嘿咻免费动态图,久久99精品久久久久久臀蜜桃 ,韩国成人黄色视频,国产亚洲av网站官网,亚洲成a人片在线...

新智元報(bào)道

編輯：編輯部 HNZ

【新智元導(dǎo)讀】OpenAI重磅發(fā)布的GPT-4.1系列模型，帶來了編程、指令跟隨和長(zhǎng)上下文處理能力的全面飛躍！由中科大校友Jiahui Yu領(lǐng)銜的團(tuán)隊(duì)打造。與此同時(shí)，備受爭(zhēng)議的GPT-4.5將在三個(gè)月后停用，GPT-4.1 nano則以最小、最快、最便宜的姿態(tài)強(qiáng)勢(shì)登場(chǎng)。

就在剛剛，OpenAI專為開發(fā)者重磅推出了三款全新模型：GPT-4.1、GPT-4.1 mini和GPT-4.1 nano！

它們均擁有最高100萬Token的超大上下文窗口，在代碼、指令跟隨等核心能力上全面超越GPT-4o及GPT-4o mini，并且知識(shí)截止日期也已更新至2024年6月。

值得注意的是，GPT?4.1系列將僅通過API提供，并已向所有開發(fā)者開放。

GPT-4.1 nano是OpenAI首個(gè)nano模型，也是他們目前可用模型中最快、最便宜的一款。

別看它體積不大，性能一點(diǎn)不弱：MMLU得分80.1%，GPQA得分50.3%，Aider多語言編碼基準(zhǔn)9.8%，完勝GPT-4o mini！

GPT-4.1 mini在多項(xiàng)基準(zhǔn)測(cè)試超越GPT-4o，速度快一倍的同時(shí)成本驟降83%，效率拉滿！

作為其中旗艦?zāi)Ｐ偷?strong>GPT?4.1更是強(qiáng)的可怕：

最強(qiáng)編碼：GPT?4.1在SWE-bench Verified上的得分為54.6%，比GPT?4o提高了21.4%，比GPT?4.5提高了26.6%。
指令跟隨：在Scale的MultiChallenge?上，GPT?4.1的得分為38.3%，比GPT?4o提高了10.5%。
長(zhǎng)上下文：在Video-MME上，GPT?4.1取得了新的SOTA——在長(zhǎng)視頻、無字幕類別中得分72.0%，比GPT?4o提高了6.7%。

自此，謎語人奧特曼口中的「quasar」也終于得到了確認(rèn)——就是GPT-4.1！

而隨著能力更強(qiáng)、成本延遲更低的GPT-4.1的推出，一直以來都飽受爭(zhēng)議的GPT?4.5 Preview也將在3個(gè)月后（7月14日）從API中下架。

對(duì)此OpenAI表示，GPT?4.5原本就是作為研究預(yù)覽版推出的，目的是探索和實(shí)驗(yàn)一個(gè)大規(guī)模、計(jì)算密集型的LLM。

雖然模型即將停用，但OpenAI會(huì)把開發(fā)者喜愛的創(chuàng)造力、寫作質(zhì)量、幽默感等特點(diǎn)，繼續(xù)融入未來的API模型中。

現(xiàn)場(chǎng)Demo實(shí)測(cè)

首先，當(dāng)然就是編程能力。

在這個(gè)demo中，研究者要求GPT-4.1做一個(gè)在線抽認(rèn)卡網(wǎng)頁(yè)應(yīng)用，提出了許多相當(dāng)具體的要求。比如點(diǎn)擊抽認(rèn)卡時(shí)，要出現(xiàn)3D動(dòng)畫。

對(duì)于這個(gè)任務(wù)，GPT-4o完成得是這樣的。

相比之下，GPT-4.1就完成得十分流暢了，無論是在顏色，還是在3D動(dòng)畫上。

注意，從頭到尾，只需要一個(gè)prompt，就能得到一個(gè)完整的應(yīng)用程序！

下面是一個(gè)OpenAI的Playground，在演示中，研究者要求GPT-4.1生成一個(gè)單一的Python文件代碼應(yīng)用，在右側(cè)模擬用戶查詢，這個(gè)網(wǎng)站可以接收大型文本文件、回答相關(guān)問題。

可以看到，模型產(chǎn)生了數(shù)百行代碼。研究者將這些代碼實(shí)際運(yùn)行后，發(fā)現(xiàn)效果出人意料的好。

僅僅一個(gè)提示，它就創(chuàng)建了這個(gè)網(wǎng)站。

接下來，是大海撈針的展示。

研究者上傳了文件——NASA自1995年8月以來的服務(wù)器請(qǐng)求響應(yīng)日志文件，

在這個(gè)文件中，左側(cè)是向NASA服務(wù)器發(fā)出請(qǐng)求的客戶端名稱，這是一個(gè)包含大量日志行的長(zhǎng)文件，左側(cè)大概有450000個(gè)token的內(nèi)容。

在OpenAI以前的模型上，是不可能使用這個(gè)文件的。

這里，研究者偷偷添加了一行實(shí)際上不是HTTP請(qǐng)求響應(yīng)的內(nèi)容，這支堆棧中的小「針」，很難發(fā)覺。

最終，GPT-4.1成功了！

研究者經(jīng)過確認(rèn)，這一行的確在他們上傳的日志文件中。

OpenAI特意強(qiáng)調(diào)，在實(shí)踐中非常重要的一點(diǎn)，就是API開發(fā)者是如何提示模型的。

在這個(gè)任務(wù)中，GPT-4.1的任務(wù)是日志分析員助手。研究者告訴它輸入的數(shù)據(jù)以及用戶的查詢?cè)撊绾螛?gòu)建。

接下來還有一些規(guī)則，比如模型只用回答日志數(shù)據(jù)內(nèi)容相關(guān)的問題，問題應(yīng)該始終在查詢標(biāo)簽內(nèi)格式化，如果其中一項(xiàng)不真實(shí)請(qǐng)回復(fù)錯(cuò)誤消息等等。

接下來，就是GPT-4.1展示的時(shí)候了。

研究者詢問：fnal.gov發(fā)出了多少請(qǐng)求？模型拒絕了，因?yàn)樗鼪]有在查詢標(biāo)簽內(nèi)格式化。

而如果在查詢標(biāo)簽內(nèi)發(fā)出同樣的請(qǐng)求，它就可以找到日志文件中的兩個(gè)引用了。

這樣，開發(fā)者就可以明確讓模型做到「不做某事」，這是開發(fā)過程中一個(gè)極其有意義的關(guān)鍵細(xì)節(jié)——遵循負(fù)面指令。

定價(jià)

價(jià)格方面，GPT?4.1雖然比GPT?4o便宜了26%，但輸入、輸出依然高達(dá)每百萬token 2美元和8美元。

GPT?4.1 nano是OpenAI迄今為止價(jià)格最低、速度最快的模型，輸入、輸出分別為0.1美元和0.4美元。

對(duì)于重復(fù)使用相同上下文的查詢，這些新模型的提示詞緩存折扣已從之前的50%提高至75%。

最后，長(zhǎng)上下文請(qǐng)求已包含在標(biāo)準(zhǔn)的按Token計(jì)費(fèi)內(nèi)，無額外費(fèi)用。

編程：OpenAI最強(qiáng)模型誕生

相對(duì)GPT-4o、o1、o3-mini等模型，GPT-4.1在編程上都提升了一大截。

在各種編程任務(wù)上明顯比GPT-4o強(qiáng)得多，比如用智能體解決編程問題、前端開發(fā)、減少不必要的代碼修改、嚴(yán)格跟隨不同的格式、保持工具使用的一致性等等。

在SWE-bench Verified這個(gè)反映真實(shí)軟件工程能力的測(cè)試中，GPT-4.1完成了54.6%的任務(wù)，而GPT-4o（2024-11-20）只有33.2%。

這說明GPT-4.1在瀏覽代碼庫(kù)、完成任務(wù)以及生成既能運(yùn)行又能通過測(cè)試的代碼方面有了很大提升。

對(duì)于SWE-bench Verified，模型會(huì)接收一個(gè)代碼倉(cāng)庫(kù)和問題描述，并需要生成一個(gè)補(bǔ)丁來解決該問題。其性能高度依賴于所使用的提示詞和工具

