GPT-Rosalind vs. Grok 4.7: Ein Gesundheits-Benchmark ist kein Biologie-Gate

Grok 4.7 wird mit einer Zahl ausgeliefert, die auf den ersten Blick wie die Antwort auf GPT-Rosalind aussieht: 56,7 % bei HealthBench Professional, gegenüber 48,5 % für Grok 4.6. Das ist ein Benchmark für klinisches Wissen, den SpaceXAI in der Launch-Tabelle für ein am 21. September 2026 veröffentlichtes Modell angibt, und es ist das, was einer medizinischen Bewertung in den Unterlagen beider Unternehmen am nächsten kommt. GPT-Rosalind, nach einer Vorstellung im April 2026 seit dem 5. Oktober 2026 allgemein erhältlich, veröffentlicht nichts Vergleichbares – seine Zahlen sind Chemie- und Nasslabor-Benchmarks, und man braucht eine Trusted-Access-Überprüfung, um sie selbst auszuführen. Die ehrliche Frage ist also nicht, welches Modell im Gesundheitsbereich besser abschneidet; sie lautet, was ein Gesundheits-Benchmark misst, gegenüber dem, was eine Biologie-Zugangsschranke schützt, und warum eines dieser Modelle pro Token ein Drittel dessen kostet, was das andere kostet, während es für jeden verfügbar ist.Benchmark-Streitigkeiten und Änderungen an Zugangsschranken, die auf einen Vergleich wie diesen folgen, werden mit ihren Daten und Quellen in dem AI Incident Archive festgehalten, zusammen mit den übrigen Modell- und Anbieter-Vorfällen, die wir verfolgen.

Die Überschneidung, die sich als eng herausstellt

HealthBench Professional stellt einem Modell Fragen der Art, wie sie eine Klinikerin oder ein Kliniker beantworten würde. Es belohnt Erinnerungsleistung, Kalibrierung und die Fähigkeit, einen klinischen Rahmen zu wahren. Es verlangt vom Modell nicht, ein Perturbationsexperiment zu entwerfen, ein Nasslaborprotokoll zu lesen oder über eine Struktur-Wirkungs-Beziehung zu schließen. Die veröffentlichte Testsuite von GPT-Rosalind ist die andere Art von Test: MedChemBench deckt Potenz- und ADME-Vorhersage sowie Retrosynthese ab; GeneBench deckt Genomik über lange Zeithorizonte ab; LabWorkBench deckt die Verknüpfung von Perturbationen mit Ergebnissen in realen Protokollen ab. Andere Instrumente, andere Zielgrößen.

• Was gemessen wird — Grok 4.7: klinisches Wissen und Urteilsvermögen, 56,7 % bei HealthBench Professional. GPT-Rosalind: Chemie und Schlussfolgern im Nasslabor, 27,5 % bei MedChemBench und 63,2 % bei LabWorkBench.

• Wer ihn ausführte — Grok 4.7: SpaceXAI, gegen sein eigenes Vorgängermodell. GPT-Rosalind: O​penAI, gegen GPT-5.5.

• Unabhängige Reproduktion — Für keinen der beiden Benchmarks.

• Was Ihnen keine der beiden Zahlen verrät — Ob dem Modell bei einem Ergebnis vertraut werden kann, das in eine Einreichung eingeht. Das ist eine Frage der Fehlermodi, nicht der Punktzahlen.

Legt man die beiden Tabellen nebeneinander, gibt es keine Zeile, die beide gemeinsam haben. Das ist keine Lücke im Reporting; das ist die Form des Marktes. Ein Generalist wird an der Breite gemessen, ein Spezialist an der Tiefe, und die Anbieter wählen die Tests, die ihre eigene Stärke zeigen.

Der Umschlag, und darin unterscheiden sich die beiden tatsächlich.

Spezifikationen sind der am wenigsten glamouröse Teil eines Vergleichs und der Teil, der entscheidet, ob ein Workflow überhaupt möglich ist. Hier weichen die beiden Modelle stärker voneinander ab, als es die Benchmark-Konversation nahelegt.

