GPT-Rosalind vs Grok 4.7: un benchmark de salud no es una puerta de acceso a la biología

Grok 4.7 llega con una cifra que, a primera vista, parece la respuesta a GPT-Rosalind: 56,7 % en HealthBench Professional, frente al 48,5 % de Grok 4.6. Se trata de un benchmark de conocimientos clínicos, reportado por SpaceXAI en la tabla de lanzamiento de un modelo publicado el 21 de septiembre de 2026, y es lo más parecido a una evaluación médica en el material de cualquiera de las dos empresas. GPT-Rosalind, a la venta general desde el 5 de octubre de 2026 tras su presentación en abril de 2026, no publica nada comparable —sus cifras son benchmarks de química y de laboratorio húmedo, y hace falta una revisión de acceso de confianza para ejecutarlos por cuenta propia—. Así que la pregunta honesta no es qué modelo obtiene una puntuación más alta en salud; es qué mide un benchmark de salud frente a qué protege una barrera biológica, y por qué uno de estos modelos cuesta un tercio de lo que cuesta el otro por token y, aun así, está disponible para cualquiera. Las disputas en torno a benchmarks y los cambios en los controles de acceso que siguen a una comparación como esta se documentan con sus fechas y fuentes en the AI Incident Archive, junto con el resto de incidentes de modelos y proveedores que seguimos.

El solapamiento que resulta ser estrecho

HealthBench Professional plantea a un modelo preguntas del tipo que respondería un clínico. Recompensa el recuerdo, la calibración y la capacidad de mantener un marco clínico. No exige que el modelo diseñe un experimento de perturbación, lea un protocolo de laboratorio húmedo o razone sobre una relación estructura-actividad. La suite publicada de GPT-Rosalind es el otro tipo de prueba: MedChemBench abarca la predicción de potencia y ADME y la retrosíntesis; GeneBench abarca la genómica de horizonte largo; LabWorkBench abarca la vinculación de perturbaciones con resultados en protocolos reales. Instrumentos distintos, objetivos distintos.

• Qué se está midiendo — Grok 4.7: conocimiento y juicio clínicos, 56,7 % en HealthBench Professional. GPT-Rosalind: razonamiento químico y de laboratorio húmedo, 27,5 % en MedChemBench y 63,2 % en LabWorkBench.

• Quién lo ejecutó — Grok 4.7: SpaceXAI, contra su propio modelo anterior. GPT-Rosalind: OpenAI, contra GPT-5.5.

• Reproducción independiente — Ninguno para ninguno de los dos benchmarks.

• Lo que ninguno de los dos números te dice — Si se puede confiar en el modelo para un resultado que va a parar a una declaración oficial. Esa es una cuestión sobre modos de fallo, no sobre puntuaciones.

Ponga las dos tablas una al lado de la otra y no hay ninguna fila que compartan. Eso no es un vacío en la información; es la forma del mercado. Un modelo general se mide por su amplitud, uno especializado por su profundidad, y los proveedores eligen las pruebas que demuestran su propia fortaleza.

El sobre, que es donde estos dos realmente difieren

Las especificaciones son la parte menos glamurosa de una comparación y la parte que decide si un flujo de trabajo es posible siquiera. Aquí los dos modelos divergen más de lo que sugiere la conversación sobre los benchmarks.

• Ventana de contexto — Grok 4.7: 500.000 tokens, la mitad de los 1.000.000 de GPT-Rosalind.

• Salida máxima — Grok 4.7: 450.000 tokens, y la propia documentación de SpaceXAI indica que no existe un límite de salida de texto, lo cual no concuerda con la cifra de 450 K de nuestra ficha del modelo. Señalamos la discrepancia en lugar de tomar partido; el proveedor es la autoridad sobre su propio modelo. GPT-Rosalind: no se publica por separado como límite de salida.

• Entrada — Grok 4.7: texto e imágenes, JPG o PNG de hasta 20 MiB cada uno, sin límite documentado en el número de imágenes, en cualquier orden. GPT-Rosalind: entradas de archivos científicos mediante ChatGPT, Codex y la API; no se ha publicado ninguna afirmación general sobre la entrada de imágenes.

• Control de razonamiento — Grok 4.7: reasoning_effort en low, medium, high o xhigh, con las cifras de benchmark publicadas citadas en xhigh. GPT-Rosalind: un control al estilo del esfuerzo de razonamiento en la API, con el uso de herramientas en el núcleo del modelo.

• Herramientas — Grok 4.7: llamada a funciones, búsqueda web, búsqueda en X y ejecución de código, todo del lado del servidor. GPT-Rosalind: un complemento de herramientas de ciencias de la vida con más de cincuenta herramientas dentro de ChatGPT y Codex.

• Fecha de corte de conocimiento — Grok 4.7: mayo de 2026, sin conocimiento en tiempo real por defecto. GPT-Rosalind: no publicado.

La brecha de contexto es la que duele en este dominio. Una ventana de 1M de tokens no es un lujo para el trabajo de genómica; es lo que permite que un modelo contenga un atlas completo o un conjunto completo de protocolos en una sola pasada. Los 500K de Grok 4.7 son generosos según los estándares generales y la mitad de lo que ofrece el especialista. Mientras tanto, el límite de salida de 450K está muy por encima de lo que necesita cualquier respuesta de biología y es exactamente lo que quiere una trayectoria larga de agente o una refactorización grande.

La diferencia de precios es la más amplia de este conjunto.

Grok 4.7 es el modelo más barato en cualquiera de estas comparaciones y GPT-Rosalind es el más caro, lo que hace que la aritmética sea contundente.

• Entrada — Grok 4.7 $2.00 por 1M frente a GPT-Rosalind $5.00. El especialista cuesta 2,5 veces más.

• Salida — Grok 4.7 $6.00 frente a GPT-Rosalind $25.00. Una diferencia de 4,2×, y la mayor diferencia de un solo número en este artículo.

• Entrada en caché — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Idénticos, la única línea donde el especialista no es más caro.

• Prompts largos — Grok 4.7 duplica su precio a $4.00 / $12.00, con $1.00 en caché una vez que un prompt alcanza los 200K tokens. GPT-Rosalind no publica ningún recargo por contexto largo.

• Facturación regional — Grok 4.7 tiene un endpoint en EE. UU. con un multiplicador de 1,1×, lo que equivale a 2,20 $ / 6,60 $ por debajo de 200K.

La ratio de salida es donde reside realmente la decisión. Un flujo de trabajo de descubrimiento genera mucha salida: listas de candidatos, borradores de protocolos, código, justificaciones extensas. A $25 frente a $6 por millón, una ejecución que emite diez millones de tokens de salida cuesta $250 en el modelo especializado y $60 en el modelo general. Si esos $190 le aportan algo es la única pregunta que merece la pena plantearse, y ningún benchmark publicado la responde.

Lo que aporta el evaluador independiente

Grok 4.7 tiene un historial independiente real, y es más informativo que la tabla del proveedor porque incluye los costos que nadie anuncia.

• Inteligencia — 46 en el Artificial Analysis Intelligence Index, v4.3.2, lo que lo sitúa en el puesto 21 de 211 modelos de ese ranking y muy por encima de la mediana del índice, que es 26. GPT-Rosalind no aparece en el ranking en absoluto; los modelos especializados quedan fuera del alcance.

• Costo por ejecución de índice — $3.74, y el evaluador registra un descuento de caché del 75 % y una tarifa de entrada/salida que coincide con la propia del proveedor de $2.00 / $6.00. Su comentario es que el modelo tiene un precio razonable en comparación con pares de precio similar.

• Verbosidad — 240 M de tokens de salida en todo el índice, frente a una mediana de 88 M. Artificial Analysis lo califica de «muy verboso», y ese es el dato más útil aquí para presupuestar: un modelo que piensa en cadenas más largas cuesta más por tarea con cualquier tarifa de tokens fija.

• Velocidad — 82,6 tokens de salida por segundo, puesto 83 de 211, que el evaluador no obstante califica como más lento que el promedio.

La cifra de verbosidad es la que debería cambiar tu aritmética mental. Grok 4.7 a $6.00 de salida no es 4.2× más barato que GPT-Rosalind a $25.00 por tarea si emite casi el triple de tokens para llegar ahí. Por tarea, la diferencia real es menor de lo que dice la lista de precios, y nadie publica una cifra de verbosidad de Rosalind con la que comparar — porque Rosalind no está en la tabla.

