GPT-Rosalind vs. Muse Wonder: Was Ihnen ein 1M-Kontext in einem Biolabor bringt

Muse Wonder und GPT-Rosalind sind die beiden Modelle in diesem Vergleich, die auf dem Papier am nächsten beieinanderliegen und im Zweck am weitesten auseinander. Meta Superintelligence Labs veröffentlichte Muse Wonder am 12. Oktober 2026 zu 4,00 US-Dollar pro Million Input-Tokens und 20,00 US-Dollar pro Million Output-Tokens, mit einem Kontext von 1 Mio. Tokens und einem Artificial Analysis Index von 56 – was dieselbe Preisstufe und dieselbe Kontextgröße ist wie bei GPT-Rosalind, einem Modell, das O​penAI seit dem 16. April 2026 für 5,00 und 25,00 US-Dollar verkauft. Die fünf Dollar und fünf Dollar Unterschied sind nicht der interessante Teil. Der interessante Teil ist, dass eines dieser Modelle jede Frage beantwortet, die man ihm stellt, und das andere nur Fragen von Organisationen beantwortet, die eine Prüfung bestanden haben, und dass das zweite das einzige der beiden ist, das auf die Dinge abgestimmt wurde, die ein Biolabor tatsächlich tut. Wenn eine zugangsbeschränkte Veröffentlichung geöffnet oder eine Bewertung überarbeitet wird, wird die Änderung mit ihren Daten und Quellen protokolliert in dem AI Incident Archive, neben den anderen Modell- und Anbieter-Vorfällen, die wir verfolgen.

Dasselbe Kontextfenster, aber ein anderer Grund, eines zu haben

Beide Modelle haben eine Million Tokens, und es lohnt sich zu verstehen, dass dies ein Zufall zweier unabhängiger Designentscheidungen ist und keine gemeinsame Fähigkeit.

Metas Grund ist die Breite. Muse Wonder nimmt Text, Bild, Sprache und Video entgegen, gibt Text zurück und ist für das gebaut, was Meta persönliche und professionelle agentische Aufgaben nennt. Sein Schwestermodell Muse Wonder Full ist in ein Muse Code-Abonnement eingeschlossen – 50 US-Dollar pro Monat für den Power Usage-Plan, 200 US-Dollar für Maximum Usage –, was es zu einer Produktentscheidung statt zu einer API-Stufe macht. Eine Million Token braucht man, wenn eine einzelne Agentensitzung gleichzeitig eine Bildschirmaufzeichnung, ein Dokument, einen Gesprächsverlauf und ein Tool-Transkript enthalten muss.

OpenAIs Grund ist die Tiefe. GPT-Rosalind verfügt über eine Million Token, sodass ein Labor einen kompletten Referenzatlas, eine Protokollbibliothek und eine Datensatzbeschreibung in einem Durchgang unterbringen kann. Seine Tool-Oberfläche ist ein Life-Sciences-Plugin mit mehr als fünfzig Tools; seine veröffentlichten Benchmarks betreffen Chemie und Genomik; seine Zugangsschwelle existiert, weil das Modell als gut genug in Biologie gilt, um eine zu benötigen.

• Kontextfenster — Muse Wonder 1.000.000 Tokens vs. GPT-Rosalind 1.000.000 Tokens. Ein echtes Unentschieden.

• Eingabemodalitäten — Muse Wonder: Text, Bild, Sprache und Video. GPT-Rosalind: Text- und wissenschaftliche Dateieingaben über ChatGPT, Codex und die API; keine allgemeine Angabe zu Bildeingaben veröffentlicht.

• Ausgabe — Nur Text, beides.

• Preis — Muse Wonder 4,00 $ Eingabe / 0,20 $ gecacht / 20,00 $ Ausgabe pro 1 Mio. gegenüber GPT-Rosalind 5,00 $ / 0,50 $ / 25,00 $. Der Spezialist kostet pro Zeile 25 % mehr und bei Cache-Lesevorgängen 2,5× mehr.

• Zugriff — Muse Wonder ist heute als muse-wonder-1.0 auf der Meta Model API und in Muse Code aufrufbar. GPT-Rosalind erfordert eine Trusted-Access-Prüfung.

