GPT-Rosalind vs Muse Wonder: qué te aporta un contexto de 1M en un laboratorio de biología

Muse Wonder y GPT-Rosalind son los dos modelos de esta comparación que están más cerca sobre el papel y más lejos en propósito. Meta Superintelligence Labs lanzó Muse Wonder el 12 de octubre de 2026 a $4.00 por millón de tokens de entrada y $20.00 por millón de salida, con un contexto de 1M de tokens y un Artificial Analysis Index de 56 —lo que supone el mismo nivel de precio y el mismo tamaño de contexto que GPT-Rosalind, un modelo que O​penAI vende desde el 16 de abril de 2026 a $5.00 y $25.00. Los cinco dólares y cinco dólares de diferencia no son lo interesante. Lo interesante es que uno de estos modelos responderá a cualquier pregunta que le hagas, y el otro solo responderá a preguntas de organizaciones que hayan pasado una revisión, y el segundo es el único de los dos que se ha ajustado con las cosas que realmente hace un laboratorio de biología. Cuando se habilita un lanzamiento restringido o se revisa una puntuación, el cambio queda registrado con sus fechas y fuentes en el AI Incident Archive, junto a los demás incidentes de modelos y proveedores que seguimos.

Misma ventana de contexto, diferente razón para tenerla.

Ambos modelos admiten un millón de tokens, y conviene entender que esto es una coincidencia entre dos decisiones de diseño no relacionadas, y no una capacidad compartida.

La razón de Meta es la amplitud. Muse Wonder acepta texto, imagen, voz y vídeo, y devuelve texto, y está diseñado para lo que Meta denomina tareas agénticas personales y profesionales. Su hermano Muse Wonder Full está encerrado dentro de una suscripción a Muse Code —50 dólares al mes para el plan Power Usage, 200 para Maximum Usage—, lo que lo convierte en una decisión de producto más que en un nivel de API. Un millón de tokens es lo que necesitas cuando una sola sesión de agente tiene que contener a la vez una grabación de pantalla, un documento, un historial de conversación y una transcripción de herramientas.

La razón de OpenAI es la profundidad. GPT-Rosalind admite un millón de tokens, de modo que un laboratorio puede incluir un atlas de referencia completo, una biblioteca de protocolos y la descripción de un conjunto de datos en una sola pasada. Su superficie de herramientas es un complemento de ciencias de la vida con más de cincuenta herramientas; sus benchmarks publicados son de química y genómica; su barrera de acceso existe porque se considera que el modelo es lo suficientemente bueno en biología como para necesitarla.

• Ventana de contexto — Muse Wonder 1,000,000 tokens vs GPT-Rosalind 1,000,000 tokens. Un empate genuino.

• Modalidades de entrada — Muse Wonder: texto, imagen, voz y vídeo. GPT-Rosalind: entradas de texto y archivos científicos a través de ChatGPT, Codex y la API; no se ha publicado ninguna afirmación general sobre entrada de imágenes.

• Salida — Solo texto, ambos.

• Precio — Muse Wonder $4.00 de entrada / $0.20 en caché / $20.00 de salida por 1M frente a GPT-Rosalind $5.00 / $0.50 / $25.00. El especialista cuesta un 25 % más en cada línea y 2,5 veces más en las lecturas de caché.

• Acceso — Muse Wonder disponible hoy como muse-wonder-1.0 en la Meta Model API y dentro de Muse Code. GPT-Rosalind requiere una revisión de acceso de confianza.

• Puntuación independiente — Muse Wonder 56 en el Índice de Artificial Analysis, v4.3.2. GPT-Rosalind: no se rastrea en ese índice.

Ese último par es la clave. En todos los ejes que un equipo de compras puede medir sin hacer ciencia, Muse Wonder gana: es más barato, está disponible sin presentar una solicitud, admite más tipos de entrada y tiene una puntuación independiente. El único eje en el que gana GPT-Rosalind es el que ningún ranking mide, y es el que aborda este artículo.

Las puntuaciones que no son comparables, dicho sin rodeos.

El 56 de Muse Wonder y el 27,5 % de Rosalind no son dos lecturas de lo mismo, y cualquier tabla que los coloque en columnas adyacentes resulta engañosa. El 56 es un compuesto independiente sobre diez evaluaciones generales: AA-Briefcase, GDPval-AA, AutomationBench, Terminal-Bench, SciCode, Humanity's Last Exam, GDP.pdf y otras. El 27,5 % es el propio benchmark de química medicinal de OpenAI, puntuado frente a GPT-5.5, sin reproducir.