• Kontextfenster — Grok 4.7: 500.000 Token, die Hälfte von GPT-Rosalind mit 1.000.000.

• Maximale Ausgabe — Grok 4.7: 450.000 Tokens, und die eigene Dokumentation von SpaceXAI gibt an, dass es kein Limit für die Textausgabe gibt, was nicht mit der Angabe von 450K auf unserer Modellkarte übereinstimmt. Wir kennzeichnen die Abweichung, anstatt uns auf eine Seite zu schlagen; der Anbieter ist die Autorität für sein eigenes Modell. GPT-Rosalind: nicht separat als Ausgabeobergrenze veröffentlicht.

• Eingabe — Grok 4.7: Text und Bilder, JPG oder PNG bis zu 20 MiB pro Datei, keine dokumentierte Obergrenze für die Anzahl der Bilder, beliebige Reihenfolge. GPT-Rosalind: wissenschaftliche Dateieingaben über ChatGPT, Codex und die API; keine allgemeine Aussage zur Bildeingabe veröffentlicht.

• Reasoning-Steuerung — Grok 4.7: reasoning_effort auf low, medium, high oder xhigh, wobei die veröffentlichten Benchmark-Werte bei xhigh angegeben werden. GPT-Rosalind: eine Steuerung im Reasoning-Effort-Stil in der API, wobei die Tool-Nutzung im Kern des Modells steht.

• Tools — Grok 4.7: Funktionsaufrufe, Websuche, X-Suche und Codeausführung, alles serverseitig. GPT-Rosalind: ein Life-Sciences-Tool-Plugin mit über fünfzig Tools in ChatGPT und Codex.

• Wissensstand — Grok 4.7: Mai 2026, standardmäßig ohne Echtzeit-Wahrnehmung. GPT-Rosalind: nicht veröffentlicht.

Die Kontextlücke ist die, die in diesem Bereich wirklich zuschlägt. Ein Fenster von 1 Mio. Token ist für genomische Arbeit kein Luxus; es ist das, was ein Modell einen ganzen Atlas oder einen vollständigen Protokollsatz in einem Durchgang halten lässt. Die 500K von Grok 4.7 sind nach allgemeinen Maßstäben großzügig und die Hälfte dessen, was der Spezialist bietet. Die Obergrenze von 450K bei der Ausgabe liegt derweil weit über allem, was eine Biologie-Antwort braucht, und genau dort, wo eine lange Agenten-Trajektorie oder ein großes Refactoring hinwill.

Die Preisspanne ist in diesem Set am größten.

Grok 4.7 ist das günstigste Modell in all diesen Vergleichen und GPT-Rosalind das teuerste, was die Rechnung unmissverständlich macht.

• Eingabe — Grok 4.7 2,00 $ pro 1 Mio. vs. GPT-Rosalind 5,00 $. Der Spezialist kostet 2,5-mal so viel.

• Ausgabe — Grok 4.7 $6.00 vs. GPT-Rosalind $25.00. Eine 4,2-fache Lücke und der größte Unterschied bei einer einzelnen Zahl in diesem Artikel.

• Zwischengespeicherte Eingabe — Grok 4.7 0,50 $ vs. GPT-Rosalind 0,50 $. Identisch, was die einzige Zeile ist, in der der Spezialist nicht teurer ist.

• Lange Prompts — Grok 4.7 verdoppelt die Preise auf 4,00 $ / 12,00 $, mit 1,00 $ für Cache, sobald ein Prompt 200K Token erreicht. GPT-Rosalind veröffentlicht keinen Langkontext-Zuschlag.

• Regionale Abrechnung — Grok 4.7 verfügt über einen US-Endpunkt mit einem 1.1×-Multiplikator, was unter 200K $2.20 / $6.60 ergibt.