• Unabhängige Punktzahl — Muse Wonder 56 auf dem Artificial Analysis Index, v4.3.2. GPT-Rosalind: auf dieser Rangliste nicht geführt.

Dieses letzte Paar ist der Knackpunkt. Auf jeder Achse, die ein Beschaffungsteam messen kann, ohne Wissenschaft zu betreiben, gewinnt Muse Wonder: Es ist günstiger, ohne Antrag verfügbar, nimmt mehr Eingabetypen an und hat eine unabhängige Bewertung. Die einzige Achse, auf der GPT-Rosalind gewinnt, ist die, die kein Leaderboard misst, und genau darum geht es in diesem Artikel.

Die Werte, die nicht vergleichbar sind, klar gesagt

Muse Wonders 56 und Rosalinds 27,5 % sind keine zwei Messungen derselben Sache, und jede Tabelle, die sie in benachbarten Spalten aufführt, ist irreführend. Die 56 ist ein unabhängiger zusammengesetzter Wert aus zehn allgemeinen Evaluierungen: AA-Briefcase, GDPval-AA, AutomationBench, Terminal-Bench, SciCode, Humanity's Last Exam, GDP.pdf und weitere. Die 27,5 % sind OpenAIs eigener Benchmark für medizinische Chemie, gegen GPT-5.5 bewertet und nicht reproduziert.

• Muse Wonder — 56 auf dem Artificial Analysis Index; Metas eigene Tabelle meldet Terminal-Bench 4.0-AA mit 85,6, SWE-Marathon mit 78,8, OSWorld V2.1 mit 72,6, HealthBench Pro mit 56,6 und DeepSWE 1.1 mit 52,0. Alle Meta-Zeilen sind vom Anbieter gemeldet; die Indexzahl ist unabhängig.

• GPT-Rosalind — MedChemBench 27,5 % vs. 25,1 %, GeneBench 21,6 % vs. 20,4 %, LabWorkBench 63,2 % vs. 55,8 % und einen 4,42 %igen Zuwachs bei der Leistung pro Token auf LifeSciBench. Alle Angaben stammen von OpenAI, keine wurden unabhängig reproduziert.

• Die einzige nennenswerte Überschneidung — HealthBench Pro ist ein Benchmark für klinisches Wissen, und GPT-Rosalind veröffentlicht dazu nichts. Metas 56,6 dort sagt nichts darüber aus, ob Muse Wonder ein Perturbationsexperiment entwerfen kann.

Es gibt keinen öffentlichen Biologie-Benchmark, auf dem beide dieser Modelle bewertet wurden. Dieses Fehlen ist die wichtigste Tatsache im Vergleich, und es wird von keinem der beiden Anbieter behoben werden.

Was Muse Wonder Full mit dem Preisvergleich macht

Meta hat am 12. Oktober zwei Checkpoints veröffentlicht, und die Aufteilung verändert die Bedeutung von „Muse Wonder“, je nachdem, durch welche Tür man hereinkommt.

• Muse Wonder — muse-wonder-1.0, auf der Meta Model API und in Muse Code, 4,00 $ / 0,20 $ / 20,00 $.

• Muse Wonder Full — ein separater Checkpoint mit höherer Bewertung, der laut Meta nur für Abonnenten von Muse Code verfügbar ist. Kein Flag beim API-Modell; ein anderes Modell hinter einem monatlichen Produkt für 50 bis 200 US-Dollar.

• Die Spanne – Metas eigene Tabelle zeigt Muse Wonder Full bei 75,3 auf JobBench gegenüber 30,8 für Muse Wonder und 59,1 gegenüber 10,0 bei Vals Finance Agent V2. Eine Lücke von 44 Punkten zwischen zwei Checkpoints desselben Labors bei einem Benchmark ist entweder eine echte Fähigkeitsdifferenz oder ein Harness-Artefakt, und nur ein Dritter kann entscheiden, was zutrifft.

Für ein Labor lautet die praktische Lesart, dass das Modell, das man über eine API kaufen kann, und das Modell, für das Meta seine besten Zahlen veröffentlicht, nicht dasselbe Modell sind. Wer „Muse Wonder“ aufgrund von Fulls Scores mit GPT-Rosalind vergleicht, vergleicht ein Abonnementprodukt mit einem API-Modell.