對(duì)于希望編輯大型文件的API開發(fā)者而言，GPT-4.1在處理各種格式的代碼差異（code diffs）時(shí)，可靠性要高得多。

Aider多語言差異基準(zhǔn)測(cè)試?，不僅衡量了模型跨多種編程語言的編碼能力，也衡量了其以完整文件格式和不同格式生成代碼變更的能力。

在這里，GPT?4.1的得分是GPT?4o的2倍以上，甚至比GPT?4.5高出8%。

如此一來，開發(fā)者便無需重寫整個(gè)文件，而是讓模型輸出變更的行即可，從而大幅節(jié)省成本并降低延遲。

對(duì)于傾向于重寫整個(gè)文件的開發(fā)者，GPT?4.1的輸出Token上限也提高到了32,768個(gè)Token（GPT?4o為16,384個(gè)）。其中，可以使用Predicted Outputs功能來降低完整文件重寫的延遲。

在Aider的多語言基準(zhǔn)測(cè)試中，模型通過編輯源文件的方式解決來自Exercism?的編碼練習(xí)，并允許一次重試?！竪hole」格式要求模型重寫整個(gè)文件，這可能速度較慢且成本較高?！竏iff」格式則要求模型編寫一系列搜索/替換塊

此外，GPT?4.1在前端編碼方面相較于GPT?4o也有顯著改進(jìn)，能夠創(chuàng)建出功能更完善、視覺上更美觀的Web應(yīng)用。

在直接對(duì)比評(píng)估中，人類評(píng)委有80%的情況更傾向于選擇GPT?4.1生成的網(wǎng)站，而非GPT?4o。

GPT-4.1深夜登場(chǎng)，中科大校友領(lǐng)隊(duì)！百萬上下文編程驚人，GPT-4.5三個(gè)月后淘汰

指令跟隨：現(xiàn)已進(jìn)入第一梯隊(duì)

在指令跟隨方面，OpenAI特地開發(fā)了一套內(nèi)部的評(píng)估體系，用以追蹤模型在多個(gè)維度及以下幾個(gè)關(guān)鍵指令跟隨類別上的表現(xiàn)：

格式跟隨（Format following）：按要求的自定義格式（如XML、YAML、Markdown等）生成響應(yīng)。
否定性指令（Negative instructions）：避免執(zhí)行特定行為。（示例：「不要讓用戶聯(lián)系支持人員」）
有序指令（Ordered instructions）：按給定順序執(zhí)行一系列操作。（示例：「先詢問用戶姓名，再詢問其郵箱地址」）
內(nèi)容要求（Content requirements）：確保輸出內(nèi)容包含特定信息。（示例：「撰寫營(yíng)養(yǎng)計(jì)劃時(shí)，必須包含蛋白質(zhì)克數(shù)」）
排序（Ranking）：按特定方式排列輸出內(nèi)容。（示例：「按人口數(shù)量對(duì)結(jié)果進(jìn)行排序」）
識(shí)別知識(shí)邊界（Overconfidence）：在無法獲取所請(qǐng)求信息或請(qǐng)求超出指定范疇時(shí)，回答「我不知道」或類似表述。（示例：「如果你不知道答案，請(qǐng)?zhí)峁┲С謭F(tuán)隊(duì)的聯(lián)系郵箱」）

這些類別是基于開發(fā)者反饋確定的，反映了他們認(rèn)為最為相關(guān)且重要的指令跟隨維度。其中，每個(gè)類別都將提示詞按難度分為了簡(jiǎn)單、中等和困難三類。

在處理困難提示詞方面，GPT-4o和GPT-4o mini只有不到30%的正確率，而新系列中最小的nano都達(dá)到了32%。

與此同時(shí)，GPT-4.1則達(dá)到了49%，幾乎追平了o1和o3-mini，但和GPT-4.5還有一段距離。

內(nèi)部指令跟隨能力評(píng)估是基于真實(shí)的開發(fā)者用例和反饋，涵蓋了不同復(fù)雜程度的任務(wù)，并結(jié)合了關(guān)于格式、詳細(xì)程度、長(zhǎng)度等方面的指令要求

對(duì)許多開發(fā)者而言，多輪指令跟隨至關(guān)重要，這意味著模型需要在對(duì)話深入時(shí)保持連貫性，并記住用戶先前告知的信息。

而GPT-4.1能夠更好地從對(duì)話歷史消息中提取信息，從而實(shí)現(xiàn)更自然的交互。

在Scale AI推出的MultiChallenge基準(zhǔn)測(cè)試中，GPT?4.1雖然不及o1和GPT-4.5，但已經(jīng)可以追上o3-mini，并且比GPT?4o提升了10.5%之多。

