1.1 从 GPT-4 系列演进看 GPT-4.1 的发布背景
我记得 GPT-4 刚出来那会儿，大家兴奋得不行，觉得通用人工智能离我们近了一大步。后来 OpenAI 又推了 GPT-4 Turbo，把上下文拉长，价格也降了一些。再往后是 GPT-4o，主打多模态，能看图片、听声音，响应速度也快了很多。我身边不少做产品的朋友都转向了 GPT-4o，觉得一个模型能搞定文字和图像，省事。可实际用下来，做代码生成或者处理几十页文档的时候，GPT-4o 有时候会漏掉细节，指令遵循也不够稳。我就在想，OpenAI 是不是该出一个专门针对这类硬核任务的模型了。
GPT-4.1 就是在这样的背景下冒出来的。我翻了下发布说明，它没有走多模态路线，反而把力气花在了编码、长上下文和指令遵循上。这让我觉得 OpenAI 在细分市场上开始动真格了。以前大家总说一个模型打天下，现在他们拿 GPT-4.1 告诉开发者：你要是主要写代码、读长文档、做结构化抽取，那这个版本更对你胃口。我试了一下，确实能感觉到它在这些任务上的针对性。
1.2 GPT-4.1 家族版本：GPT-4.1、GPT-4.1 mini、GPT-4.1 nano 的定位差异
GPT-4.1 家族一共三个成员，我花了一个下午对比它们的定位。GPT-4.1 是旗舰，能力最全，上下文能到 100 万 token，适合那些对精度要求高、任务复杂的场景。GPT-4.1 mini 走的是平衡路线，价格便宜不少，速度也快，我拿它跑了一些中等长度的文档摘要和代码补全，效果挺够用。GPT-4.1 nano 则是小钢炮，专门给那些预算紧张、任务简单的场景，比如分类、实体识别、简单问答。我有个做独立开发的朋友，他用 nano 处理用户反馈的自动打标签，一个月成本才几块钱。
从我的使用感受来说，这三个版本不是简单的“大中小”关系，而是给不同阶段的团队准备的。刚起步的团队可以用 nano 快速验证想法，等产品跑通了再换 mini 或者旗舰。大企业也可以把 nano 放在边缘端做预处理，把旗舰留给核心推理。这种梯度设计让我想起手机芯片的玩法，旗舰、次旗舰、入门，各取所需。
1.3 长上下文、指令遵循与编码能力的关键升级
长上下文是 GPT-4.1 最让我惊讶的地方。我扔了一个 80 万 token 的技术文档进去，让它找出所有关于 API 限流的段落，顺便总结变化。它不但找全了，还按时间顺序排好了，中间没有出现“忘记开头”的情况。以前用别的模型，上下文一长，它就容易丢三落四。GPT-4.1 在这个点上做得扎实，我猜 OpenAI 在注意力机制或者位置编码上动了手脚。
指令遵循这块，我拿它和 GPT-4o 做了个对比测试。我写了一段很绕的需求：先让模型扮演一个严格的代码审查员，然后按照我给的六条规则逐条检查一段 Python 代码。GPT-4o 会漏掉一两条规则，或者把规则顺序搞混。GPT-4.1 基本每条都踩到了，输出的格式也规规矩矩。编码能力上，我让它写一个带重试机制的异步 HTTP 客户端，它直接给出了可运行的代码，连异常处理都考虑到了。这种稳定性对开发者来说很省心。
1.4 目标用户与典型使用场景总览
我观察下来，GPT-4.1 的目标用户主要是三类人。一类是天天写代码的开发者，他们需要模型能理解复杂逻辑、生成靠谱的代码片段。一类是处理大量文档的分析师或法务人员，他们要把几十上百页的合同、报告、论文喂给模型，让模型提取关键信息。还有一类是做智能客服或自动化流程的团队，他们需要模型严格遵循指令，不能自由发挥。我所在的团队就属于第一类和第三类的混合，既写代码又做客服机器人。
典型场景我列几个自己跑过的。代码生成不用说了，GPT-4.1 能根据注释直接写出函数，还能帮你重构老代码。长文档分析我试过把一份 200 页的行业报告丢进去，让它输出一份执行摘要，结果比我手动读快多了。结构化抽取也很强，我从一堆邮件里让它抽出发件人、日期、金额、项目编号，它输出成 JSON，几乎不用改。智能客服方面，我设定了严格的回复模板，GPT-4.1 很少越界，用户问什么它答什么，不会自己加戏。这些场景加起来，让我觉得 GPT-4.1 是一个干实事的模型，不是拿来炫技的。
2.1 模型架构与模态能力对比：文本专精与多模态通用
我拿 GPT-4.1 和 GPT-4o 做了不少横向测试，最大的感受是这俩模型的底层设计思路完全不一样。GPT-4o 的“o”代表 omni，意思是全能，它能处理文本、图像、音频，甚至能理解视频帧。我给它一张截图，让它分析里面的表格数据，它做得挺溜。GPT-4.1 就不一样了，它是个纯文本模型，你给它图片，它压根不认。OpenAI 在 GPT-4.1 上做了一次减法，把多模态那部分砍掉，把省下来的算力和参数全砸在文本理解、代码生成和长上下文处理上。这让我想起相机镜头，一个是变焦头，什么都能拍一点，一个是定焦头，专门为人像优化，虚化和锐度就是比变焦头强。
我特意试过让 GPT-4o 和 GPT-4.1 同时读一份两百页的纯文本技术规范。GPT-4o 读得也不差，它能总结出大意，但细节上会打折扣。GPT-4.1 在文本上的专注度明显更高，它能把规范里那些交叉引用的条款都理清楚，甚至能指出某一节和另一节之间的逻辑冲突。这种差异让我觉得 GPT-4.1 更像一个学术型选手，专门啃硬文本，而 GPT-4o 是一个社交达人，能看能听能说，但深度阅读不是它的最强项。
不过模态能力的缺失也带来一个实际好处。GPT-4.1 因为不用处理图像和音频的编码解码，它的文本推理路径更直接，我观察到它在纯文本任务上的稳定性比 GPT-4o 好一截。你让它按格式输出，它很少给你加戏。你让它扮演某个角色，它不会突然跳出来聊图片。这种“专一”对做后端服务的人来说，反而省心。
2.2 上下文窗口、知识截止与推理表现差异
上下文窗口是我最在意的指标之一。GPT-4o 的上下文是 12.8 万 token，日常用够，但真要塞一本几百页的书进去，就有点捉襟见肘。GPT-4.1 直接拉到 100 万 token，这个跨度让我有点震惊。我试过把一整年的公司周报，大概六十多万 token，一次性喂给 GPT-4.1，让它找出所有提到“预算调整”的段落，并按季度归类。它完成了，而且没有出现中途遗忘的情况。GPT-4o 在同样任务下，读到后面就忘了前面，输出的归类会漏掉几个季度的内容。长上下文这件事，GPT-4.1 是实打实的升级，不是纸面参数。
知识截止时间上，两个模型差不多，都在 2024 年中左右。我问过它们一些 2024 年下半年的事件，两个都答不上来。这点上它们没有明显差距。推理表现的分化比较有意思。我拿了一套逻辑推理题，包括多步数学计算和条件约束求解，分别让两个模型跑。GPT-4o 在简单推理上速度很快，答案也对。一旦题目变复杂，比如需要同时满足五六个约束条件，GPT-4o 会偶尔跳步，给出一个看似合理但实际有漏洞的答案。GPT-4.1 在复杂推理上更稳，它会一步一步推导，虽然速度慢一点，但准确率高出一截。我猜这跟 GPT-4.1 在训练时强化了思维链有关，它更愿意“想清楚再答”。
还有一个细节，GPT-4.1 在处理长上下文时的推理一致性更好。我做过一个测试，在一段十万 token 的文档中间埋了一个关键条件，然后在文档末尾问一个需要用到这个条件的问题。GPT-4o 有时候会忽略中间那个条件，直接凭末尾的信息作答。GPT-4.1 能准确地回溯到中间那段，把条件用上。这个能力对做合同分析、法律文书审查的人来说，价值很大。
2.3 编码、指令遵循、长文档处理与工具调用对比
