GPT-4.1とは：OpenAIの最新AIモデルの全貌と実用性の飛躍的進化

2025年4月16日

本記事は弊社サービス「バクヤスAI 記事代行」を活用して執筆しております。

OpenAIが2025年4月※(https://finance.sina.com.cn/roll/2025-04-15/doc-inetevzz4384674.shtml?froms=ggmp)に発表した新しいAIモデル「GPT-4.1」は、コーディング能力、指示への忠実性、長文脈理解において大幅な改善を実現した最新世代のAIモデルです。本記事では、GPT-4.1の特徴や性能、実用例、そして同時に発表されたGPT-4.1 miniとGPT-4.1 nanoについても詳しく解説します。

GPT-4.1とは：OpenAIの最新モデルファミリーの概要

GPT-4.1は、OpenAIが提供する最新のAIモデルシリーズで、2025年4月にAPIを通じてリリースされました。GPT-4.1ファミリーは3つのモデルで構成されています：

GPT-4.1 – フラグシップモデル
GPT-4.1 mini – 中規模モデル
GPT-4.1 nano – 最小・最速モデル

これらのモデルは、従来のGPT-4oシリーズと比較して全面的な性能向上を実現しており、特にコーディング、指示への忠実性、長文脈理解において大きな進歩を遂げています。また、最大100万トークン（約300万語に相当）という広大なコンテキストウィンドウをサポートし、2024年6月までの最新知識を持っています。

GPT-4.1の主要な強化ポイント

1. コーディング能力の飛躍的向上

GPT-4.1は、コーディングタスクにおいて大幅な性能向上を達成しています：

SWE-bench Verified：実世界のソフトウェアエンジニアリングスキルを測定するこのベンチマークで、GPT-4.1は54.6%のタスクを完了。これはGPT-4oの33.2%から21.4%の絶対的向上
差分（diff）コーディング：Aiderのポリグロットベンチマークでは、GPT-4.1はGPT-4oのスコアを2倍以上に向上させ、GPT-4.5も8%上回った
フロントエンド開発：ウェブアプリケーション作成において、人間の評価者はGPT-4.1が作成したウェブサイトをGPT-4oのものより80%の確率で好んだ
無駄な編集の削減：内部評価では、コードに対する不要な編集がGPT-4oの9%からGPT-4.1では2%に減少

実際の使用例として、開発ツールのWindsurfでは、GPT-4.1はGPT-4oと比較して内部コーディングベンチマークで60%高いスコアを記録。これはコード変更が最初のレビューで承認される頻度と強い相関があります。また、QodoではGPT-4.1を他の主要モデルと比較して、GitHubプルリクエストから高品質なコードレビューを生成する能力をテストし、同一条件で200の実際のプルリクエストのうち55%のケースでGPT-4.1が優れた提案を行いました

2. 指示への忠実性の向上

GPT-4.1は指示に従う能力も大幅に向上しています：

フォーマット遵守：XML、YAML、Markdownなど、指定されたカスタムフォーマットでの応答能力
否定的指示：「サポートへの連絡を促さないでください」のような、避けるべき行動の指示への対応
順序付き指示：「まず名前を尋ね、次にメールアドレスを尋ねる」のような、特定の順序で従うべき指示への対応
コンテンツ要件：「栄養計画を書く際には必ずタンパク質の量を含む」のような、特定の情報を含めるよう求める指示への対応

OpenAIの内部指示遵守評価では、GPT-4.1は特に難しい指示において、GPT-4oの29%から49%へと大幅に改善しました。また、マルチターンの指示遵守も向上し、Scaleの提供するMultiChallengeベンチマークではGPT-4oより10.5%高いスコアを達成。さらにIFEvalでは87.4%を記録し、GPT-4oの81.0%を上回りました。

実際の使用例として、税務サポートツールのBlue Jでは、最も難しい現実世界の税務シナリオに関する内部ベンチマークでGPT-4.1はGPT-4oよりも53%高い精度を示しました。データ分析ツールのHexでは、最も難しいSQL評価セットにおいて2倍近い改善を実現し、大規模で曖昧なスキーマから正しいテーブルを選択する信頼性が向上しました。