Die Entscheidung hängt tatsächlich am Output-Verhältnis. Ein Discovery-Workflow erzeugt jede Menge Output: Kandidatenlisten, Protokollentwürfe, Code, lange Begründungen. Bei 25 $ gegenüber 6 $ pro Million kostet ein Lauf, der zehn Millionen Output-Tokens ausgibt, 250 $ beim Spezialisten und 60 $ beim Allgemeinmodell. Ob diese 190 $ Ihnen irgendetwas bringen, ist die einzige Frage, die es wert ist, gestellt zu werden, und kein veröffentlichter Benchmark beantwortet sie.

Was der unabhängige Gutachter hinzufügt

Grok 4.7 hat eine echte unabhängige Erfolgsbilanz, und sie ist aussagekräftiger als die Tabelle des Anbieters, weil sie die Kosten einschließt, die niemand bewirbt.

• Intelligenz — 46 im Artificial Analysis Intelligence Index, v4.3.2, was Platz 21 von 211 Modellen auf diesem Board und deutlich über dem Index-Median von 26 ist. GPT-Rosalind ist gar nicht auf dem Board; Spezialmodelle liegen außerhalb des Geltungsbereichs.

• Kosten pro Indexlauf — 3,74 $, wobei der Evaluator einen Cache-Rabatt von 75 % und einen Input-/Output-Tarif erfasst, der den eigenen 2,00 $ / 6,00 $ des Anbieters entspricht. Sein Kommentar: Das Modell ist im Vergleich zu Konkurrenten mit ähnlichem Preis angemessen bepreist.

• Ausführlichkeit — 240 Mio. Ausgabe-Tokens über den gesamten Index, gegenüber einem Median von 88 Mio. Artificial Analysis nennt es „sehr ausführlich“, und das ist die hier einzige wirklich nützliche Zahl für die Budgetplanung: Ein Modell, das in längeren Ketten denkt, kostet bei jedem festen Token-Preis mehr pro Aufgabe.

• Geschwindigkeit — 82,6 Ausgabe-Tokens pro Sekunde, Platz 83 von 211, was der Bewerter dennoch als langsamer als der Durchschnitt bewertet.

Die Verbositätskennzahl ist diejenige, die Ihre Kopfrechnung verändern sollte. Grok 4.7 bei 6,00 $ Ausgabe ist nicht 4,2× günstiger als GPT-Rosalind bei 25,00 $ pro Aufgabe, wenn es fast dreimal so viele Tokens ausgibt, um dorthin zu gelangen. Pro Aufgabe betrachtet ist die tatsächliche Lücke kleiner, als es die Preisliste sagt, und niemand veröffentlicht eine Rosalind-Verbositätszahl zum Vergleichen — weil Rosalind nicht im Leaderboard vertreten ist.

Warum es das Gate gibt und warum Grok keines hat

Das ist die Asymmetrie, die eine Benchmark-Tabelle nicht ausdrücken kann. Grok 4.7 wird an jeden mit einem Abrechnungskonto verkauft, mit einem Kontext von 500K, Bildeingabe und serverseitiger Codeausführung. GPT-Rosalind wird nur an Organisationen verkauft, die eine Prüfung bestehen, und die Prüfung existiert, weil O​penAI die Biologie-Fähigkeit des Modells als etwas einstufte, das nicht auf Abruf verfügbar sein sollte.

Lies das als Aussage über Fähigkeit, nicht über Sicherheitstheater. Ein Labor, das für ein Modell eine Zugangsbeschränkung einführt, hat entschieden, dass das Modell bei etwas Folgenreichem gut genug ist, dass sich eine Beschränkung lohnt. SpaceXAI hat kein entsprechendes Urteil über Grok 4.7 gefällt, und seine veröffentlichten Stärken – Programmieren, agentische Tool-Schleifen, langlaufende Softwarearbeit – sind nicht die Art von Sache, die mit einem Gate versehen wird.