编码能力上，我让两个模型做了同一道题：写一个支持断点续传的文件下载器，要求处理网络异常、校验文件完整性、支持多线程。GPT-4o 给出的代码框架没问题，但在异常处理那块，它漏掉了超时重试的边界情况。GPT-4.1 的代码更完整，它甚至主动加了一个进度回调接口，方便调用方监控下载状态。我拿这两段代码跑了单元测试，GPT-4.1 的通过率更高。这不是说 GPT-4o 不会写代码，它在简单函数和脚本上依然很快很好用，但复杂工程任务上，GPT-4.1 的代码质量确实高一个档次。
指令遵循方面，我设计了一个多层嵌套的指令集：先让模型扮演一个技术文档翻译，然后要求它保持术语一致性，再要求它把代码块原样保留，最后要求它在每段末尾加一个总结句。GPT-4o 能完成大部分，但会在某些段落忘记加总结句，或者把代码块里的注释也翻译了。GPT-4.1 几乎每次都严格执行所有指令，我试了二十次，只有一次漏掉了总结句。这种稳定性对做自动化流程的人来说太重要了，你不需要反复检查输出，模型自己就把规矩守住了。
长文档处理我前面提过，这里补充一个工具调用的对比。GPT-4.1 在函数调用上的准确性更高。我定义了一个查询天气的函数，参数包括城市、日期、单位。GPT-4o 有时候会把日期格式搞错，或者把单位参数漏掉。GPT-4.1 在十次调用里九次都能正确填充所有参数。我还在一个多工具场景下测试过，让模型根据用户问题决定调用哪个工具。GPT-4.1 的选择更精准，它不会把“帮我订机票”错误地路由到“查询天气”的工具上。这种工具调用的可靠性，直接影响智能体应用能不能落地。
2.4 延迟、吞吐与适用场景选择建议
延迟和吞吐这块，我做了个简单的压测。在同样的硬件环境下，GPT-4o 的首 token 延迟更低，大概比 GPT-4.1 快百分之二三十。GPT-4o 的设计目标就是快，它要支持实时对话、语音交互，慢一点都不行。GPT-4.1 因为模型更大、推理更重，首 token 会慢一些，但它的输出吞吐量不差，一旦开始生成，速度挺稳定。我拿它跑批量任务，比如一次性处理五百份简历，它的总完成时间和 GPT-4o 差不多，甚至因为一次通过率高，省去了重试的时间，反而更快。
适用场景上，我的建议很直接。如果你做的是实时聊天机器人、语音助手、或者需要看图的场景，GPT-4o 更合适，它的多模态和低延迟是刚需。如果你做的是代码生成、长文档分析、结构化数据抽取、或者需要严格指令遵循的自动化流程，GPT-4.1 是更好的选择。我自己的团队现在就是混合用，客服机器人的实时回复走 GPT-4o，后台的合同审查和代码审查走 GPT-4.1。这样既保证了用户体验，又在关键任务上拿到了更高的准确率。
成本也是选型时要考虑的。GPT-4.1 的输入输出价格比 GPT-4o 低一些，尤其是缓存命中的情况下，差距更明显。我算过一笔账，同样处理一百万 token 的文档，GPT-4.1 的成本大概是 GPT-4o 的七八成。如果你的任务不需要多模态，又对精度有要求，换到 GPT-4.1 不光效果更好，钱包也更舒服。我有个朋友做法律科技，之前用 GPT-4o 审合同，经常要人工复核，换了 GPT-4.1 之后，人工复核的工作量少了一半，整体成本反而降了。
3.1 GPT-4.1 API 价格结构：输入、输出、缓存与批量计费
我拿到 GPT-4.1 定价表的时候，第一反应是 OpenAI 这次在价格上动了真格。标准版 GPT-4.1 的输入价格是每百万 token 2 美元，输出价格是每百万 token 8 美元。缓存命中的输入价格只要 0.5 美元，是标准输入价的四分之一。这个结构说明 OpenAI 在鼓励你重复使用相同的提示前缀。输出比输入贵四倍，我完全理解，生成 token 需要模型逐字推理，算力消耗大得多。我平时写代码调用 API，输入里塞很多文档和示例，输出可能就几百个 token，这种场景下输入成本占大头，缓存策略就特别关键。
