GPT-Rosalind vs. Qwen 4 Max: 3.000 Agenten, eine Rechnung und ein Modell, das noch nicht veröffentlicht wurde

Thirty-two minutes, and more than 700 references. On 21 October 2026 O​penAI published a collaboration with PerturbAI and Scripps Research in which thousands of agents running on GPT-Rosalind worked through a whole-brain CRISPR atlas of millions of mouse cells, each agent taking one gene disruption, searching the literature around it, and writing a report — a job the authors estimate at months to a year done one perturbation at a time. The model itself is not new: O​penAI introduced GPT-Rosalind on 16 April 2026, widened it beyond a named partner list on 11 September, and began billing at $5.00 per million input tokens and $25.00 per million output on 5 October. What is new is the first public look at the model running as a fleet rather than as a call, and that changes what a comparison with Q​wen 4 Max should be about. Q​wen 4 Max was announced at A​libaba's Apsara conference on 22 September 2026 and still has no price, no context window and no model card. So the honest version of this matchup has three sides: a specialist whose real unit cost is per agent, an opponent that has not shipped, and the Q​wen model you can actually rent today — Qwen3.8-Max, at $2.00/$6.00 per million tokens. Announcements that never become a callable endpoint are recorded with their dates and sources in the AI Incident Archive, alongside the rest of the model and vendor incidents we follow.

Was der Durchlauf vom 21. Oktober tatsächlich zeigte

Der Datensatz ist ein Perturb-seq-Atlas: Gene werden im Mausgehirn jeweils einzeln mithilfe einer guide RNA ausgeschaltet, und anschließend wird das Transkriptom jeder Zelle ausgelesen. Die Ausgabe ist eine Matrix aus Tausenden Perturbationen gegenüber Millionen von Zellen – weit mehr, als jedes Labor im Detail analysieren kann, und genau dieser Engpass wird in dem Paper angegangen.

The method, which the authors call distributed biological reasoning, is not one large model call over a big table. Each agent receives a single gene disruption, examines the cellular response, retrieves the surrounding literature, and produces a structured report proposing a mechanism. Those reports are then assembled into what the paper calls a reasoning atlas: a graph linking genes, cell-type effects, papers, and candidate mechanisms. The runtime O​penAI reports for the whole sweep is 32 minutes.

Die Erkenntnis, die für alle, die ein Modell auswählen, am wichtigsten ist, betrifft nicht die Biologie. Es ist der Kontrollversuch, den das Team mit seiner eigenen Methode durchführte, denn an diesem hängt eine Zahl. Sie hielten das Modell und die Rechenleistung konstant und gaben einem einzelnen Agenten den gesamten Datensatz, statt ihn auf Tausende aufzuteilen. Als die Arbeitslast wuchs, brach die Literaturabdeckung des einzelnen Agenten zusammen: Bei der größten Arbeitslast zitierte er 11 Referenzen gegenüber mehr als 700 bei den verteilten Agenten. Verblindete menschliche Experten bevorzugten die verteilten Berichte in 75 % der Fälle.

Read those together and the result is about decomposition, not about model IQ. A single context window degrades when you pour an atlas into it; a few thousand narrow agents with a retrieval tool each do not. The authors' own framing supports this — they present the DCTN1 cholesterol-transport hypothesis as a question for follow-up experiments, not a discovery — and the paper is a preprint posted on 16 October 2026, co-authored by O​penAI and PerturbAI employees, with no peer review yet. Treat the 32 minutes as a real runtime and the human comparison as an order of magnitude.

Für eine Vergleichsseite ist die Konsequenz konkret. Wenn der Sieg aus der Architektur kam, dann ist die entscheidende Eigenschaft des darunterliegenden Modells nicht sein Benchmark-Ergebnis – sondern was es kostet, es dreitausend Mal in einer halben Stunde aufzurufen, und ob man das überhaupt darf.