3. 長文脈理解の強化

GPT-4.1シリーズの最も注目すべき改善点の一つは、全モデルが100万トークンまでの長いコンテキストを処理できる能力です。これは従来のGPT-4oモデルの128,000トークンから大幅に増加しています。100万トークンは、Reactのコードベース全体の8つのコピーを超えるため、大規模なコードベースや多数の長文書の処理に適しています。

OpenAIは内部評価で、GPT-4.1が100万トークンまでのあらゆる位置に配置された小さな隠された情報を一貫して正確に検索できることを示しました。また、OpenAI-MRCR（Multi-Round Coreference）とGraphwalksという新しい評価方法も導入され、GPT-4.1はこれらの複雑な長文脈理解タスクにおいても優れた性能を発揮しています。

実際の使用例として、Thomson Reutersは法律業務向けのAIアシスタントCoCounselでGPT-4.1をテストし、GPT-4oと比較して複数文書のレビュー精度が17%向上したことを確認。特に複数の情報源間でコンテキストを維持し、文書間の微妙な関係（矛盾する条項や追加の補足コンテキストなど）を正確に特定する能力が向上しました。投資会社のCarlyleでは、GPT-4.1を使用して複数の長文書（PDF、Excelファイルなど）から詳細な財務データを正確に抽出するテストを実施。非常に大きな文書からのデータ検索が50%改善され、他のモデルで見られた主要な制限（干し草の中の針の検索、中間での情報喪失、文書間の多段階推論）を克服した最初のモデルとなりました。

GPT-4.1 miniとGPT-4.1 nano：小型モデルの実力

GPT-4.1ファミリーには、主力モデルのGPT-4.1に加えて、より小型で高速なモデルも含まれています。

GPT-4.1 mini

GPT-4.1 miniは小型モデルの性能において大きな飛躍を遂げ、多くのベンチマークでGPT-4oを上回る性能を示しています：

インテリジェンス評価においてGPT-4oと同等またはそれ以上の性能
レイテンシーを約半分に削減
コストを83%削減
最大100万トークンのコンテキストウィンドウをサポート
視覚理解能力が特に優れており、多くの画像ベンチマークでGPT-4oを上回る

GPT-4.1 miniは、高い性能と効率のバランスを求めるアプリケーションに最適なモデルと言えるでしょう。

GPT-4.1 nano

GPT-4.1 nanoはOpenAIの最速・最小コストモデルであり、低レイテンシーを要求するタスクに適しています：

小型サイズながら優れた性能を提供
100万トークンのコンテキストウィンドウをサポート
MMLUで80.1%、GPQAで50.3%、Aiderのポリグロットコーディングで9.8%のスコアを達成（いずれもGPT-4o miniより高い）
分類や自動補完などのタスクに最適

GPT-4.1 nanoは、リアルタイム応答性が求められる軽量なアプリケーションにおいて、コストを抑えつつ高い性能を発揮するモデルとして位置付けられています。

視覚理解能力の向上

GPT-4.1ファミリーは画像理解においても優れた性能を示しており、特にGPT-4.1 miniは多くの画像ベンチマークでGPT-4oを上回る大きな進歩を遂げています：

MMMU（チャート、図表、地図などを含む質問に答える）：GPT-4.1は75%、GPT-4.1 miniは73%のスコアを達成（GPT-4oは69%）
MathVista（視覚的な数学タスクを解く）：GPT-4.1は72%、GPT-4.1 miniは73%のスコアを達成（GPT-4oは61%）
CharXiv-Reasoning（科学論文のチャートに関する質問に答える）：GPT-4.1とGPT-4.1 miniはともに57%のスコアを達成（GPT-4oは53%）

また、長い動画を処理するようなマルチモーダルユースケースにおける長文脈性能も重要です。GPT-4.1はVideo-MME（字幕なしの30〜60分の長い動画に基づく多肢選択問題に答える）で最先端の性能を達成し、72.0%のスコアを記録しました（GPT-4oは65.3%）。

GPT-4.1ファミリーの価格設定

OpenAIは、推論システムの効率改善により、GPT-4.1シリーズで低価格を実現しています：

モデル	入力（100万トークンあたり）	キャッシュされた入力	出力（100万トークンあたり）	混合価格*
GPT-4.1	$2.00	$0.50	$8.00	$1.84
GPT-4.1-mini	$0.40	$0.10	$1.60	$0.42
GPT-4.1-nano	$0.10	$0.025	$0.40	$0.12

