GPT-4.1
性价比更高: Qwen3.5-4B $0.060/M 即可获得 Index 46.7,价格只有 58 分之一。
有 121 个更便宜的已排名模型得分更高:GPT-6.1 Terra (64.1, $2.00)、Gemini 4 Hydrogen (63.4, $3.00)、Gemini 3.5 Flash (62.5, $3.38),另有 118 个。
截至 2026年11月16日,GPT-4.1(OpenAI)在 BenchLeader Index 上得分 48.7(共 608 个已排名配置)。表现最好的是人类偏好(59),最弱的是知识(36)。API 价格为输入每百万 token $2.00、输出每百万 token $8.00(按 3:1 混合为 $3.50),为 2026年11月16日的标价。输出速度约为 110 token/秒(Artificial Analysis)。发布于 2025年4月14日。
要点(截至 2026年11月16日)
- GPT-4.1 的 API 价格为输入每百万 token $2.00、输出每百万 token $8.00(按 3:1 混合为 $3.50)(标价,2026年11月16日)。
- GPT-4.1 的输出速度约为 110 token/秒(Artificial Analysis,2026年11月16日)。
- GPT-4.1 于 2025年4月14日发布(OpenAI)。
详细说明:GPT-4.1 是 OpenAI 的闭源模型,发布于 2025年4月14日。其最佳配置在 BenchLeader Index 上得分 48.7 ±4.3,在 608 个配置中排第 377 名,处于下半区。关键在于这个“±”:另有 260 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,人类偏好得分最高(59),知识最低(36)。按混合价格计,每百万 token $3.50,属于已排名模型中最贵的一档。输出速度为 112 token/秒,首次回答需 4.2 秒,比大多数模型快。它已在 2 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。
- 混合价格
- $3.50/M
- 输入 $2.00 · 输出 $8.00
- 来源:Artificial Analysis
- 输出速度
- 112 tok/s
- 由 Artificial Analysis 测量
- 首次回答
- 4.17 s
- 首 token 0.99 s
- 上下文
- 1.0M
- 来源:models.dev
- 完整回答
- 12 s
- 最近一次测量 2026年11月13日
- 单任务成本
- –
- 单任务 token 数
- –
- 发布日期
- 2025年4月14日
- 综合 Index49
- 推理39
- 编程43
- 智能体与工具58
- 数学48
- 知识36
- 指令遵循48
- 人类偏好59
- 多模态51
- 长上下文56
嵌入这个排名
更多徽章样式[](https://www.benchleader.com/models/gpt-4-1)粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。
版本
OpenAI 以这个名称发布过 13 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。
| 模型 | 发布日期 | Index | 排名 |
|---|---|---|---|
| GPT-5.6 | 2026年7月9日 | – | – |
| GPT-5.5xhigh | 2026年4月23日 | 64.1 | #31 |
| GPT-5.4xhigh | 2026年3月5日 | 63.1 | #42 |
| GPT-5.2xhigh | 2025年12月11日 | 59.9 | #95 |
| GPT-5.1high | 2025年11月12日 | 57.5 | #151 |
| GPT-5medium | 2025年8月7日 | 59.0 | #113 |
| GPT-4.1本页 | 2025年4月14日 | 48.7 | #377 |
| GPT-4.5 | 2025年2月27日 | 50.5 | #335 |
| GPT 4 0125 | 2024年1月25日 | – | – |
| GPT-4 1106 | 2023年11月6日 | – | – |
| GPT 4 0613 | 2023年6月13日 | 39.5 | #541 |
| GPT-4 | 2023年3月14日 | 42.3 | #496 |
| GPT-3.5 | – | – | – |
不同推理强度的配置
同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。
Index 走势
2026年9月8日 至 2026年11月16日- 默认
- high
Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。
基准测试结果
查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。
推理
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| GPQA Diamond推理强度未说明 | – | 66.9%#190 | Epoch AI Benchmarking Hub | |
| Humanity's Last Exam推理强度未说明 | – | 5.4%#42 | Scale AI / CAIS | |
| SimpleBench推理强度未说明 | – | 27.0%#94 | SimpleBench | |
| Arena Hard Prompts推理强度未说明 | – | 1432#143 | Arena (LMArena) | |
| GPQA Diamond (AA)不计入 Index推理强度未说明 | – | 66.6%#336 | Artificial Analysis | |
| Humanity's Last Exam (AA)不计入 Index推理强度未说明 | – | 4.2%#553 | Artificial Analysis | |
| GPQA Diamond (Vals)不计入 Index | 65.4%#99 | – | Vals AI | |
| Kagi LLM Benchmark推理强度未说明 | – | 52.3%#74 | Kagi LLM Benchmark | |
| GPQA Diamond (HELM)不计入 Index推理强度未说明 | – | 65.9%#18 | HELM Capabilities | |
| ARC-AGI-1推理强度未说明 | – | 5.5%#252 | ARC Prize | |
| ARC-AGI-2推理强度未说明 | – | 0.4%#248 | ARC Prize | |
| CritPt不计入 Index推理强度未说明 | – | 0.0%#337 | Artificial Analysis | |
| Arena Expert不计入 Index推理强度未说明 | – | 1406#166 | Arena (LMArena) | |
| Chess Puzzles不计入 Index推理强度未说明 | – | 11.0%#128 | Epoch AI Benchmarking Hub | |