批量 API 是另一个省钱的口子。GPT-4.1 的批量请求价格在标准价基础上打五折，输入降到 1 美元，缓存输入降到 0.25 美元，输出降到 4 美元。我拿一个离线数据清洗任务试过，两万条记录，用批量接口提交，第二天早上收结果，账单比实时调用少了一半。代价是延迟，批量任务通常要等几小时到二十四小时。如果你的业务不要求即时响应，比如夜间跑报告、批量翻译、内容审核，批量接口值得用起来。缓存和批量结合的话，成本还能再压一截，我试过把固定系统提示和示例放在前面，缓存命中后再走批量，输入成本低到可以忽略。
我提醒一点，价格里的 token 计算方式要搞清楚。输入 token 包括你发的所有内容：系统提示、历史对话、用户问题、上传的文档片段。输出 token 包括模型生成的每一个字，包括标点。缓存只对完全相同的输入前缀生效，你改一个字，缓存就失效。我见过有人把动态时间戳放在系统提示最前面，结果每次请求都缓存不中，白白多花钱。把固定不变的内容放前面，把变量放后面，这是用好缓存的基本功。
3.2 GPT-4.1 mini 与 nano 的价格梯度与性价比
GPT-4.1 mini 的定价是输入每百万 token 0.4 美元，缓存输入 0.1 美元，输出 1.6 美元。nano 更夸张，输入 0.1 美元，缓存输入 0.025 美元，输出 0.4 美元。这个价格梯度拉得很开。我拿 nano 跑过简单的实体抽取任务，从新闻里抽公司名和融资金额，准确率够用，成本低到让我怀疑是不是算错了。nano 适合高并发、低复杂度的场景，比如关键词分类、情感判断、简单格式化输出。你一天跑几百万次调用，账单也就几十美元。
mini 的位置在中间。它的价格是 nano 的四倍，但比 GPT-4.1 标准版便宜五倍。我拿 mini 做客服意图识别和工单分类，效果比 nano 稳，遇到稍微绕一点的用户表达也能处理。mini 在代码补全和指令遵循上也有不错的表现，我试过让它写单元测试，生成质量比 nano 高一大截。我的团队现在把 mini 当作主力模型之一，简单任务给 nano，中等任务给 mini，只有复杂推理和长文档分析才动用 GPT-4.1。这样分层下来，整体成本降了六成，用户侧几乎感觉不到差别。
性价比不是单纯比单价。你要看任务通过率。nano 便宜，但复杂任务上错误率高，重试和人工修正的成本可能超过省下的 token 费。我做过一个对比，同样的合同条款抽取，nano 需要三次重试才能达到 mini 一次通过的效果，算上重试的 token 和人工复核时间，mini 反而更划算。我的建议是，先用 nano 跑通流程，发现准确率不够就升到 mini，mini 搞不定再上 GPT-4.1。不要一上来就用最贵的模型，也不要为了省钱死磕最便宜的。
3.3 与 GPT-4o API 价格的横向对比
GPT-4o 的定价是输入每百万 token 2.5 美元，缓存输入 1.25 美元，输出 10 美元。GPT-4.1 的输入 2 美元，缓存输入 0.5 美元，输出 8 美元。输入便宜了 20%，输出便宜了 20%，缓存输入便宜了 60%。我算过一笔账，同样处理一百万 token 输入和一百万 token 输出，GPT-4.1 花 10 美元，GPT-4o 花 12.5 美元。如果你的应用缓存命中率高，差距会拉得更大。我有个做法律文档分析的朋友，之前用 GPT-4o，每天输入几百万 token 的合同文本，缓存命中率一般，账单很高。换到 GPT-4.1 之后，他把常用条款和模板放在提示前缀里，缓存命中率提到七成，输入成本直接砍半。
GPT-4o mini 和 GPT-4.1 mini 的对比更有意思。GPT-4o mini 输入 0.15 美元，缓存输入 0.075 美元，输出 0.6 美元。GPT-4.1 mini 输入 0.4 美元，缓存输入 0.1 美元，输出 1.6 美元。GPT-4.1 mini 比 GPT-4o mini 贵不少，但它的指令遵循和代码能力更强。我拿两者做结构化抽取，GPT-4o mini 经常漏字段，GPT-4.1 mini 的完整率高很多。如果你做的是简单分类，GPT-4o mini 够用且便宜。如果你要模型严格按 JSON 格式输出，GPT-4.1 mini 的额外成本换来的稳定性值回票价。nano 就更便宜了，输入 0.1 美元，输出 0.4 美元，比 GPT-4o mini 还低，适合大规模轻量任务。
选模型不能只看价格。GPT-4o 支持图像和音频输入，GPT-4.1 只吃文本。如果你的业务要处理截图、语音、视频帧，GPT-4o 是唯一选择，价格高也得用。纯文本任务上，GPT-4.1 在价格和精度上都占优。我自己的做法是，多模态入口走 GPT-4o，把图像转成文本描述后，后续的深度分析交给 GPT-4.1。这样既保留了多模态能力，又在文本处理环节省了钱。
3.4 成本优化策略：提示缓存、批量请求、模型路由与 Token 管理
提示缓存是我最推荐的省钱手段。你把系统提示、角色设定、few-shot 示例、长文档这些固定内容放在请求最前面，OpenAI 的缓存系统会自动识别重复前缀。缓存命中的输入价格降到标准价的四分之一，GPT-4.1 是 0.5 美元每百万 token，mini 是 0.1 美元，nano 是 0.025 美元。我习惯把提示拆成两层：第一层是永远不变的角色和规则，第二层是动态的用户输入。这样每次请求只有第二层变化，第一层稳定命中缓存。我有个项目每天调用几十万次，启用缓存后输入成本降了七成。
批量请求适合离线任务。你把一堆请求打包成一个文件，提交给批量 API，OpenAI 在二十四小时内处理完，价格打五折。我拿它跑过夜间数据标注和批量摘要，两万条记录的成本从四十美元降到二十美元。批量接口的延迟换来的是真金白银。我建议把不要求实时响应的任务都走批量，比如日志分析、内容分类、历史数据回填。实时对话、在线客服这些场景还是走标准接口，用户体验不能牺牲。
模型路由是另一个大杀器。我写了一个简单的路由层，根据输入长度、任务类型和置信度要求，把请求分发给 nano、mini 或 GPT-4.1。短问题、简单分类走 nano，中等长度的摘要和抽取走 mini，长文档、复杂代码、多步推理走 GPT-4.1。路由规则可以很粗，比如输入超过五千 token 就交给 GPT-4.1，少于五百 token 就给 nano。我实测下来，整体成本降了六成，任务成功率只掉了不到两个百分点。路由层本身不复杂，几百行代码就能搭起来。
Token 管理是日常功夫。我见过太多人没设 max_tokens，模型自由发挥，输出几千 token 的废话，账单暴涨。我的习惯是给每个接口设一个合理的输出上限，比如分类任务 50 token，摘要任务 500 token。提示里的冗余内容也要定期清理，把“请”“麻烦”“非常感谢”这些客套话删掉，它们也占 token。长文档不要整篇塞进去，先做分块检索，只把相关的几段送给模型。我还会给每个项目打标签，监控 token 消耗，发现异常调用立刻排查。这些小事做下来，比换模型省得更多。
4.1 典型应用：代码生成、长文档分析、结构化抽取与智能客服
代码生成是我用 GPT-4.1 最频繁的场景。我手头有一个维护了三年多的老项目，代码风格混乱，变量命名毫无规律，之前的模型改起来经常顾此失彼。换成 GPT-4.1 之后，我直接把它整个模块的代码文件丢进上下文，让它做重构和补全。它能记住一百多万 token 的代码上下文，跨文件的函数调用关系理得很清楚。我上一次让它给一个涉及七个文件的订单流程添加退货逻辑，它生成的补丁基本一遍过，只改了两处边界条件。这种感觉像是团队里多了一个真正读懂你代码库的同事。mini 版本我用来做单人业务，补个表单校验、写个日期格式化工具，速度够快，质量也稳。