*一般的な入出力とキャッシュ比率に基づく

GPT-4.1は一般的なクエリにおいてGPT-4oより26%安価であり、GPT-4.1 nanoはOpenAIの最も安価で高速なモデルです。同じコンテキストを繰り返し渡すクエリについては、プロンプトキャッシングの割引が75%に引き上げられました（以前は50%）。また、長いコンテキストのリクエストは標準的なトークンあたりのコスト以上の追加料金なしで提供されます。

これらのモデルはOpenAIのBatch APIでも利用可能で、追加で50%の価格割引が適用されます。

GPT-4.1の実用例：ベンチマークを超えた実世界での評価

ベンチマークは価値ある洞察を提供しますが、OpenAIはこれらのモデルを実世界での有用性に焦点を当てて訓練しました。開発者コミュニティとの緊密な協力と提携により、アプリケーションに最も重要なタスクに対してこれらのモデルを最適化しています。

実際の使用例として、以下のようなフィードバックが寄せられています：

Windsurf：GPT-4.1はWindsurfの内部コーディングベンチマークでGPT-4oより60%高いスコアを記録。ユーザーは、ツール呼び出しが30%効率的になり、不必要な編集の繰り返しや狭く漸進的なステップでコードを読む可能性が約50%少なくなったと指摘しました。
Qodo：QodoはGPT-4.1を他の主要モデルと比較して、GitHubプルリクエストから高品質なコードレビューを生成する能力をテストしました。同一の条件で200の意味のある実世界のプルリクエストにおいて、GPT-4.1は55%のケースでより優れた提案を行いました。
Blue J：GPT-4.1はBlue Jの最も難しい現実世界の税務シナリオに関する内部ベンチマークでGPT-4oより53%高い精度を示しました。この精度の向上は、システムのパフォーマンスとユーザー満足度の両方に不可欠であり、GPT-4.1が複雑な規制を理解し、長いコンテキストにわたる微妙な指示に従う能力が向上したことを強調しています。
Hex：GPT-4.1はHexの最も難しいSQL評価セットで2倍近い改善を実現し、指示遵守と意味理解において大きな向上を示しました。モデルは、大規模で曖昧なスキーマから正しいテーブルを選択することにおいてより信頼性が高く、これは全体的な精度に直接影響する上流の決定ポイントです。
Thomson Reuters：Thomson ReutersはGPT-4.1を法律業務向けのAIアシスタントCoCounselでテストし、GPT-4oと比較して複数文書のレビュー精度が17%向上したことを確認しました。特に、情報源間でコンテキストを維持し、文書間の微妙な関係（矛盾する条項や追加の補足コンテキストなど）を正確に特定する能力が向上し、これは法的分析と意思決定に不可欠なタスクです。
Carlyle：CarlyleはGPT-4.1を使用して、複数の長い文書（PDF、Excelファイルなど）から詳細な財務データを正確に抽出するテストを実施しました。内部評価に基づくと、非常に大きなデータ集約型文書からの検索が50%向上し、他の利用可能なモデルで見られた主要な制限（干し草の中の針の検索、中間での情報喪失、文書間の多段階推論）を克服した最初のモデルとなりました。

GPT-4.1ファミリーのアカデミックベンチマーク結果

GPT-4.1ファミリーは様々なアカデミックベンチマークでも優れた性能を示しています：

学術知識

MMLU：GPT-4.1は90.2%、GPT-4.1 miniは87.5%、GPT-4.1 nanoは80.1%のスコアを達成（GPT-4oは85.7%）
多言語MMLU：GPT-4.1は87.3%のスコアを達成（GPT-4oは81.4%）
GPQA Diamond：GPT-4.1は66.3%、GPT-4.1 miniは65.0%、GPT-4.1 nanoは50.3%のスコアを達成（GPT-4oは46.0%）

長文脈評価

OpenAI-MRCR（2 needle 128k）：GPT-4.1は57.2%、GPT-4.1 miniは47.2%、GPT-4.1 nanoは36.6%のスコアを達成（GPT-4oは31.9%）
Graphwalks bfs <128k：GPT-4.1とGPT-4.1 miniはともに61.7%、GPT-4.1 nanoは25.0%のスコアを達成（GPT-4oは41.7%）