| LMCA不计入 Index推理强度未说明 | – | 25.6%#156 | Epoch AI Benchmarking Hub | |
| DTBench不计入 Index推理强度未说明 | – | 68.3%#169 | Epoch AI Benchmarking Hub | |
| ForecastBench不计入 Index推理强度未说明 | – | 62.0%#60 | ForecastBench |
编程
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| SWE-bench Verified (Epoch)推理强度未说明 | – | 48.5%#32 | Epoch AI Benchmarking Hub | |
| WeirdML推理强度未说明 | – | 39.0%#109 | WeirdML | |
| Arena Coding推理强度未说明 | – | 1456#146 | Arena (LMArena) | |
| LiveCodeBench | 54.7%#111 | – | Vals AI | |
| Aider Polyglot推理强度未说明 | – | 52.4%#33 | Aider polyglot leaderboard | |
| SWE-bench Verified (bash only)推理强度未说明 | – | 39.6%#37 | SWE-bench | |
| SWE-bench Verified (any scaffold)不计入 Index推理强度未说明 | – | 39.6%#47 | SWE-bench | |
| CadEval不计入 Index推理强度未说明 | – | 42.0%#8 | Epoch AI Benchmarking Hub | |
| ALE-Bench不计入 Index推理强度未说明 | – | 558.1#115 | Epoch AI Benchmarking Hub | |
| Design Arena Website不计入 Index推理强度未说明 | – | 1030#163 | Design Arena | |
| LiveCodeBench (AA)不计入 Index推理强度未说明 | – | 45.7%#154 | Artificial Analysis |
智能体与工具
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| Terminal-Bench Hard推理强度未说明 | – | 13.6%#206 | Artificial Analysis | |
| τ²-Bench Telecom (AA)不计入 Index推理强度未说明 | – | 47.1%#206 | Artificial Analysis | |
| BFCL Overall推理强度未说明 | – | 54.0%#18 | Berkeley Function Calling Leaderboard | |
| Terminal-Bench 2.0 (Vals)不计入 Index | 14.6%#61 | – | Vals AI | |
| BrowseComp-Plus不计入 Index推理强度未说明 | – | 15.3%#13 | BrowseComp-Plus | |
| BrowseComp不计入 Index推理强度未说明 | – | 3.5%#6 | OpenAI |
数学
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| FrontierMath Tiers 1–3推理强度未说明 | – | 6.0%#114 | Epoch AI Benchmarking Hub | |
| OTIS Mock AIME推理强度未说明 | – | 38.3%#211 | Epoch AI Benchmarking Hub | |
| MATH Level 5推理强度未说明 | – | 83.0%#31 | Epoch AI Benchmarking Hub | |
| AIME (Vals) | 39.6%#69 | – | Vals AI | |
| MGSM | 87.7%#57 | – | Vals AI | |
| Omni-MATH (HELM)推理强度未说明 | – | 47.1%#21 | HELM Capabilities | |
| MATH 500不计入 Index | 87.2%#32 | – | Vals AI | |
| Arena Maths推理强度未说明 | – | 1375#182 | Arena (LMArena) | |
| AIME 2025 (AA)不计入 Index推理强度未说明 | – | 34.7%#167 | Artificial Analysis |
知识
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| SimpleQA Verified推理强度未说明 | – | 31.1%#74 | Epoch AI Benchmarking Hub | |
| MMLU-Pro | 80.5%#85 | – | Vals AI | |
| LegalBench | 83.1%#59 | – | Vals AI | |
| CorpFin | 63.0%#47 | – | Vals AI | |
| TaxEval | 75.1%#24 | – | Vals AI | |
| MedQA | 91.2%#39 | – | Vals AI | |
| PRBench Finance推理强度未说明 | – | 34.3%#39 | Scale AI SEAL | |
| PRBench Legal推理强度未说明 | – | 36.5%#44 | Scale AI SEAL | |
| MultiNRC推理强度未说明 | – | 21.2%#34 | Scale AI SEAL | |
| MMLU-Pro (HELM)不计入 Index推理强度未说明 | – | 81.1%#16 | HELM Capabilities | |
| CaseLaw v2不计入 Index | 69.9%#3 | – | Vals AI |
指令遵循
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| IFBench | 43.0%#233 | Artificial Analysis | |
| MultiChallenge | 39.4%#36 | Scale AI SEAL | |
| IFEval (HELM) | 83.8%#28 | HELM Capabilities | |
| WildBench (HELM) | 85.4%#9 | HELM Capabilities | |
| Arena Instruction Following不计入 Index | 1403#139 | Arena (LMArena) |
人类偏好
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| Arena Text | 1415#140 | Arena (LMArena) | |
| EQ-Bench Creative Writing v3不计入 Index | 1420#72 | EQ-Bench | |
