GPT-Rosalind vs Grok 4.7 : un benchmark de santé n’est pas une porte vers la biologie

Grok 4.7 arrive avec un chiffre qui ressemble, à première vue, à la réponse à GPT-Rosalind : 56,7 % sur HealthBench Professional, contre 48,5 % pour Grok 4.6. Il s'agit d'un benchmark de connaissances cliniques, rapporté par SpaceXAI dans le tableau de lancement d'un modèle sorti le 21 septembre 2026, et c'est l'élément le plus proche d'une évaluation médicale dans la documentation de chacune des deux sociétés. GPT-Rosalind, en vente générale depuis le 5 octobre 2026 après une présentation en avril 2026, ne publie rien de comparable — ses chiffres portent sur des benchmarks de chimie et de laboratoire humide, et il faut une revue d'accès de confiance pour les exécuter soi-même. Ainsi, la vraie question n'est pas de savoir quel modèle obtient le meilleur score en santé ; c'est de savoir ce que mesure un benchmark de santé par rapport à ce que protège une barrière biologique, et pourquoi l'un de ces modèles coûte un tiers de moins par token que l'autre tout en étant accessible à tout le monde.Les contestations de benchmarks et les changements de conditions d'accès qui suivent une comparaison comme celle-ci sont consignés avec leurs dates et leurs sources dans l'AI Incident Archive, aux côtés des autres incidents de modèles et de fournisseurs que nous suivons.

Le chevauchement qui s’avère étroit

HealthBench Professional pose à un modèle des questions du type de celles auxquelles un clinicien répondrait. Il récompense la mémorisation, la calibration et la capacité à maintenir un cadre clinique. Il n’exige pas du modèle qu’il conçoive une expérience de perturbation, qu’il lise un protocole de laboratoire humide ou qu’il raisonne sur une relation structure-activité. La suite publiée de GPT-Rosalind relève de l’autre type de test : MedChemBench couvre la prédiction de puissance et d’ADME ainsi que la rétrosynthèse ; GeneBench couvre la génomique à long horizon ; LabWorkBench couvre le lien entre perturbations et résultats dans de vrais protocoles. Des instruments différents, des cibles différentes.

• Ce qui est mesuré— Grok 4.7 : connaissances et jugement cliniques, 56,7 % sur HealthBench Professional. GPT-Rosalind : raisonnement en chimie et en laboratoire humide, 27,5 % sur MedChemBench et 63,2 % sur LabWorkBench.

• Who ran it — Grok 4.7: SpaceXAI, against its own previous model. GPT-Rosalind: O​penAI, against GPT-5.5.

• Reproduction indépendante — Aucun pour l’un ou l’autre benchmark.

• Ce qu'aucun des deux chiffres ne vous dit — Si l'on peut faire confiance au modèle pour un résultat qui figurera dans un document déposé. C'est une question de modes de défaillance, pas de scores.

Placez les deux tableaux côte à côte : ils n’ont aucune ligne en commun. Ce n’est pas une lacune du reporting ; c’est la forme du marché. Un modèle général est évalué sur l’étendue, un spécialiste sur la profondeur, et les fournisseurs choisissent les tests qui mettent en avant leur propre force.

L’enveloppe, qui est précisément ce en quoi ces deux éléments diffèrent.

Les spécifications sont la partie la moins glamour d’une comparaison, et celle qui détermine si un flux de travail est possible tout court. Ici, les deux modèles divergent davantage que ne le suggère la conversation sur les benchmarks.

• Fenêtre de contexte — Grok 4.7 : 500 000 tokens, soit la moitié des 1 000 000 de GPT-Rosalind.

• Sortie maximale — Grok 4.7 : 450 000 tokens, et la documentation propre à SpaceXAI indique qu'il n'existe aucune limite de sortie texte, ce qui ne concorde pas avec le chiffre de 450 K figurant sur notre fiche modèle. Nous signalons cette divergence plutôt que de prendre parti ; le fournisseur fait autorité pour son propre modèle. GPT-Rosalind : plafond de sortie non publié séparément.

• Entrée — Grok 4.7 : texte et images, JPG ou PNG jusqu’à 20 MiB chacun, aucun plafond documenté sur le nombre d’images, dans n’importe quel ordre. GPT-Rosalind : entrées de fichiers scientifiques via ChatGPT, Codex et l’API ; aucune affirmation générale publiée concernant l’entrée d’images.

• Contrôle du raisonnement — Grok 4.7 : reasoning_effortà faible, moyen, élevé ou xhigh, avec les chiffres de référence publiés cités pour xhigh. GPT-Rosalind : un contrôle de type « effort de raisonnement » dans l'API, avec l'utilisation d'outils au cœur du modèle.

• Outils — Grok 4.7 : appel de fonctions, recherche web, recherche X et exécution de code, le tout côté serveur. GPT-Rosalind : un plugin d’outils pour les sciences de la vie avec plus de cinquante outils dans ChatGPT et Codex.

• Date limite des connaissances — Grok 4.7 : mai 2026, sans conscience du temps réel par défaut. GPT-Rosalind : non publié.

L’écart de contexte est celui qui pose vraiment problème dans ce domaine. Une fenêtre de 1 M de tokens n’est pas un luxe pour le travail en génomique ; c’est ce qui permet à un modèle de contenir un atlas entier ou un ensemble complet de protocoles en une seule passe. Les 500 K de Grok 4.7 sont généreux selon les standards généraux et représentent la moitié de ce qu’offre le spécialiste. En parallèle, le plafond de sortie de 450 K dépasse de loin tout ce dont une réponse en biologie a besoin et correspond exactement à ce que recherche une longue trajectoire d’agent ou une refactorisation de grande ampleur.

L'écart de prix est le plus large de cet ensemble.

Grok 4.7 est le modèle le moins cher de toutes ces comparaisons et GPT-Rosalind le plus cher, ce qui rend le calcul implacable.

• Entrée — Grok 4.7 à 2,00 $ par million contre GPT-Rosalind à 5,00 $. Le spécialiste coûte 2,5 fois plus cher.

• Sortie — Grok 4.7 à 6,00 $ contre GPT-Rosalind à 25,00 $. Un écart de 4,2×, et la plus grande différence sur un seul nombre dans cet article.

• Entrée mise en cache — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Identique, ce qui est la seule ligne où le spécialiste n'est pas plus cher.

• Invites longues — Grok 4.7 double à 4,00 $ / 12,00 $ avec 1,00 $ en cache dès qu’une invite atteint 200K tokens. GPT-Rosalind ne publie aucun supplément pour contexte long.

• Facturation régionale — Grok 4.7 dispose d’un point de terminaison américain avec un multiplicateur de 1,1×, soit 2,20 $ / 6,60 $ en dessous de 200K.

C’est dans le ratio de sortie que se joue réellement la décision. Un workflow de découverte produit beaucoup de sortie : listes de candidats, brouillons de protocoles, code, longues justifications. À 25 $ contre 6 $ par million, une exécution qui émet dix millions de tokens de sortie coûte 250 $ sur le modèle spécialisé et 60 $ sur le modèle généraliste. La seule question qui vaille est de savoir si ces 190 $ vous apportent quoi que ce soit, et aucun benchmark publié n’y répond.

Ce que l’évaluateur indépendant apporte

Grok 4.7 dispose d'un véritable historique indépendant, et celui-ci est plus instructif que le tableau du fournisseur, car il inclut les coûts que personne ne communique.

• Intelligence — 46 sur l’Artificial Analysis Intelligence Index, v4.3.2, soit 21e sur 211 modèles de ce classement et bien au-dessus de la médiane de l’indice, qui est de 26. GPT-Rosalind n’y figure pas du tout ; les modèles spécialisés sont hors périmètre.

• Coût par exécution d’index — 3,74 $, l’évaluateur ayant relevé une remise de 75 % sur le cache et un tarif d’entrée/sortie correspondant à celui du fournisseur, soit 2,00 $ / 6,00 $. Son commentaire indique que le modèle est raisonnablement tarifé par rapport à ses pairs de prix similaire.

• Verbosity — 240 M de jetons de sortie sur l'ensemble de l'indice, contre une médiane de 88 M. Artificial Analysis le qualifie de « très verbeux », et c'est le chiffre le plus utile ici pour établir un budget : un modèle qui réfléchit en chaînes plus longues coûte plus cher par tâche, à tarif de jeton fixe.

• Vitesse — 82,6 jetons de sortie par seconde, 83e sur 211, ce que l’évaluateur qualifie néanmoins de plus lent que la moyenne.