Die praktische Konsequenz: Wenn Ihre Arbeit computergestützt und der Biologie benachbart ist, statt in ihr zu liegen, ist Grok 4.7 jetzt verfügbar, günstig und gut auf die Form der Aufgabe zugeschnitten. Wenn Ihre Arbeit die Biologie selbst ist, liegt das Modell, das Sie wollen, hinter einem Formular, und kein noch so umfangreiches HealthBench Professional schließt diese Lücke. Das Gate ist in diesem Fall das Produkt, nicht ein Hindernis davor.

Das Routing des Paares und die eine Stelle, an der wir vorsichtig sein müssen

Grok 4.7 ist bei OrcaRouter verfügbar zum Listenpreis von SpaceXAI — 2,00 $ Eingabe, 6,00 $ Ausgabe und 0,50 $ für zwischengespeicherte Eingabe pro Million Tokens, mit 0 % Aufschlag, und die 200K-Schwelle wird als Preisstufe beibehalten, damit eine Anfrage mit langem Prompt ehrlich abgerechnet wird und Sie nicht überrascht. GPT-Rosalind ist nicht bei OrcaRouter und nicht bei einem Router eines Drittanbieters; es läuft direkt über OpenAIs Trusted-Access-Programm. Wir werden nichts anderes andeuten, und es gibt keine konfigurierbare Route, die daran etwas ändern würde.

Was dabei übrig bleibt, ist das Muster, auf das diese ganze Reihe von Vergleichen immer wieder hinausläuft. Die rechnerische Hälfte einer Forschungsplattform läuft auf Grok 4.7 und den über 200 anderen Modellen hinter einem einzigen Schlüssel, mit automatischem Failover über Anbieter hinweg, sodass ein Kapazitätsproblem die Anfrage verschiebt, statt den Lauf scheitern zu lassen. Die biologische Hälfte bleibt an einem direkten Schlüssel. Die Routing-DSL ist der Ort, an dem du die Grenze explizit machst: eine benannte Route für den Spezialisten, die laut fehlschlägt, wenn dieser nicht verfügbar ist, eine Standardroute für alles andere und keine stillschweigende Hochstufung einer Antwort eines Generalistenmodells in einen Spezialisten-Slot.

Über Modellfusion sollte man bei Grenzfällen Bescheid wissen. Ein Panel, das sowohl ein günstiges Allzweckmodell als auch einen Spezialisten dieselbe Frage stellt und dann vergleicht, ist eine Möglichkeit, die falsch eingestufte Anfrage abzufangen – diejenige, die nach Klempnerei aussah und sich als Fall herausstellte, der fachliches Urteilsvermögen erforderte. Es ist auch der ehrliche Weg, ein Modell zu nutzen, dem man noch nicht vollständig vertraut.

Was würde die Antwort ändern

Drei Entwicklungen, keine davon exotisch. SpaceXAI könnte eine Domänenbewertung mit der Spezifität von Rosalinds Chemie-Suite veröffentlichen – HealthBench Professional ist ein Anfang und bei Weitem nicht vergleichbar. O​penAI könnte den akademischen Plan vom Oktober um API-Zugang erweitern, was genau den Laboren kostenlose Spezialistenkapazität verschaffen würde, die sie sich derzeit nicht leisten können. Oder ein unabhängiges Test-Harness könnte beide Modelle denselben wissenschaftlichen Aufgabenkatalog durchlaufen lassen, was eine Frage klären würde, die zwei Anbietertabellen sorgfältig vermieden haben.

Bis eines davon eintrifft, ist der Abstand nicht knapp. Wenn es bei der Anfrage um Code, Daten oder Prosa geht, kostet Grok 4.7 ein Drittel des Ausgabepreises, bietet eine größere Werkzeugoberfläche und eine unabhängige Bewertung, und den Spezialisten zu wählen wäre ein teurer Weg, sich sorgfältig zu fühlen. Wenn es bei der Anfrage um die Wissenschaft geht, zahlen Sie das 4,2-Fache und nehmen Sie die Überprüfung in Kauf, denn das einzige Modell in diesem Vergleich, das dafür optimiert wurde, ist dasjenige, das Sie dazu gebracht hat, ein Formular auszufüllen.