• Muse Wonder — 56 en el Artificial Analysis Index; la propia tabla de Meta informa Terminal-Bench 4.0-AA con 85.6, SWE-Marathon con 78.8, OSWorld V2.1 con 72.6, HealthBench Pro con 56.6 y DeepSWE 1.1 con 52.0. Todas las filas de Meta son reportadas por el proveedor; la cifra del índice es independiente.

• GPT-Rosalind — MedChemBench 27,5 % frente a 25,1 %, GeneBench 21,6 % frente a 20,4 %, LabWorkBench 63,2 % frente a 55,8 %, y una mejora del 4,42 % de rendimiento por token en LifeSciBench. Todos reportados por OpenAI, ninguno reproducido de forma independiente.

• La única coincidencia que vale la pena señalar — HealthBench Pro es un benchmark de conocimiento clínico, y GPT-Rosalind no publica nada al respecto. El 56,6 de Meta ahí no dice nada sobre si Muse Wonder puede diseñar un experimento de perturbación.

No existe ningún benchmark público de biología en el que se haya evaluado a ambos modelos. Esa ausencia es el hecho más importante de la comparación, y ninguno de los dos proveedores va a subsanarla.

Qué hace Muse Wonder Full con la comparación de precios

Meta publicó dos checkpoints el 12 de octubre, y la división cambia lo que significa "Muse Wonder" según por qué puerta entres.

• Muse Wonder — muse-wonder-1.0, en la API de Meta Model y dentro de Muse Code, $4.00 / $0.20 / $20.00.

• Muse Wonder Full — un checkpoint independiente con mayor puntuación que, según Meta, solo está disponible para los suscriptores de Muse Code. No es una opción del modelo de API; es un modelo diferente dentro de un producto de entre 50 y 200 dólares al mes.

• La brecha — La propia tabla de Meta muestra Muse Wonder Full con 75,3 en JobBench frente a 30,8 de Muse Wonder, y 59,1 frente a 10,0 en Vals Finance Agent V2. Una brecha de 44 puntos entre dos checkpoints del mismo laboratorio en un mismo benchmark es o una diferencia real de capacidad o un artefacto del arnés de evaluación, y solo un tercero puede determinar cuál de las dos.

Para un laboratorio, la lectura práctica es que el modelo que se puede comprar a través de una API y el modelo para el que Meta publica sus mejores cifras no son el mismo modelo. Cualquiera que compare «Muse Wonder» con GPT-Rosalind basándose en las puntuaciones de Full está comparando un producto de suscripción con un modelo de API.

Dónde se usan realmente un millón de tokens

El empate en la ventana de contexto es la razón por la que estos dos modelos se comparan siquiera, así que vale la pena concretar qué hace un laboratorio con un millón de tokens frente a lo que hace un agente general con ellos.

Un agente general que maneja un millón de tokens está manteniendo un estado: la conversación, las capturas de pantalla, las salidas de herramientas, el archivo actual. El contexto es un espacio de trabajo. Un flujo de trabajo de biología que maneja un millón de tokens está manteniendo una referencia: el atlas, las tablas de anotación, el corpus de protocolos, la literatura previa. El contexto es una biblioteca.

Esas son cargas de trabajo diferentes y ponen a prueba cosas distintas. Un espacio de trabajo recompensa los bucles de herramientas rápidos y las lecturas de caché baratas; una biblioteca recompensa la capacidad de mantener a la vista un gran volumen de texto de dominio y razonar a través de él sin perder el hilo. Meta optimiza para las primeras —Active Memory de Muse Wonder mantiene el estado a lo largo de una sesión, y Active Focus gestiona la atención del propio modelo en tareas largas, ambas funciones que solo tienen sentido para uso agéntico. OpenAI optimiza para las segundas, y por eso las ganancias publicadas corresponden a tareas en las que el modelo tiene que mantener en mente a la vez un protocolo y una perturbación.

• Economía de caché — Muse Wonder $0,20 por millón en caché frente a GPT-Rosalind $0,50. En una sesión larga de agente que reenvía un gran prompt de sistema en cada turno, el modelo general resulta 2,5× más barato en la línea que domina el gasto.

• Diseño de sesiones — El estado persistente de Muse Wonder entre sesiones es la afirmación que más cambia la forma en que arquitectas una aplicación, y también es la que una ficha de modelo no puede demostrar.

• Texto del dominio — Ningún proveedor publica una evaluación comparativa de recuperación de contexto largo para texto científico, por lo que el empate no está verificado en la dirección que importa aquí.

La puerta es el factor diferenciador, no el punto de referencia.