Wo eine Million Tokens tatsächlich eingesetzt werden

Die gleiche Kontextgröße ist der Grund, warum diese beiden Modelle überhaupt verglichen werden, daher lohnt es sich, konkret zu werden: was ein Labor mit einer Million Tokens anfängt, im Vergleich dazu, was ein allgemeiner Agent damit anfängt.

Ein Allzweck-Agent mit einer Million Token hält Zustand: die Konversation, die Screenshots, die Tool-Ausgaben, die aktuelle Datei. Der Kontext ist ein Arbeitsbereich. Ein Biologie-Workflow mit einer Million Token hält eine Referenz: den Atlas, die Annotationstabellen, das Protokollkorpus, die frühere Literatur. Der Kontext ist eine Bibliothek.

Das sind unterschiedliche Workloads, und sie beanspruchen unterschiedliche Dinge. Ein Workspace belohnt schnelle Tool-Schleifen und günstige Cache-Lesevorgänge; eine Bibliothek belohnt die Fähigkeit, einen großen Bestand an Domänentext im Blick zu behalten und über ihn zu schlussfolgern, ohne den Faden zu verlieren. Meta optimiert auf Ersteres – Muse Wonder's Active Memory behält den Zustand über eine Sitzung hinweg bei, und Active Focus steuert die eigene Aufmerksamkeit des Modells bei langen Aufgaben; beides Funktionen, die nur für agentische Nutzung sinnvoll sind. OpenAI optimiert auf Letzteres, weshalb die veröffentlichten Zugewinne bei Aufgaben liegen, bei denen das Modell gleichzeitig ein Protokoll und eine Perturbation im Blick behalten muss.

• Cache-Ökonomie — Muse Wonder 0,20 $ pro Million gecachter Tokens vs. GPT-Rosalind 0,50 $. Bei einer langen Agent-Sitzung, die in jeder Runde einen großen System-Prompt erneut sendet, ist das allgemeine Modell auf der dominierenden Zeile 2,5× günstiger.

• Sitzungsdesign — Der über Sitzungen hinweg persistente Zustand von Muse Wonder ist die Behauptung, die die Architektur einer Anwendung am stärksten verändert, und zugleich diejenige, die eine Modellkarte nicht demonstrieren kann.

• Domänentext — Kein Anbieter veröffentlicht einen Long-Context-Retrieval-Benchmark für wissenschaftliche Texte, daher ist der Gleichstand in der Richtung, die hier zählt, nicht verifiziert.

Das Gate ist das Unterscheidungsmerkmal, nicht der Benchmark.

Hier ist die Asymmetrie, die das Beschaffungsgespräch entscheidet. Muse Wonder wird an jeden verkauft, der eine Karte hat. GPT-Rosalind wird nur an Organisationen verkauft, die eine Prüfung bestehen, und diese Prüfung gibt es, weil OpenAI zu dem Schluss kam, dass die Biologie-Fähigkeit des Modells nicht auf Abruf verfügbar sein sollte. Seit dem 11. September 2026 steht dieses Tor weltweit berechtigten Organisationen offen statt nur einer namentlichen Partnerliste; seit dem 15. Oktober gibt es außerdem einen akademischen Weg, der berechtigten Laboren bis zu 30 kostenlose ChatGPT Business-Plätze für bis zu zwölf Monate gewährt und API-Zugang ausdrücklich ausschließt.

Zwei Lesarten davon, und beide sind vertretbar. Die zynische: Eine Zugangsbeschränkung ist eine Steuer für legitime Forschende, die niemanden sonst aufhält. Die nützliche: Ein Anbieter, der ein Modell mit einer Zugangsbeschränkung versieht, hat Ihnen damit gesagt, wo seiner Ansicht nach die Fähigkeiten konzentriert sind, und ein Anbieter, der ein allgemeines Modell an alle verkauft, hat Ihnen durch Auslassung dasselbe gesagt. Metas veröffentlichte Stärken für Muse Wonder sind agentische Arbeit, Coding und professionelle Aufgaben. Biologie kommt in der Vermarktung nicht vor, und es gibt keine Zugangsbeschränkung, weil es nichts zu beschränken gibt.