関数呼び出し

ComplexFuncBench：GPT-4.1は65.5%、GPT-4.1 miniは49.3%、GPT-4.1 nanoは5.7%のスコアを達成（GPT-4oは66.5%）
Taubench retail：GPT-4.1は68.0%（73.6%）、GPT-4.1 miniは55.8%（65.4%）、GPT-4.1 nanoは22.6%（23.5%）のスコアを達成（GPT-4oは60.3%）

GPT-4.1の使用開始方法とプロンプト最適化

GPT-4.1、GPT-4.1 mini、およびGPT-4.1 nanoはすべての開発者が利用可能です。これらのモデルを使用するための簡単なステップは次のとおりです：

OpenAIのAPIアカウントを持っていることを確認
API呼び出しでgpt-4.1、gpt-4.1-mini、またはgpt-4.1-nanoモデル名を指定
最大100万トークンのコンテキストウィンドウを活用

GPT-4.1はより文字通りの解釈をする傾向があるため、プロンプトでは明示的かつ具体的な指示を行うことが推奨されています。OpenAIのプロンプトガイドラインに従うことで、GPT-4.1の能力を最大限に引き出すことができます。

特にコードdiffのパフォーマンスを最適化するために、OpenAIのプロンプティングガイドを参照することが推奨されています。GPT-4.1では、ファイル全体を書き直すのではなく、変更された行のみを出力することで、コストとレイテンシーの両方を節約できます。また、ファイル全体を書き直すことを好む開発者のために、GPT-4.1の出力トークン制限は32,768トークンに増加されています（GPT-4oの16,384トークンから増加）。

GPT-4.1とGPT-4o、GPT-4.5の比較

GPT-4.1はGPT-4oおよびGPT-4.5と比較して、多くの能力において改善または同等のパフォーマンスを提供します：

コーディング：GPT-4.1はSWE-bench Verifiedで54.6%のスコアを達成し、GPT-4oの33.2%とGPT-4.5の38.0%を大幅に上回っています
指示遵守：内部指示遵守評価（難しいサブセット）では、GPT-4.1は49.1%のスコアを達成し、GPT-4oの29.2%を大幅に上回っていますが、GPT-4.5の54.0%にはやや及びません
長文脈理解：Graphwalks bfs <128kでは、GPT-4.1は61.7%のスコアを達成し、GPT-4oの41.7%を上回っていますが、GPT-4.5の72.3%には及びません
視覚理解：Video-MMEの長文脈カテゴリーでは、GPT-4.1は72.0%のスコアを達成し、GPT-4oの65.3%を上回っています
コスト効率：GPT-4.1は一般的なクエリにおいてGPT-4oより26%安価です

GPT-4.1はGPT-4oを全面的に上回る性能を提供し、多くの主要能力においてGPT-4.5に近いか同等のパフォーマンスを、はるかに低いコストとレイテンシーで実現しています。このため、OpenAIはAPI内のGPT-4.5 Previewの廃止を開始し、開発者が移行する時間を与えるために2025年7月14日に完全に終了する予定です。

GPT-4.1の制限と将来の展望

GPT-4.1ファミリーは多くの改善を実現していますが、いくつかの制限も存在します：

GPT-4.1はAPIでのみ利用可能であり、ChatGPTでは利用できません（ただし、指示遵守、コーディング、インテリジェンスの改善の多くは最新バージョンのGPT-4oに徐々に取り入れられています）
初期テスターによれば、GPT-4.1はより文字通りの解釈をする傾向があるため、プロンプトでは明示的かつ具体的な指示が必要です
100万トークンのコンテキストを持つリクエストのレイテンシーは、128,000トークンのコンテキストで約15秒、100万トークンのコンテキストで約1分と長くなります（GPT-4.1 miniとnanoはより高速）

OpenAIは今後も改善を続け、ChatGPTの最新バージョンのGPT-4oに機能を組み込んでいく予定です。また、GPT-4.5で評価されていた創造性、文章の質、ユーモア、ニュアンスを今後のAPIモデルに引き継いでいくことも表明しています。