GPT-4.1 được giới thiệu trong API ngày 14/04/2025 cùng mini và nano. OpenAI tập trung vào lập trình, tuân thủ chỉ dẫn và xử lý ngữ cảnh tới một triệu token. Cửa sổ lớn mở rộng lượng dữ liệu có thể đưa vào, không bảo đảm mô hình suy luận đúng trên mọi tài liệu.
Lập trình: đọc điểm cùng điều kiện
Công bố OpenAI báo cáo 54,6% trên SWE-bench Verified. Phụ lục có danh sách 23 tác vụ bị loại khỏi đánh giá; vì thế không nên so điểm với một hệ thống khác nếu chưa đối chiếu tập tác vụ và cấu hình thực thi. Đây là số do nhà phát triển công bố, không phải tỷ lệ sửa thành công mọi lỗi phần mềm.
Hãng cũng huấn luyện model xuất code diff đáng tin cậy hơn, giúp tránh viết lại cả file. Giới hạn đầu ra được nêu là 32.768 token, khác với giới hạn ngữ cảnh đầu vào. Diff hợp lệ vẫn cần kiểm thử: thay đổi ít dòng không tự chứng minh thay đổi đúng.
Tuân thủ chỉ dẫn có tiến bộ nhưng chưa tuyệt đối
OpenAI báo cáo 38,3% trên MultiChallenge và 87,4% trên IFEval. Hai benchmark đo các khía cạnh khác nhau, không được cộng hoặc lấy trung bình thành một điểm chất lượng chung. IFEval dùng chỉ dẫn có thể kiểm tra, còn MultiChallenge xem xét việc giữ yêu cầu qua hội thoại phức tạp.
Một triệu token không đồng nghĩa hiểu hoàn hảo
Cả ba model trong đợt hỗ trợ tới một triệu token ngữ cảnh, với mốc kiến thức tháng 06/2024 theo thông cáo. Trong thử nghiệm needle-in-a-haystack nội bộ, hãng mô tả truy xuất tốt trên toàn cửa sổ. Nhưng tìm một chi tiết và kết hợp nhiều quan hệ là hai bài toán khác nhau.
Phụ lục minh họa rõ giới hạn: GPT-4.1 đạt 57,2% ở OpenAI-MRCR hai needle 128k và 46,3% ở một triệu token; Graphwalks BFS đạt 61,7% dưới 128k nhưng 19,0% trên 128k. Các tập đánh giá khác nhau không chứng minh quan hệ nhân quả đơn giản, nhưng đủ cho thấy dung lượng đầu vào không phải bảo đảm chất lượng mọi tác vụ dài.
Chi phí cần tính cả lượng ngữ cảnh
Trang giới thiệu nói Batch API có mức giảm giá thêm 50%. Phần bảng giá số cụ thể không được hiển thị đầy đủ trong bản nguồn được đối chiếu, nên bài không dựng lại đơn giá lịch sử bằng suy đoán. Cần kiểm tra bảng giá phù hợp thời điểm, loại token và cơ chế cache trước khi dự toán.
Một yêu cầu có thể nhận rất nhiều token không có nghĩa nên luôn gửi toàn bộ kho tài liệu. Chi phí và độ trễ còn phụ thuộc dữ liệu đầu vào, đầu ra, lần thử lại và bước xác minh. Bài toán chỉ cần vài đoạn liên quan có thể không hưởng lợi khi thêm hàng trăm nghìn token nhiễu.
Vị trí so với các model trước
So với GPT-4o, trọng tâm của GPT-4.1 là nhu cầu nhà phát triển trong API. Không nên coi số phiên bản là thứ tự ra mắt hoặc thứ hạng tuyệt đối: GPT-4.5 có hướng hội thoại và sáng tạo riêng. Lựa chọn cần dựa trên tác vụ, bằng chứng chất lượng và chi phí toàn quy trình.
Nguồn: OpenAI, Introducing GPT-4.1 in the API, 14/04/2025, gồm phụ lục điều kiện benchmark.
Tác giả
Chăm Sóc Khách Hàng