Le chiffre de verbosité est celui qui devrait modifier votre calcul mental. Grok 4.7 à 6,00 $ en sortie n’est pas 4,2 fois moins cher que GPT-Rosalind à 25,00 $ par tâche s’il émet près de trois fois plus de tokens pour y arriver. Ramené à la tâche, l’écart réel est plus étroit que ne l’indique la grille tarifaire, et personne ne publie de chiffre de verbosité pour Rosalind permettant une comparaison — car Rosalind n’est pas au classement.

Pourquoi la barrière existe, et pourquoi Grok n’en a pas

This is the asymmetry a benchmark table cannot express. Grok 4.7 is sold to anyone with a billing account, with a 500K context, image input and server-side code execution. GPT-Rosalind is sold only to organisations that clear a review, and the review exists because O​penAI judged the model's biology capability to be the kind of thing that should not be available on demand.

Voyez-y une déclaration sur la capacité, non sur la sécurité de façade. Un laboratoire qui verrouille l’accès à un modèle a estimé que ce modèle était suffisamment performant dans un domaine important pour justifier un tel verrouillage. SpaceXAI n’a porté aucun jugement équivalent sur Grok 4.7, et ses points forts publiés — le codage, les boucles d’outils agentiques, le travail logiciel de longue durée — ne sont pas du genre à faire l’objet d’un verrouillage.

La conséquence pratique : si votre travail est computationnel et proche de la biologie plutôt qu’à l’intérieur de celle-ci, Grok 4.7 est disponible dès maintenant, bon marché et bien adapté à la forme de la tâche. Si votre travail est la biologie elle-même, le modèle que vous voulez se trouve derrière un formulaire, et aucun HealthBench Professional ne comble cet écart. Dans ce cas, la barrière d’accès est le produit, et non un obstacle à celui-ci.

Router la paire, et le seul endroit où il faut faire attention.

Grok 4.7 is on OrcaRouter at SpaceXAI's list price — $2.00 input, $6.00 output and $0.50 cached input per million tokens, with 0% markup, and the 200K threshold carried through as a pricing tier so a long-prompt request is billed honestly instead of surprising you. GPT-Rosalind is not on OrcaRouter and not on any third-party router; it runs through O​penAI's trusted-access programme directly. We are not going to imply otherwise, and there is no route to configure that would change it.

Ce qui reste, c'est le schéma auquel toute cette série de comparaisons aboutit invariablement. Le volet computationnel d'une plateforme de recherche tourne sur Grok 4.7 et les plus de 200 autres modèles derrière une clé unique, avec un basculement automatique entre fournisseurs afin qu'un problème de capacité déplace la requête plutôt que de faire échouer l'exécution. Le volet biologie reste sur une clé directe. Le DSL de routage est l'endroit où vous rendez la frontière explicite : une route nommée pour le spécialiste qui échoue de façon visible lorsqu'il est indisponible, une route par défaut pour tout le reste, et aucune promotion silencieuse d'une réponse de modèle généraliste vers un emplacement de spécialiste.

La fusion de modèles vaut la peine d’être connue pour les cas limites. Un panel qui pose la même question à la fois à un modèle généraliste bon marché et à un spécialiste, puis compare, est un moyen de repérer la requête mal classée — celle qui ressemblait à de la plomberie et qui s’est avérée nécessiter un jugement métier. C’est aussi la manière honnête d’utiliser un modèle auquel vous ne faites pas encore entièrement confiance.

Qu’est-ce qui changerait la réponse ?

Three developments, none of them exotic. SpaceXAI could publish a domain evaluation with the specificity of Rosalind's chemistry suite — HealthBench Professional is a start and not close. O​penAI could extend the October academic plan to include API access, which would put free specialist capacity in exactly the labs that currently cannot afford it. Or an independent harness could put both models through the same scientific task set, which would settle a question that two vendor tables have carefully avoided.

Jusqu’à l’arrivée de l’un de ceux-ci, l’écart n’est pas mince. Si la demande porte sur du code, des données ou de la prose, Grok 4.7 coûte un tiers du prix de sortie, avec une surface d’outils plus large et un score indépendant ; choisir le spécialiste serait une façon coûteuse de se sentir prudent. Si la demande relève de la science, payez le 4,2× et acceptez la revue, car le seul modèle de cette comparaison qui ait été ajusté pour cela est celui qui vous a fait remplir un formulaire.