Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openai14. April 2025 · Q008942

Introducing GPT-4.1 in the API

openai.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

OpenAI stellt drei API-Modelle der GPT‑4.1-Reihe vor und berichtet über Verbesserungen bei Code, Anweisungsbefolgung und langen Eingaben bis zu einer Million Tokens. Die Benchmarks und Partnerbeispiele zeigen jedoch kein durchgängiges Übertreffen: Ergebnisse hängen von Aufgabe und Testbedingungen ab, manche Aufgaben wurden ausgelassen, und bei einzelnen Tests schneiden andere Modelle besser ab.

Mittel

OpenAI kündigt GPT‑4.1, GPT‑4.1 mini und GPT‑4.1 nano für die API an. Laut Unternehmen können alle drei Modelle bis zu eine Million Tokens verarbeiten und verbessern gegenüber GPT‑4o insbesondere Programmieren, Anweisungsbefolgung und lange Kontexte. GPT‑4.1 erzielt im Bericht unter anderem 54,6 Prozent bei SWE-bench Verified, 38,3 Prozent bei MultiChallenge und 72 Prozent im Video-MME-Test für lange Videos ohne Untertitel. OpenAI ergänzt diese Benchmarks durch interne Auswertungen und Berichte von Partnern aus den Bereichen Softwareentwicklung, Recht, Steuern und Datenanalyse.

Die Modelle unterscheiden sich bei Geschwindigkeit und Preis: mini soll bei geringerer Latenz deutlich günstiger als GPT‑4o sein; nano wird als besonders schnelles und günstiges Modell für Aufgaben wie Klassifikation positioniert. Eine Million Tokens ermöglicht große Eingaben, doch die Leistung ist nicht bei jeder Aufgabe gleich stark. Bei anspruchsvollerem mehrstufigem Abruf sinken einzelne Ergebnisse deutlich, und im Anhang schneiden andere Modelle in manchen Tests besser ab. Auch die Benchmarkwerte haben Einschränkungen: 23 SWE-bench-Aufgaben wurden wegen Infrastrukturproblemen ausgelassen; konservativ als Fehler gewertet läge GPT‑4.1 dort bei 52,1 Prozent statt 54,6. OpenAI weist zudem auf den Einfluss von Prompts, Werkzeugen und Auswertungsmethoden hin. Die Aussagen und Praxisbeispiele stammen überwiegend vom Unternehmen und seinen Partnern.

Ausführlich lesen

OpenAI stellt in dem Bericht drei neue API-Modelle vor: GPT‑4.1, GPT‑4.1 mini und GPT‑4.1 nano. Nach Darstellung des Unternehmens verbessern sie gegenüber GPT‑4o und GPT‑4o mini vor allem Programmierfähigkeit, Befolgen von Anweisungen und Verständnis langer Eingaben. Alle drei Modelle können laut Bericht bis zu eine Million Tokens verarbeiten; ihr Wissensstand reicht bis Juni 2024. GPT‑4.1 ist nur über die API verfügbar. OpenAI zufolge wurden bereits einzelne Fähigkeiten schrittweise in GPT‑4o in ChatGPT übernommen. Die API-Vorschau von GPT‑4.5 sollte am 14. Juli 2025 eingestellt werden.

OpenAI belegt die Leistungsversprechen vorwiegend mit eigenen und externen Benchmarks sowie Rückmeldungen von Partnern. Bei SWE-bench Verified erreicht GPT‑4.1 laut Bericht 54,6 Prozent gegenüber 33,2 Prozent für GPT‑4o; auf MultiChallenge zur Befolgung mehrstufiger Anweisungen erzielt es 38,3 Prozent gegenüber 27,8 Prozent. Im Video-MME-Test für lange Videos ohne Untertitel werden 72,0 statt 65,3 Prozent angegeben. Diese Werte sind an die jeweiligen Testbedingungen gebunden: Bei SWE-bench wurden 23 von 500 Aufgaben ausgeschlossen, weil sie auf OpenAIs Infrastruktur nicht liefen; mit einer konservativen Wertung als falsch sinkt das Ergebnis auf 52,1 Prozent. Der Bericht betont außerdem, dass Prompting und Werkzeuge die Benchmarkresultate beeinflussen.

Für Anwendungen in der Praxis hebt OpenAI Verbesserungen beim Bearbeiten von Code, beim zuverlässigen Ausgeben von Änderungen im Diff-Format und bei der Reduktion unnötiger Codeänderungen hervor. In einem internen Test sank deren Anteil demnach von 9 auf 2 Prozent. Bezahlte menschliche Bewerter bevorzugten die mit GPT‑4.1 erstellten Websites in 80 Prozent der direkten Vergleiche mit GPT‑4o. Partner berichten unter anderem von besseren Ergebnissen bei Codeprüfungen, Steuerfragen, SQL-Auswertungen, juristischer Dokumentenprüfung und dem Auslesen umfangreicher Finanzunterlagen. Das sind vom Unternehmen wiedergegebene Partner- und interne Evaluationen, keine unabhängige Gesamtprüfung.