Por qué existe la puerta, y por qué Grok no tiene una.

Esta es la asimetría que una tabla comparativa no puede expresar. Grok 4.7 se vende a cualquiera que tenga una cuenta de facturación, con un contexto de 500K, entrada de imágenes y ejecución de código del lado del servidor. GPT-Rosalind se vende solo a organizaciones que superan una revisión, y la revisión existe porque O​penAI consideró que la capacidad biológica del modelo era el tipo de cosa que no debería estar disponible bajo demanda.

Interpreta eso como una declaración sobre capacidad, no sobre teatro de seguridad. Un laboratorio que restringe el acceso a un modelo ha decidido que el modelo es lo bastante bueno en algo de peso como para que valga la pena restringirlo. SpaceXAI no ha emitido un juicio equivalente sobre Grok 4.7, y sus fortalezas publicadas —programación, bucles de herramientas agénticas, trabajo de software de larga duración— no son el tipo de cosa a la que se le pone una restricción.

La consecuencia práctica: si tu trabajo es computacional y adyacente a la biología en lugar de estar dentro de ella, Grok 4.7 está disponible ahora, es barato y encaja bien con la forma de la tarea. Si tu trabajo es la biología misma, el modelo que quieres está detrás de un formulario, y ninguna cantidad de HealthBench Professional cierra esa brecha. En ese caso, la barrera es el producto, no un obstáculo para él.

Enrutando el par, y el único punto en el que tenemos que tener cuidado.

Grok 4.7 está en OrcaRouter al precio de lista de SpaceXAI — $2.00 de entrada, $6.00 de salida y $0.50 de entrada en caché por millón de tokens, con 0% de margen, y el umbral de 200K se mantiene como tramo de precios para que una solicitud con un prompt largo se facture de forma honesta en lugar de sorprenderte. GPT-Rosalind no está en OrcaRouter ni en ningún router de terceros; se ejecuta directamente a través del programa de acceso de confianza de O​penAI. No vamos a insinuar lo contrario, y no hay ninguna ruta que se pueda configurar que lo cambie.

Lo que queda es el patrón al que este conjunto de comparaciones no deja de llegar. La mitad computacional de una plataforma de investigación funciona con Grok 4.7 y los otros más de 200 modelos detrás de una sola clave, con conmutación automática por error entre proveedores de modo que un problema de capacidad mueve la solicitud en lugar de hacer que falle la ejecución. La mitad de biología permanece en una clave directa. El DSL de enrutamiento es donde haces explícito el límite: una ruta con nombre para el especialista que falla de forma visible cuando no está disponible, una ruta predeterminada para todo lo demás, y ninguna promoción silenciosa de una respuesta de modelo general a una ranura de especialista.

La fusión de modelos vale la pena conocerla para los casos límite. Un panel que plantea la misma pregunta tanto a un modelo general barato como a un especialista y luego compara es una forma de detectar la solicitud que se clasificó mal — la que parecía fontanería y resultó necesitar criterio de dominio. También es la forma honesta de usar un modelo en el que aún no confías del todo.

¿Qué cambiaría la respuesta?

Tres avances, ninguno de ellos exótico. SpaceXAI podría publicar una evaluación de dominio con la especificidad de la suite de química de Rosalind —HealthBench Professional es un comienzo y no se acerca. OpenAI podría ampliar el plan académico de octubre para incluir acceso a la API, lo que pondría capacidad especializada gratuita precisamente en los laboratorios que actualmente no pueden permitírsela. O un arnés independiente podría someter a ambos modelos al mismo conjunto de tareas científicas, lo que resolvería una cuestión que dos tablas de proveedores han evitado cuidadosamente.

Hasta que llegue uno de esos, la elección no está reñida. Si la solicitud es de código, datos o prosa, Grok 4.7 cuesta un tercio del precio de salida, tiene una superficie de herramientas más amplia y una puntuación independiente, y optar por el especialista sería una forma cara de sentirse prudente. Si la solicitud es de ciencia, paga el 4,2× y acepta la revisión, porque el único modelo de esta comparación que se ha ajustado para ello es el que te hizo rellenar un formulario.