陈羽凡带儿子凌晨K歌美女相伴 快视频猛料不断看真相

百度 美国官方指出，那些没在豁免名单上的国家可以与美国讨论如何解决来自这些国家钢铝进口造成的美国国家安全担忧。

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。

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%。

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。

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。

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%。

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。

雷峰网(公众号：雷峰网)

雷峰网原创文章，未经授权禁止转载。详情见转载须知。