Beim langen Kontext berichten die Autoren von guten Ergebnissen beim Auffinden einzelner Informationen bis zu einer Million Tokens. Für schwierigere Aufgaben, bei denen mehrere ähnliche Textstellen unterschieden oder Zusammenhänge über längere Eingaben hinweg verfolgt werden müssen, bleibt die Leistung begrenzt. GPT‑4.1 erzielt im Graphwalks-Test unter 128.000 Tokens 61,7 Prozent, fällt bei BFS-Aufgaben oberhalb dieser Länge aber auf 19 Prozent. OpenAI bezeichnet solche Aufgaben selbst als schwierig und stellt Datensätze bereit, um weitere Forschung zu ermöglichen. Auch bei der Antwortgeschwindigkeit steigt die Latenz mit dem Kontext: Die erste Antwort token benötigte in OpenAIs Tests ungefähr 15 Sekunden bei 128.000 Tokens und etwa eine Minute bei einer Million; nano war bei 128.000 Eingabetokens meist unter fünf Sekunden.

Die kleineren Modelle zielen auf geringere Kosten und kürzere Antwortzeiten. OpenAI zufolge erreicht mini in vielen Tests GPT‑4o-Niveau oder übertrifft es bei annähernd halbierter Latenz und 83 Prozent geringeren Kosten. Nano wird als schnellstes und günstigstes Modell des Unternehmens beschrieben und soll sich etwa für Klassifikation und Autovervollständigung eignen. Die genannten Preise pro Million Tokens betragen für GPT‑4.1 2 US-Dollar Eingabe und 8 US-Dollar Ausgabe, für mini 0,40 und 1,60 US-Dollar sowie für nano 0,10 und 0,40 US-Dollar. Prompt-Caching wird mit 75 Prozent Rabatt angeboten; Batch-Nutzung kostet laut Bericht zusätzlich 50 Prozent weniger. Insgesamt zeigt der Anhang kein gleichmäßiges Übertreffen in allen Tests: Die Werte unterscheiden sich nach Aufgabe, Modell und Auswertungsmethode, und einzelne Vergleichswerte liegen bei anderen Modellen höher. OpenAI stellt die Resultate daher als Hinweise auf Leistungsprofile dar, nicht als Beleg für Überlegenheit in jeder Anwendung.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: falsch

Luna hat zwei Fassungen geliefert, die hier gemeinsam bewertet wurden. Die mittlere Fassung ist weitgehend treu, hat aber Lücken bei API-Only, GPT-4.5-Abschaltung und Preissenkungen. Die kurze Fassung kehrt die Kernaussage des Berichts um. Die Einordnung erfolgt unabhängig von Lunas Stufen. Der Bericht ist eine Produktankündigung ohne Aussagen zu Governance oder Labor-Selbstaufsicht. Teilfragen waren nicht angegeben.

Im Bericht, aber nicht in der Zusammenfassung

  • GPT-4.1 ist nur über die API verfügbar, nicht in ChatGPT (beide Fassungen)
  • Abschaltung von GPT-4.5 Preview in der API am 14. Juli 2025 (beide Fassungen)
  • Preissenkungen: GPT-4.1 ist laut Bericht 26 % günstiger als GPT-4o bei Median-Anfragen, Prompt-Caching-Rabatt steigt auf 75 %, Batch-API mit 50 % Rabatt (beide Fassungen)
  • Wissensstand der Modelle: Juni 2024 (beide Fassungen)
  • Kurze Fassung: die konkreten Benchmark-Zahlen und die Angaben zu Latenz und Preis fehlen vollständig

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Kurze Fassung: 'kein durchgängiges Übertreffen' von GPT-4o. Der Bericht behauptet das Gegenteil: Die drei Modelle übertreffen GPT-4o und GPT-4o mini 'across the board'.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 33 %einzelne zitierbare Belege
    • JEV 46 %umfangreiche Belege
    • amos 30 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung Hintergrund, keine Belege
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 28 %gleiches Oberthema, hilft nicht
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
Vertrauen in Modelle
  1. SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 38 %gleiches Oberthema, hilft nicht
    • d3-ultra 47 %gleiches Oberthema, hilft nicht
  2. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 38 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 60 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 40 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  4. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 34 %Hintergrund, keine Belege
    • JEV 47 %umfangreiche Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 56 %nur am Rande erwähnt
    • amos 34 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 43 %nur am Rande erwähnt
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
  2. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 43 %einzelne zitierbare Belege
    • JEV 33 %nur am Rande erwähnt
    • amos 28 %nur am Rande erwähnt
    • SubQ 36 %gleiches Oberthema, hilft nicht
    • drex 34 %nur am Rande erwähnt
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 31 %einzelne zitierbare Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →