GPT-Rosalind vs Qwen 4 Max : 3 000 agents, une seule facture et un modèle qui n’a pas encore été livré

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.

Ce que l’exécution du 21 octobre a réellement montré

L’ensemble de données est un atlas Perturb-seq : des gènes perturbés un ARN guide à la fois dans l’ensemble du cerveau de souris, avec le transcriptome de chaque cellule lu ensuite. Le résultat est une matrice de milliers de perturbations croisées avec des millions de cellules, bien plus que ce qu’un laboratoire peut examiner de près — c’est le goulot d’étranglement auquel l’article s’attaque.

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.

Ce qu’il faut surtout retenir lorsqu’on choisit un modèle n’est pas la biologie. C’est le contrôle que l’équipe a effectué sur sa propre méthode, car celui-ci s’accompagne d’un chiffre. Ils ont maintenu le modèle et la puissance de calcul constants et ont confié l’intégralité du jeu de données à un seul agent au lieu de le répartir entre des milliers. À mesure que la charge de travail augmentait, la couverture de la littérature de l’agent unique s’est effondrée : pour la charge la plus élevée, il citait 11 références, contre plus de 700 pour les agents distribués. Des experts humains en aveugle ont préféré les rapports distribués dans 75 % des cas.

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.

Pour une page de comparaison, la conséquence est concrète. Si la victoire découle de l’architecture, alors la propriété décisive du modèle sous-jacent n’est pas son score aux benchmarks — c’est ce qu’il en coûte de l’invoquer trois mille fois en une demi-heure, et si vous êtes autorisé à le faire.

Le chiffre qui décide de cette confrontation, c'est le coût par 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.

Opposez les deux sur les dimensions qui décident de l'exploitation d'une flotte :

• 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.

• Sortie maximale — GPT-Rosalind ne publie pas de plafond par réponse ; le snapshot Qwen3.8-Max 0902 documente 131 072 jetons. • Latence — Qwen3.8-Max mesure un temps jusqu’au premier jeton (p50) de 6,32 secondes sur OrcaRouter et 40,3 jetons de sortie par seconde sur l’index Artificial Analysis. GPT-Rosalind ne publie aucun chiffre de latence, or, pour une exécution en fan-out, c’est précisément la donnée la plus utile.

• Score indépendant — GPT-Rosalind n'est pas du tout suivi par l'Artificial Analysis Intelligence Index, car il s'agit d'un modèle de domaine à accès restreint ; Qwen3.8-Max enregistre 45, se classant 33e sur 214 modèles, à 5,41 $ par tâche d'index complétée et 40,3 jetons de sortie par seconde.

• 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.

Ce que la prime de spécialiste permet d’acheter, et ce qu’elle ne permet pas.

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.

Ce qui est vérifiable, c’est l’outillage. Le Life Sciences Research Plugin connecte le modèle à plus de 50 outils et sources de données scientifiques sous forme de compétences composables au sein de Codex, et l’article du 21 octobre est une démonstration de cette pile plutôt que du raisonnement brut : des milliers d’agents qui récupèrent chacun de la littérature et rédigent un rapport structuré constituent un résultat d’intégration d’outils. Qwen3.8-Max n’a pas de pile biologique équivalente. Il dispose de solides capacités générales d’appel d’outils et de sorties structurées, et toute connexion à une base de données scientifique serait à construire de votre côté.

Voilà la vraie structure du surcoût. Vous ne payez pas 2,5 fois plus cher pour un modèle plus intelligent ; vous payez pour un raisonnement spécialisé pour le domaine, fondé sur des données moléculaires, plus une couche d’outils préconfigurée, et l’exécution du 21 octobre est la première preuve publique que cette combinaison produit quelque chose qu’un biologiste lira. Le contrepoint dérangeant figure dans le même article : comme l’expérience de contrôle maintenait le modèle fixe et ne modifiait que la décomposition, le résultat resterait largement valable avec un modèle moins cher. L’étude ne permet pas de distinguer la part de la production imputable à GPT-Rosalind de celle imputable à l’architecture — et les auteurs ne prétendent pas y parvenir. Si vous préparez le budget d’une campagne de tests distribuée, cette ambiguïté vaut environ 770 $ pour trois mille agents, soit la différence entre les deux factures ci-dessus.

La porte fait partie de la spécification

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.

Une exécution de 32 minutes sur des milliers d’agents suppose de pouvoir monter en charge à des milliers de requêtes simultanées à la demande. Avec une clé soumise à validation, la contrainte ne réside pas dans les jetons par minute ; elle réside dans la validation, la structure du compte et le plafond de concurrence accordé par le programme. Toute équipe qui planifie un balayage distribué doit en tenir compte dans ses coûts avant de comparer les tarifs, car un modèle moins cher que vous pouvez appeler librement vaut mieux qu’un meilleur modèle que vous ne pouvez appeler qu’au gré du calendrier de quelqu’un d’autre.

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.

Qu'est-ce qui inverserait cette comparaison ?

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.

• Comportement en contexte long, énoncé sous forme de règle. Si la fenêtre de 1 M comporte une tranche de surcoût, et à quel seuil. Un tarif par paliers au-delà d’une certaine taille d’entrée compterait davantage pour une exécution atlas que le chiffre mis en avant, car chaque agent dans ce schéma franchit la tranche.

• 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.

La décision que cette page étaye réellement n’attend aucune d’entre elles. Placez le spécialiste là où se tromper coûte cher — hiérarchisation des cibles, propositions de mécanismes, le rapport qu’un biologiste lira — et placez la flotte sur le modèle qui coûte 0,14 $ par agent et répond sans formulaire de demande. Le résultat du 21 octobre est un bon argument en faveur d’une biologie distribuée à l’échelle d’un atlas. C’est un argument moins solide pour tout faire tourner sur le modèle le plus coûteux de la salle, et l’expérience de contrôle propre à l’article est la raison de le dire.