长文档分析是 GPT-4.1 拉开差距的地方。我做法律科技的朋友，一份股权投资协议动辄两百页，附带各种附件和补充条款。以前用 GPT-4o，他得手动切片、建向量库、做检索增强，流程复杂，还容易漏掉跨章节的引用。GPT-4.1 直接把整份协议塞进去，让它做条款抽取、风险点归纳、和标准模板的差异比对。他说准确率提升最明显的是引用关系，比如某一条回购条款在附件三里有例外说明，GPT-4o 经常找不到，GPT-4.1 能准确指出来。我也拿它分析过技术规范文档，三千多页的协议标准，让它整理出和我产品相关的所有条目，省了我好几天的阅读时间。
结构化抽取是我日常跑批最多的任务。电商场景里，从商品详情页抽品牌、型号、规格、颜色、尺码表，输出成严格 JSON。GPT-4.1 的指令遵循能力在这个场景里体现得很明显。我给它一个 schema，它输出的字段名、类型、嵌套结构几乎不会出错。mini 做这件事的性价比最高，我每天处理二十万条商品数据，用 mini 跑一遍，错误率在千分之三以内，加上重试机制，最终可用率超过百分之九十九。nano 也试过，简单页面没问题，遇到表格和图片描述的复杂页面就开始胡编。我的做法是先用 nano 快速过一遍，把置信度低的分拣出来交给 mini 复核。
智能客服是我看到落地最成熟的场景。我帮一家做 SaaS 的公司搭过一套客服知识库问答系统，底层用 GPT-4.1 做意图理解和答案生成，mini 做前置分类和常见问题快速回复。他们最头疼的是多轮对话里用户突然切换话题，比如问着账单问题突然投诉登录故障。GPT-4.1 在长对话上下文里保持话题追踪的能力比 GPT-4o 稳，指令遵循也更强，我们给它设了严格的回复边界，不该承诺的绝不乱说。系统上线后人工转接率降了四成。nano 在他们的场景里承担了简单问候和营业时间查询，一天几百万次调用，成本几乎可以忽略。
4.2 迁移与接入指南：从 GPT-4o 到 GPT-4.1 的评估清单
我自己的团队是从 GPT-4o 迁到 GPT-4.1 的，前后花了大概三周做评估和灰度。第一步不是改代码，是整理一份评估清单。我列了四个维度：任务准确率、响应延迟、token 消耗、异常处理。每个维度挑出三到五个代表性用例，用同样的输入分别跑 GPT-4o 和 GPT-4.1，人工盲评打分。这个过程听起来笨，但帮我发现了一个关键问题：我们的提示词里有很多针对 GPT-4o 的“补丁式”指令，比如反复强调“不要编造”“严格按格式”，GPT-4.1 不需要这些也能做好，留着反而浪费 token，还让输出变得僵硬。
接口层面，从 GPT-4o 换到 GPT-4.1 基本是改模型名称的事，但有几个坑我踩过。GPT-4.1 只接受文本输入，如果你的调用里混了图像或音频，要么报错，要么被静默忽略。我建议在路由层做一个前置判断，检测到非文本内容就走 GPT-4o，纯文本再交给 GPT-4.1。另一个坑是 system message 的处理方式，GPT-4.1 对系统提示的服从度更高，以前藏在用户消息里的指令可以拿出来放到 system 里，效果更好。我把所有项目的 system message 重新梳理了一遍，把角色设定、输出格式、禁止事项都规规矩矩放进去，用户消息只保留实际输入。
评估通过之后不要一刀切全量切。我是按流量比例灰度，第一天百分之五，观察一周，没问题加到百分之二十，再观察一周，加到百分之五十，最后全量。灰度期间做好日志对比，同一个请求ID在两边跑的结果都存下来，方便回查。我遇到过一个小概率问题，GPT-4.1 在某些日期格式的解析上和 GPT-4o 不一样，比如“03/04/2025”，GPT-4o 倾向按美式月/日理解，GPT-4.1 更依赖上下文。这种差异在灰度期间被我们发现，加了显式格式说明就解决了。全量之后我留了百分之五的流量继续走 GPT-4o 做影子对比，持续了两周才撤掉。