Die Zahl, die dieses Duell entscheidet, sind die Kosten pro Agent.

Published comparisons of these two models tend to line up headline rates and stop. Headline rates are the wrong unit for the workload the 21 October paper just made concrete, because a distributed run multiplies the model call by the number of perturbations. Work it through with stated assumptions: an agent that reads a shared atlas preamble, pulls a handful of papers, and writes a report might consume 60,000 input tokens and 4,000 output tokens. At O​penAI's published rates that agent costs $0.40 — $0.30 of input and $0.10 of output. The same agent on Qwen3.8-Max at $2.00/$6.00 costs $0.14. Three thousand agents: about $1,200 against about $432.

Cache the shared prefix and the gap widens rather than closes, because the cached-input rates diverge more than the headline ones. Put 50,000 of those 60,000 input tokens in a cached prefix and the Rosalind agent drops to roughly $0.18 while the Q​wen agent drops to roughly $0.06 — a little over three times cheaper, because cached input is $0.50 per million on one side and $0.25 on the other. That is our arithmetic, not a vendor figure, and it is sensitive to how much of your prompt is genuinely shared; the direction is not.

Stellen Sie die beiden anhand der Dimensionen gegenüber, die über einen Flotteneinsatz entscheiden:

• Input price — GPT-Rosalind $5.00 per 1M vs Qwen3.8-Max $2.00. Q​wen 4 Max: not published.

• Output price — GPT-Rosalind $25.00 per 1M vs Qwen3.8-Max $6.00. Q​wen 4 Max: not published.

• Cached input — GPT-Rosalind $0.50 per 1M, and O​penAI's pricing page states cache-write pricing does not apply to the model; Qwen3.8-Max $0.25. Q​wen 4 Max: not published.

• Cost per 3,000-agent sweep — about $1,200 on GPT-Rosalind vs about $432 on Qwen3.8-Max at the assumptions above. Q​wen 4 Max: not computable.

• Context — 1M tokens on both sides. Q​wen 4 Max: not published, and specifically not inherited from the Qwen3.8 window by virtue of the tier name continuing.

• Maximale Ausgabe — GPT-Rosalind veröffentlicht keine Obergrenze pro Antwort; der Snapshot Qwen3.8-Max 0902 dokumentiert 131.072 Token. • Latenz — Qwen3.8-Max misst eine p50-Zeit bis zum ersten Token von 6,32 Sekunden auf OrcaRouter und 40,3 Ausgabe-Token pro Sekunde im Artificial Analysis Index. GPT-Rosalind veröffentlicht keine Latenzangabe – und genau diese Zahl wäre bei einem Fan-out-Lauf die, die man am meisten bräuchte.

• Unabhängige Bewertung — GPT-Rosalind wird im Artificial Analysis Intelligence Index überhaupt nicht erfasst, da es sich um ein zugangsbeschränktes Domänenmodell handelt; Qwen3.8-Max verzeichnet 45, belegt Platz 33 von 214 Modellen, bei 5,41 US-Dollar pro abgeschlossener Index-Aufgabe und 40,3 Ausgabe-Token pro Sekunde.

• Access — GPT-Rosalind requires clearance through O​penAI's trusted-access programme; Qwen3.8-Max is a normal commercial API with an open sign-up.

Two of those lines do more work than the rest. The independent score is the only number in the table nobody involved in either model supplied, and it says the Q​wen flagship is a competent mid-frontier generalist rather than a frontier leader — 45 against 58 for the best model on that board. And the access line is not a footnote: it decides whether the fleet can exist at all.

Where Q​wen 4 Max actually stands

A​libaba used its Apsara conference on 22 September 2026 to name four tiers — Q​wen 4 Max as the flagship, Q​wen 4 Flash for throughput, Q​wen 4 Plus in the middle, and an open-weight Q​wen 4 27B — described the family as training on a new-generation architecture, and said it would arrive soon. It attached no date to any of them.

A month later there are three independent places a shipped Q​wen flagship would be visible, and it is absent from all three. A​libaba Cloud's own Model Studio documentation lists qwen3.8-max as the highest Max tier, with no Q​wen 4 entry. Artificial Analysis, which scores most of the commercial Chinese flagships within days of release, has no Q​wen 4 Max row. The OrcaRouter catalogue, which carries more than 200 models including every Q​wen 3.5 through 3.8 tier, has no qwen4 identifier. That is not proof of a delay. It is proof that as of 22 October there is nothing to compare.

The parameter figure that travelled with the announcement deserves one correction, because it keeps propagating into comparison tables. The 5-trillion-to-10-trillion number in circulation is a forward-looking statement about the generations after Q​wen 4 — the Q​wen 4.5 and Q​wen 5 timeframe. A​libaba has attached no parameter count to Q​wen 4 Max. A Q​wen 5-class size printed next to a Q​wen 4 model name is a borrowing error with a long half-life.

What the announcement does tell you is that A​libaba intends to keep contesting the flagship tier, which is a reason to stay inside the family rather than leave it. It tells you nothing you can plan a migration around, because "soon" is not a date and a conference slide is not a rate card.

Was die Spezialistenprämie bringt – und was nicht

GPT-Rosalind's case rests on domain evaluations O​penAI published with the model: leading BixBench performance, six of eleven LABBench2 wins against GPT-5.4, and per-token gains of 53.7% on GeneBench, 18.0% on MedChemBench and 19.6% on LabWorkBench. Every one of those is vendor-reported. None has been reproduced independently, and the model has no entry on the general intelligence boards — which is normal for a gated domain model and also means the numbers cannot be checked from outside.

Was überprüfbar ist, ist die Tooling-Ausstattung. Das Life Sciences Research Plugin verbindet das Modell mit mehr als 50 wissenschaftlichen Tools und Datenquellen als zusammensetzbare Skills innerhalb von Codex, und das Papier vom 21. Oktober ist eine Demonstration dieses Stacks und nicht roher Schlussfolgerungsfähigkeit: Tausende Agenten, die jeweils Literatur abrufen und einen strukturierten Bericht verfassen, sind ein Ergebnis der Tool-Integration. Qwen3.8-Max hat keinen vergleichbaren Biologie-Stack. Es verfügt über leistungsfähiges allgemeines Tool-Calling und strukturierte Ausgaben, und jede Verbindung zu einer wissenschaftlichen Datenbank müssten Sie selbst aufbauen.

Das ist die tatsächliche Gestalt der Prämie. Sie zahlen nicht das 2,5-Fache für ein klügeres Modell; Sie zahlen es für domänenspezifisch abgestimmtes Reasoning über molekulare Evidenz plus eine vorverdrahtete Werkzeugschicht, und der Lauf vom 21. Oktober ist der erste öffentliche Beleg dafür, dass die Kombination etwas hervorbringt, das ein Biologe lesen wird. Der unangenehme Gegenpunkt steht im selben Paper: Weil das Kontrollexperiment das Modell festhielt und nur die Zerlegung änderte, würde das Ergebnis weitgehend auch mit einem günstigeren Modell Bestand haben. Die Studie isoliert nicht, wie viel der Ausgabe GPT-Rosalind und wie viel der Architektur zuzuschreiben ist – und die Autoren behaupten das auch nicht. Wenn Sie einen verteilten Sweep budgetieren, ist diese Unklarheit etwa $770 pro dreitausend Agenten wert, was dem Unterschied zwischen den beiden obigen Rechnungen entspricht.

Das Gate ist Teil der Spezifikation.

GPT-Rosalind is not generally purchasable. O​penAI's pricing page states that access is limited to approved internal research through the trusted-access programme, and since 11 September that programme has been open globally to eligible organisations rather than to a fixed partner list. Eligibility is assessed on the proposed use, governance and controlled access — which is a reasonable policy for a model that reasons over pathogen and protein data, and a hard constraint on the fleet pattern the company just demonstrated.