| Arena Creative Writing不计入 Index | 1403#106 | Arena (LMArena) | |
| Arena Multi-turn不计入 Index | 1430#118 | Arena (LMArena) | |
| Arena Longer Queries不计入 Index | 1426#131 | Arena (LMArena) |
多模态
| 基准测试 | high | 默认 | 来源 | 趋势 |
|---|---|---|---|---|
| Arena Vision推理强度未说明 | – | 1210#88 | Arena (LMArena) | |
| MMMU-Pro推理强度未说明 | – | 61.2%#221 | Artificial Analysis | |
| VISTA推理强度未说明 | – | 45.3%#26 | Scale AI SEAL | |
| MMMU-Pro (Vals)不计入 Index | 72.4%#63 | – | Vals AI | |
| MortgageTax不计入 Index | 65.9%#36 | – | Vals AI | |
| VTB不计入 Index推理强度未说明 | – | 5.5%#13 | Scale AI SEAL | |
| GeoBench不计入 Index推理强度未说明 | – | 72.0%#23 | GeoBench |
长上下文
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| Fiction.LiveBench 120k | 62.5%#13 | Fiction.live | |
| AA-LCR v1.1 | 68.3%#252 | Artificial Analysis |
综合
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| Epoch Capabilities Index不计入 Index | 136.2#127 | Epoch AI Benchmarking Hub | |
| AA Intelligence Index v4.3.2不计入 Index | 12.7#336 | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 198.7#422 | Artificial Analysis | |
| HELM Capabilities mean不计入 Index | 72.7%#17 | HELM Capabilities |
安全与诚实
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| FORTRESS不计入 Index | 53.0%#72 | Scale AI SEAL | |
| MASK不计入 Index可能存在污染 | 51.1%#48 | Scale AI SEAL |
API 价格:在哪里调用
通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。
| 提供商 | 速度 | 首 token | 输入 $/M | 输出 $/M | 上下文 | 量化 |
|---|---|---|---|---|---|---|
| OpenAI | 97 tok/s | 0.93 s | $2.00 | $8.00 | 1.0M | – |
| Azure | 88 tok/s | 0.76 s | $2.20 | $8.80 | 1.0M | – |
| Azure | 71 tok/s | 2.15 s | $2.00 | $8.00 | 1.0M | – |
一项任务的成本
根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.500。未计入推理 token。
| 工作负载 | 输入 / 输出 token | 成本 | 使用缓存 | 耗时 |
|---|---|---|---|---|
| 聊天回复 | 400 / 300 | $0.0032 | $0.0028 | 6.9 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.029 | $0.015 | 9.5 s |
| 代码编辑 | 6,000 / 1,500 | $0.024 | $0.017 | 17.6 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.152 | $0.085 | 39.9 s |
| 结构化信息提取 | 2,000 / 200 | $0.0056 | $0.0034 | 6.0 s |
另请参阅
嵌入或引用
在模型卡片或 README 中展示 GPT-4.1 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。
[](https://www.benchleader.com/models/gpt-4-1)引用本页
排名每天都会变化,因此引用时需注明数据日期。APA 格式:
BenchLeader. (2026, November 16). GPT-4.1 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/gpt-4-1
BibTeX:
@misc{benchleader_gpt_4_1_20261116,
author = {{BenchLeader}},
title = {{GPT-4.1 on the BenchLeader Index (method v1.4)}},
year = {2026},
month = nov,
howpublished = {\url{https://www.benchleader.com/models/gpt-4-1}},
note = {Data as of 2026-11-16}
}常见问题
- GPT-4.1 的基准测试得分是多少?
- 截至 2026年11月16日,GPT-4.1 的 BenchLeader Index 为 48.7 ±4.3。最强的是人类偏好(59),最弱的是知识(36)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
- GPT-4.1 排名第几?
- 截至 2026年11月16日,GPT-4.1 在 608 个已排名配置中排第 377 名。另有 260 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
- GPT-4.1 每百万 token 的价格是多少?
- 截至 2026年11月16日,GPT-4.1 的价格为输入每百万 token $2.00、输出每百万 token $8.00,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $3.50。
- GPT-4.1 是什么时候发布的?
- OpenAI 于 2025年4月14日发布了 GPT-4.1。BenchLeader 收录了它在 2 种推理强度设置下的结果。
数据截至 2026年11月16日。 对比这些配置
引用格式:BenchLeader,《GPT-4.1:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/gpt-4-1。