4.3 安全、合规与部署注意事项
安全和合规这块，我的态度是宁可保守。GPT-4.1 的上下文窗口大，很多人喜欢把整个知识库或者数据库导出直接塞进去，这样做风险很高。数据一旦进入 API 请求，就离开了你的可控范围。我的做法是只送必要的片段，敏感字段在进入模型之前做脱敏，身份证号、手机号、银行卡号这些用占位符替换，输出之后如果需要再映射回去。我见过有团队把用户完整对话历史不加处理就发出去，里面有地址、订单号、甚至聊天记录，出了事责任完全在自己。OpenAI 的企业版有数据不用于训练的承诺，但个人版和免费版没有，调用之前先确认自己的账号类型和数据处理条款。
部署架构上，我坚持在自己的服务端做一层网关，所有对 GPT-4.1 的调用都经过这层网关。网关负责四件事：鉴权、限流、日志、内容过滤。鉴权是防止 API key 泄露后被滥用，限流是防止某个业务线把配额跑爆影响别人，日志是出事之后能回溯，内容过滤是拦住明显违规的输入和输出。我用的内容过滤比较简单，关键词黑名单加正则，配合模型的 moderation 接口做二次筛查。这层网关还负责模型路由，根据任务类型决定走 nano、mini 还是 GPT-4.1，业务代码完全不用关心底层用的是哪个模型。
合规方面，不同行业要求差别很大。金融和医疗的客户会问数据存储位置、传输加密、审计日志保留多久。我一般建议他们用云服务商的企业通道，签数据处理协议，开启私有网络连接，避免公网传输。如果合规要求特别严格，可以考虑私有部署的开源模型做兜底，把 GPT-4.1 只用在非敏感环节。我有个做医疗咨询的客户，患者问诊记录绝对不出内网，他们用本地部署的小模型做初步处理，脱敏后的纯医学问题才发给 GPT-4.1。这种混合架构成本高一些，但合规上站得住。我的原则是，能用技术手段规避的风险不要用流程去赌，能用合同约束的不要靠自觉。
4.4 模型选型矩阵与 GPT-4.1 的长期价值
我给自己团队画了一张选型矩阵，横轴是任务复杂度，纵轴是吞吐要求。低复杂度高吞吐的格子放 nano，典型任务是关键词提取、情感分类、简单格式化。中复杂度中高吞吐的格子放 mini，典型任务是意图识别、单轮问答、中等长度的摘要和抽取。高复杂度低吞吐的格子放 GPT-4.1，典型任务是长文档分析、复杂代码生成、多步推理、跨文件重构。多模态任务单独列一列，走 GPT-4o。这张矩阵贴在团队文档里，新同学来了先看这个，选模型不用每次来问我。矩阵不是死的，我们每个季度根据线上表现和价格调整一次边界。
GPT-4.1 的长期价值，我看重两点。一个是长上下文能力带来的架构简化。以前做文档问答要建向量库、做分块、搞检索排序，流水线很长，每个环节都可能出错。GPT-4.1 能吞下整本书，很多场景可以直接把原始文档送进去，省掉了中间层，系统更简单，调试更容易。我最近一个项目就把 RAG 流水线砍掉了，直接把合同全文和问题一起发给 GPT-4.1，准确率反而更高，因为模型能看到完整的上下文，不会因为切片切断了关键信息而答错。这种简化对工程团队是实实在在的减负。
另一个是文本专精路线带来的稳定性。GPT-4o 是多模态通用模型，能力强但不够聚焦。GPT-4.1 只做文本，在文本任务上的指令遵循和格式控制明显更可靠。我做结构化输出的时候，GPT-4.1 的输出格式错误率低到可以不做二次解析校验，这在以前是不敢想的。未来如果 OpenAI 继续沿着文本专精的方向迭代，GPT-4.1 的能力还会往上走，价格大概率还会往下调。我现在把核心的文本处理链路都建在 GPT-4.1 上，多模态入口用 GPT-4o 做前置转换，这个架构我打算用一段时间。模型会更新，但分层路由的思路不会过时，把合适的任务交给合适的模型，这个原则比追最新版本更重要。