Die Entscheidung lautet also nicht „Welches Modell ist besser?“, sondern „Gehört meine Anfrage in die Bibliothek oder in den Workspace?“ – und die Antwort ist meist offensichtlich, sobald die Frage in diesen Begriffen gestellt wird.

Das Paar betreiben und ehrlich dazu stehen, welcher Hälfte wir dienen

Weder Muse Wonder noch GPT-Rosalind sind auf OrcaRouter verfügbar. Muse Wonder ist über Metas eigene API und innerhalb von Muse Code erreichbar; GPT-Rosalind nur über OpenAIs Programm für vertrauenswürdigen Zugang. Wir werden nicht den Eindruck erwecken, dass wir eines der beiden routen.

Was wir aus dieser Familie tatsächlich anbieten, ist die Muse Spark-Reihe — Muse Spark 1.2 und Muse Spark 1.1 zu 1,25 $ für Eingabe und 4,25 $ für Ausgabe pro Million Tokens bei einem Kontext von 1.048.576 Tokens, einem aktualisierten Checkpoint zu identischem Preis und einer breiteren Eingabepalette, die neben Text, Bildern und PDFs auch Video und Audio umfasst. Für ein Labor, das testet, ob ein Meta-Modell zu seiner Pipeline passt, bevor es sich für ein Muse-Code-Abonnement entscheidet, ist das der günstige Weg, es herauszufinden. Daneben stehen 200+ weitere Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preissenkung eines Anbieters bei uns am selben Tag live ist, an dem sie veröffentlicht wird.

Die Architektur, die hier sinnvoll ist, ist genau die Aufteilung, auf die diese Vergleiche immer wieder hinauslaufen. Die Workspace-Hälfte – Orchestrierung, Parsing, der Code rund um die Wissenschaft, die Dokumentenarbeit – läuft auf einem Modell, das Sie heute aufrufen können, mit automatischem Failover, sodass ein Aussetzer eines Anbieters eine Anfrage verschiebt, statt einen Lauf abzubrechen. Die Library-Hälfte bleibt auf einem direkten Spezialistenschlüssel, hinter einer benannten Route in der Routing-DSL, die laut scheitert, wenn der Spezialist nicht verfügbar ist, statt still mit einem allgemeinen Modell zu antworten. Wenn Sie eine Zweitmeinung zu einem grenzwertigen Ergebnis möchten, ohne für jede Anfrage Spezialistentarife zu zahlen, ist Modellfusion über ein Panel der Mechanismus: Mehrere Modelle antworten, Sie vergleichen, und die Uneinigkeit ist das Signal.

Was würde es klären

Drei Dinge. Ein unabhängiger Prüfstand könnte Metas JobBench und Vals Finance spreads erneut ausführen, was Ihnen zeigen würde, ob die 44-Punkte-Lücke zwischen den beiden Muse-Wonder-Checkpoints auf Leistungsfähigkeit oder auf ein Artefakt zurückzuführen ist. Ein muse-wonder-full API-Pfad würde das höher bewertete Modell käuflich statt abonnementgebunden machen. Und jede unabhängige Biologie-Evaluierung, die beide Modelle abdeckt, würde diese gesamte Argumentation durch eine Zahl ersetzen – genau das, was das Feld seit April gebraucht hat.

Fehlen diese, ist die Regel einfach genug, um sie auf eine Karte zu schreiben. Wenn die Anfrage agentisch, multimodal oder darauf ausgerichtet ist, eine lange Sitzung kohärent zu halten, ist Muse Wonder zu $4.00 / $20.00 mit einem 1M-Kontext und einem unabhängigen Score von 56 der bessere Kauf, und Sie können noch heute starten. Wenn es bei der Anfrage um die Biologie geht, ist das einzige Modell hier, das dafür abgestimmt wurde, hinter einer Überprüfung, kostet in jeder Zeile 25 % mehr und erscheint in keiner Bestenliste, die Sie einsehen können – und genau diese Kombination ist es, wie ein Spezialist aussieht, bevor die Benchmarks aufholen.