在MultiChallenge基準(zhǔn)測(cè)試中，模型面臨的挑戰(zhàn)是在多輪對(duì)話里，能夠正確使用來自先前消息（對(duì)話上文）的四種類型的信息

此外，GPT?4.1在IFEval上的得分為87.4%，而GPT?4o為81.0%。IFEval使用包含可驗(yàn)證指令的提示詞（例如，指定內(nèi)容長(zhǎng)度或避免使用特定術(shù)語/格式）。

在IFEval中，模型必須生成符合各種指令的答案

更強(qiáng)的指令跟隨能力不僅能提升現(xiàn)有應(yīng)用的可靠性，也能實(shí)現(xiàn)過去因模型可靠性不足而難以實(shí)現(xiàn)的新應(yīng)用

早期測(cè)試人員反饋，GPT?4.1可能更傾向于跟隨字面指令，因此OpenAI建議在設(shè)計(jì)提示詞時(shí)力求明確和具體。

長(zhǎng)上下文：大海撈針直接滿分

長(zhǎng)上下文理解能力是法律、編碼、客戶支持及諸多其他領(lǐng)域應(yīng)用的一項(xiàng)關(guān)鍵能力。

GPT?4.1、GPT?4.1 mini和GPT?4.1 nano不僅可處理最多100萬Token的上下文，而且能夠可靠地處理其中的內(nèi)容，并忽略干擾信息。

100萬Token是什么概念？類比來說，其包含的內(nèi)容量可以達(dá)到整個(gè)React代碼庫(kù)8倍以上！

比起GPT?4o的12.8萬Token，可以說是提升十分巨大了。

下面，演示了GPT?4.1在上下文窗口不同位置檢索隱藏的小段信息（即「針」）的能力。

在長(zhǎng)達(dá)100萬 Token的各種上下文長(zhǎng)度和所有位置點(diǎn)上，GPT?4.1都能持續(xù)準(zhǔn)確地檢索到「針」。這意味著它能有效提取當(dāng)前任務(wù)所需的相關(guān)細(xì)節(jié)，無論這些細(xì)節(jié)位于輸入的哪個(gè)部分。

不過，現(xiàn)實(shí)世界的任務(wù)很少像檢索單個(gè)、明顯的「針」那樣簡(jiǎn)單直接。

在「大海撈針」（Needle in a Haystack）評(píng)估中，GPT?4.1、GPT?4.1 mini和GPT?4.1 nano均能在長(zhǎng)達(dá)100萬Token的上下文中的所有位置成功檢索到「針」

OpenAI-MRCR

在實(shí)際應(yīng)用時(shí)，用戶通常需要模型能夠檢索并理解多條信息，并且理解這些信息片段之間的相互關(guān)聯(lián)。

為此，OpenAI開源了一項(xiàng)測(cè)試模型在長(zhǎng)上下文中查找并區(qū)分多個(gè)隱藏「針」的新基準(zhǔn)：OpenAI-MRCR（Multi-Round Coreference）。

該評(píng)估包含用戶與助手之間的多輪合成對(duì)話，在對(duì)話中用戶要求模型就某個(gè)主題進(jìn)行創(chuàng)作，例如「寫一首關(guān)于貘的詩(shī)」或「寫一篇關(guān)于石頭的博客文章」。

接著，在上下文中隨機(jī)插入2個(gè)、4個(gè)或8個(gè)內(nèi)容相似但實(shí)例不同的請(qǐng)求。

模型必須準(zhǔn)確檢索出與用戶指定的某一特定實(shí)例相對(duì)應(yīng)的響應(yīng)（例如，「請(qǐng)給我第三首關(guān)于貘的詩(shī)」）。

這項(xiàng)任務(wù)的挑戰(zhàn)在于，這些相似請(qǐng)求與上下文的其他部分非常接近——模型很容易被細(xì)微差異誤導(dǎo)，比如將關(guān)于貘的短篇故事誤認(rèn)為詩(shī)歌，或?qū)㈥P(guān)于青蛙的詩(shī)歌誤認(rèn)為關(guān)于貘的詩(shī)歌。

當(dāng)上下文達(dá)到GPT?4o極限的12.8萬Token時(shí)，GPT?4.1的表現(xiàn)明顯更優(yōu)；即使上下文長(zhǎng)度擴(kuò)展到100萬Token，它依然能保持強(qiáng)勁的性能。