卓越性能亮点

编程能力
- GPT-4.1在SWE-bench基准测试中得分54.6%，比GPT-4o提高21.4%，比GPT-4.5提高26.6%，使其成为编程领域的领先模型
- 在人工评估中，80%的情况下评估者更偏好GPT-4.1生成的网站而非GPT-4o
- 在内部评估中，代码中的多余编辑从GPT-4o的9%降低到GPT-4.1的2%

指令遵循
- 在Scale的MultiChallenge基准测试中，GPT-4.1得分38.3%，比GPT-4o提高10.5%
- 在IFEval测试中，GPT-4.1得分87.4%，而GPT-4o为81.0%
- 特别擅长格式遵循、负面指令、有序指令、内容要求、排序和避免过度自信

长上下文理解
- 所有三款模型均支持100万tokens的上下文窗口
- 在Video-MME基准测试中（针对30-60分钟长视频的理解），GPT-4.1创下新纪录，得分72.0%，比GPT-4o提高6.7%
- 在全新的OpenAI-MRCR和Graphwalks评估中展现出卓越的多轮和多跳推理能力

视觉理解
- GPT-4.1 mini在图像理解基准测试中表现尤为出色，在多项测试中超越了GPT-4o
- 在MMMU、MathVista和CharXiv-Reasoning等跨模态基准测试中均有显著提升

真实场景应用案例

编程应用
- Windsurf：在内部编码基准测试中，GPT-4.1比GPT-4o高出60%，工具调用效率提高30%，不必要的编辑减少约50%
- Qodo：在200个实际GitHub拉取请求的代码审查测试中，55%的情况下GPT-4.1提供了更优质的建议

指令遵循应用
- Blue J：在最具挑战性的实际税务场景内部基准测试中，GPT-4.1的准确率比GPT-4o高53%
- Hex：在最具挑战性的SQL评估集上，GPT-4.1的表现提升近2倍，尤其是在从大型、复杂模式中选择正确表格的能力上

长上下文应用
- Thomson Reuters：在使用CoCounsel（法律工作AI助手）时，多文档审查准确率提高17%
- Carlyle：在提取多份复杂文档中的精细财务数据时，长文档检索性能提升50%，首次成功克服核心限制

定价和可用性

OpenAI通过提高推理系统效率，提供了更具竞争力的价格：
- GPT-4.1：输入$2.00/百万tokens，输出$8.00/百万tokens（比GPT-4o便宜26%）
- GPT-4.1 mini：输入$0.40/百万tokens，输出$1.60/百万tokens
- GPT-4.1 nano：输入$0.10/百万tokens，输出$0.40/百万tokens（OpenAI最便宜最快速的模型）

提示缓存折扣从之前的50%提高到75%，长上下文请求不收取额外费用。

值得注意的是，GPT-4.1将仅通过API提供。在ChatGPT中，许多指令遵循、编码和智能方面的改进已逐步整合到最新版本的GPT-4o中，并将在未来版本中继续整合更多功能。