Ein 32-Minuten-Lauf über Tausende Agenten setzt voraus, dass man bei Bedarf auf Tausende gleichzeitige Anfragen hochskalieren kann. Bei einem zugangsbeschränkten Schlüssel liegt die Einschränkung nicht bei Tokens pro Minute; sie liegt in der Überprüfung, der Kontostruktur und der Obergrenze für Parallelität, die das Programm gewährt. Jedes Team, das einen verteilten Sweep plant, sollte das vor dem Vergleich von Preisen einkalkulieren, denn ein günstigeres Modell, das man frei aufrufen kann, schlägt ein besseres, das man nur nach dem Zeitplan eines anderen aufrufen kann.

This is where a routing layer earns its place, and where it does not. GPT-Rosalind is not on OrcaRouter — access runs through O​penAI's trusted-access application, and no router changes that. What a router does change is everything around the specialist call. A run like the one published on 21 October is mostly not biology: it is orchestration, report parsing, deduplication across thousands of outputs, and the code that turns an atlas into something queryable. Those steps do not need a $25-per-million-output domain model, and putting them there is how a 32-minute experiment becomes an expensive one. Qwen3.8-Max is on OrcaRouter at Alibaba's $2.00/$6.00 list price with 0% markup, behind the same OpenAI-compatible endpoint as more than 200 other models, so the bulk leg and the specialist leg sit on one key with automatic failover between providers and the routing policy written as configuration rather than as a model name baked into the application.

When Q​wen 4 Max ships, that is also the cheapest way to find out whether it matters: a routing rule that sends a slice of traffic to the new tier, with failover back to the model you already trust, is a trial that cannot take production down. Until then the catalogue simply has no entry for it, which is what an announced-and-unreleased model should look like.

Was würde diesen Vergleich umkehren

Four published numbers would turn Q​wen 4 Max from a name into an opponent, and they are worth naming so the real thing is recognisable when it appears.

• The rate card. A Q​wen flagship that undercuts $2.00/$6.00 changes the arithmetic in this article by a factor rather than a percentage. One that matches it changes nothing, because the buyable Q​wen model already sits there.

• Langkontext-Verhalten, als Richtlinie festgehalten. Ob das 1M-Fenster einen Zuschlagsbereich hat und ab welcher Schwelle. Ein gestufter Tarif oberhalb einer bestimmten Eingabegröße wäre für einen atlas-Lauf wichtiger als die Schlagzeilen-Zahl, weil jeder Agent in diesem Muster das Band überschreitet.

• An agentic and tool-use result on a board nobody at A​libaba runs. The gap this article describes is not general reasoning — Qwen3.8-Max is competent there — it is scientific tool use. A published, independently administered result on that axis would be the first real test of the specialist premium.

• Whether the Max tier ships weights. Qwen3.8-Max did not, but the 27B tier of the same generation did, and a Q​wen 4 Max with downloadable weights would be the one thing GPT-Rosalind structurally cannot offer a regulated lab that needs to audit what happens to proprietary sequence data.

Die Entscheidung, die diese Seite tatsächlich stützt, wartet auf keines davon. Setzen Sie den Spezialisten dort ein, wo ein Irrtum teuer ist – Zielpriorisierung, Mechanismusvorschläge, der Bericht, den eine Biologin lesen wird –, und setzen Sie die Flotte auf das Modell, das $0,14 pro Agent kostet und ohne Antragsformular antwortet. Das Ergebnis vom 21. Oktober ist ein gutes Argument dafür, verteilte Biologie im Atlas-Maßstab zu betreiben. Es ist ein schwächeres Argument dafür, alles auf dem teuersten Modell im Raum laufen zu lassen, und das Kontrollexperiment der Arbeit selbst ist der Grund, das zu sagen.