Esta es la asimetría que decide la conversación de compras. Muse Wonder se vende a cualquiera que tenga una tarjeta. GPT-Rosalind se vende solo a organizaciones que superan una revisión, y la revisión existe porque O​penAI concluyó que la capacidad de biología del modelo no debería estar disponible a demanda. Desde el 11 de septiembre de 2026, esa puerta ha estado abierta globalmente a organizaciones elegibles en lugar de a una lista de socios designados; desde el 15 de octubre existe además una vía académica que ofrece a los laboratorios elegibles hasta 30 puestos gratuitos de ChatGPT Business durante un máximo de doce meses y excluye explícitamente el acceso a la API.

Dos lecturas de eso, y ambas son defendibles. La cínica: una barrera de acceso es un impuesto para los investigadores legítimos que no hace nada para detener a nadie más. La útil: un proveedor que restringe el acceso a un modelo te ha dicho dónde cree que se concentra la capacidad, y un proveedor que vende un modelo general a todo el mundo te ha dicho lo mismo por omisión. Las fortalezas publicadas por Meta para Muse Wonder son el trabajo agéntico, la programación y las tareas profesionales. La biología no figura en la propuesta, y no hay barrera porque no hay nada que restringir.

Así que la decisión no es "qué modelo es mejor". Es "¿mi solicitud pertenece a la biblioteca o al espacio de trabajo?", y la respuesta suele ser obvia una vez que la pregunta se plantea en esos términos.

Ejecutando el par y siendo honestos sobre a qué mitad servimos

Ni Muse Wonder ni GPT-Rosalind están en OrcaRouter. Se puede acceder a Muse Wonder mediante la propia API de Meta y dentro de Muse Code; a GPT-Rosalind, solo mediante el programa de acceso de confianza de OpenAI. No vamos a dar a entender que enrutamos ninguno de los dos.

Lo que sí tenemos de esa familia es la línea Muse Spark — Muse Spark 1.2 y Muse Spark 1.1 a 1,25 $ de entrada y 4,25 $ de salida por millón de tokens con una ventana de contexto de 1 048 576 tokens, un checkpoint actualizado con idéntico precio y una superficie de entrada más amplia que incluye vídeo y audio además de texto, imágenes y PDF. Para un laboratorio que está evaluando si un modelo de Meta encaja en su pipeline antes de comprometerse con una suscripción a Muse Code, esa es la forma económica de averiguarlo. Junto a ello están más de 200 modelos adicionales con una sola clave al precio de lista del proveedor con 0 % de recargo, así que una rebaja de precio del proveedor está activa en nuestro lado el mismo día en que se publica.

La arquitectura que tiene sentido aquí es la misma división a la que siguen llegando estas comparaciones. La mitad del espacio de trabajo —la orquestación, el análisis sintáctico, el código que rodea la ciencia, el trabajo con documentos— se ejecuta en un modelo al que puedes llamar hoy, con conmutación automática por fallo para que un contratiempo de un proveedor desplace una solicitud en lugar de matar una ejecución. La mitad de la biblioteca permanece en una clave de especialista directa, detrás de una ruta con nombre en el DSL de enrutamiento que falla de forma ruidosa cuando el especialista no está disponible en vez de responder en silencio con un modelo general. Si quieres una segunda opinión sobre un resultado límite sin pagar tarifas de especialista por cada solicitud, la fusión de modelos a través de un panel es el mecanismo: varios modelos responden, tú comparas y la discrepancia es la señal.

¿Qué lo resolvería?

Tres cosas. Un arnés independiente podría volver a ejecutar los spreads de JobBench de Meta y de Vals Finance, lo que te diría si la diferencia de 44 puntos entre los dos checkpoints de Muse Wonder es capacidad o artefacto. Una muse-wonder-full ruta de API haría que el modelo con mayor puntuación se pudiera comprar en lugar de quedar atado a una suscripción. Y cualquier evaluación independiente de biología que abarcara ambos modelos sustituiría todo este argumento por un número, que es lo que el campo ha necesitado desde abril.

Sin eso, la regla es lo bastante sencilla como para escribirla en una tarjeta. Si la solicitud es agéntica, multimodal o trata de mantener coherente una sesión larga, Muse Wonder a $4.00 / $20.00 con un contexto de 1M y una puntuación independiente de 56 es la mejor compra y puedes empezar hoy. Si la solicitud es de biología, el único modelo aquí que se ha ajustado para ello está sujeto a revisión, cuesta un 25 % más en cada línea y no aparece en ninguna tabla de clasificación que puedas consultar, y esa combinación es el aspecto que tiene un especialista antes de que los benchmarks se pongan al día.