把分类做成明确的小任务
nano 的代表性用途是分类与自动补全。给它清楚的类别定义、边界案例和输出要求，可用于意图识别、内容标签或短文本续写。设计时宜让一次任务围绕单一目标展开，而不是同时要求判断、研究和长篇论证。
Overview
API
Pricing
规格与接口特性
在选型前明确容量、输入输出与调用方式。
- 原生上下文
- 最高约 100 万 tokens
- 知识截止
- 2024 年 6 月
- 输入与输出
- 文本、图像输入；文本回答
- 主要任务
- 分类、自动补全、轻量图文理解
- 标准调用
- Responses 的 input；Chat Completions 的 messages
- 交互方式
- 流式回答；托管会话可通过 stateful 与 id 延续
上下文与知识截止为原生规格；输入组织、响应格式和会话管理按所选平台入口使用。
核心能力
了解 gpt-4.1-nano 能为你的工作带来什么。
长资料中的定向提取
原生长上下文能够容纳较多业务材料，适合结合规则查找指定信息。可以要求它从记录中提取名称、日期或对应段落，再给出简短结论。长上下文的价值是扩大可参考材料范围，并不意味着跨文档推理与完整审阅同样可靠。
用文字描述图片内容
GPT-4.1 nano 可以结合图片和问题输出文字，适合图片粗分类、界面截图说明与简单图表问答。使用 Chat Completions 时，可在同一条消息里组合 text 与 image_url 内容块，让提问明确指向图片中的对象或区域。
适用场景
从具体任务出发，找到模型发挥作用的位置。
客服工单预分类
输入用户来信、产品类别和工单标签定义，要求输出问题类型及简短依据，用于人工处理前的预分类。对同时涉及退款、故障和账户问题的来信，应规定优先级与无法归类时的处理方式，避免模型自行扩展标签体系。
编辑器短文本补全
输入正在编辑的句子、前文和语气要求，让 nano 生成短小的续写候选，适合表单填写、回复建议与标题草稿。交付物应限制为可直接选用的片段，而非整篇文章；涉及事实的补全还应附上业务资料，减少凭空补充。
图文资料初步整理
输入产品图片或界面截图，并附上需要填写的字段说明，生成对象描述、类别建议和待核查项目。它适合把未整理素材转成可浏览的文字记录；遇到密集表格、细小标注或复杂科学图表，应把精确核验留给后续环节。
如何选择这个模型
结合任务复杂度、输入材料与预期结果选择。
nano 与 mini 怎么取舍
任务短、规则清楚、重复调用较多时，可优先评估 nano；若需要更细致的图表理解、多轮约束保持或复杂信息整合，GPT-4.1 mini 更值得比较。同系列视觉与指令评测体现了能力差异，因此应使用真实业务样本检验，而非只看上下文长度。
什么时候改选 GPT-4.1
大型代码修改、跨文件分析和需要多步核对的长文档任务，更适合考虑完整 GPT-4.1。nano 可承担前置分类或局部提取，但不宜把整个复杂流程交给它一次完成。选择时重点衡量错误造成的返工，以及任务能否拆成边界明确的小步骤。
开始使用
从一次小规模任务到正式接入。
准备任务与材料
明确目标、必要输入与输出要求，使用真实业务样例作为起点。
在 API 调试区试用
打开试用页，确认此入口支持的参数，再提交小规模任务查看结果。
按 API 文档接入
保留完整模型 ID，使用文档规定的请求格式，并在 Pricing 页确认计费规则。
使用边界
在正式使用前，了解输出质量与能力范围。
- 能容纳长资料不等于能准确处理所有关系。多个相似段落、跨文件依赖和多步检索会增加难度；建议保留章节标识，要求回答带对应原文，并将复杂问题拆开，避免仅凭一份概括判断整套资料。
- 图像理解不等于图像生成，也不应视为精确测量工具。密集图表、细小文字与需要严密视觉推理的图片宜采用更强型号复核；提交前可裁出关键区域，并明确需要读取的对象，减少无关画面干扰。
- 它的知识截止于 2024 年 6 月，不能仅靠已有知识回答实时变化的信息。工具调用也不代表模型自行完成代码执行或业务写入；需要应用接收调用请求、执行授权操作，再将结果交回模型。
常见问题
解答使用 gpt-4.1-nano 时的常见疑问。
GPT-4.1 nano 是 GPT-4.1 的日期版本吗？
不是。nano、mini 和 GPT-4.1 是同系列的不同型号，nano 侧重低延迟的小任务。调用时使用 gpt-4.1-nano，不应把其他型号的编程成绩、视觉表现或最大输出数字直接套用到它身上。
有百万上下文，能直接做复杂合同审阅吗？
可以围绕提供的合同文本做定向查找，但复杂审阅还涉及条款关联、例外条件和跨文档推理。nano 更适合提取指定字段或定位段落；需要完整风险判断时，宜选择更强型号并保留人工复核。
怎样让 nano 看图，而不是只回答文字问题？
在 Chat Completions 的 messages 中，把用户 content 写成内容块数组，同时放入 text 问题和 image_url 图片地址。输出是基于图像的文字回答；若希望生成或编辑图片，应选择专门的图像型号。
Responses 和 Chat Completions 怎样选？
两者都可指定 gpt-4.1-nano。已有 messages 对话结构可用 Chat Completions；采用响应对象和事件流处理可用 Responses 的 input。不要混用两种入口的内容结构，客户端也需按相应响应格式读取结果。
多轮对话必须自己保存完整历史吗？
标准对话调用通常由应用组织历史消息；若希望简化会话维护，可选择托管对话入口，设置 stateful 并在后续请求携带返回的 id。关键规则仍应清楚表达，长期对话也不能保证所有早期细节始终准确保留。
模型资料 · 更新日期：2026-10-01。调用参数与计费规则请查看 API 和定价栏目。
Input
$0.02per 1M tokens
Official $0.10
Output
$0.08per 1M tokens
Official $0.40
−80%vs official
Top-up
You pay$13,584for 142,800 credits · $0.0951 / credits46% OFF
You're billed in credits. Pick a top-up tier to see its per-credit rate — the larger the top-up, the cheaper each credit.
Quickstart
Try the API
API Key
Please obtain an API Key first
This is only a basic call example. See the full docs for more parameters and advanced usage.
View Docs