，功能正常，计算结果也准确，还考虑了“除以零”这种特殊情况。

这个项目可以高分通过！

我终于知道这次 Altman 这么自信地吹 GPT-4.1 的编程能力，确实 ?！

此外，1M 上下文也是这次升级的亮点，接下来捅穿它的底线。

长上下文能力

这里我们直接上传一个有 400 多页的 PDF 文档，随机挑一页问相关数据。

文档选用：斯坦福《2025 年 AI 指数报告》

2023 年工业机器人安装数量是多少?

上结果：

这份报告统计一共是 12.5 万字。

这是原文对应部分截图：

答案找的很准确。

多模态能力

OCR 识别 + 理解

我们上传一张超市收据，并对收据进行提问。

问题一： 一共花了多少钱， 买了几件物品？

回答正确。

问题二：是哪个超市？哪个收银员？交易时间？

回答正确。

问题三: 买了多少肉类食品？里面最贵的是哪个？

先说不足之处，错误的将“5.绝味招牌风味藕”作为肉类。

在价格这里，不但选出了单价最高的产品（鸭肠）, 还选出了实际购买的最贵的产品（片皮烤鸭）。这个答案我觉得蛮厉害！

图像理解

图中的车辆该走么？

之前的题目太简单了，4.1 连续答对。

稍微上一点难度，提供下图，让模型判断水会流到哪个桶里，考验它对显示世界的物理规律的理解。

水最终会从哪个口出

正确 +1

再来一题！

SVG 生成

生成一只骑自行车的鹈鹕的 SVG

运行结果如下——

实话说，效果还是可以的。

相比卡帕西大神之前评测的结果，GPT4.1 的表现中规中矩，和 Claude 3.5 差不多。

结尾

对于 GPT-4.1 的发布，有太多的“抽象”和疑问，以至于在实际测试前，很难对其抱有特别高的期待，尤其是在经历了 GPT-4.5 的“预热”之后。

至此，无需我说，上面的 case 的效果，让 GPT-4.1 的效果立竿见影。

至少在我们测试的这些核心维度上，GPT-4.1 的性能不仅没有因为版本号“回退”而打折，反而可能是一个被低估了的实力派。