GPT-Rosalind לעומת Grok 4.7: מדד בריאות אינו שער לביולוגיה

Grok 4.7 מגיע עם מספר שנראה, במבט חטוף, כמו התשובה ל-GPT-Rosalind: 56.7% ב-HealthBench Professional, עלייה מ-48.5% של Grok 4.6. זהו בנצ'מרק של ידע קליני, שדווח על ידי SpaceXAI בטבלת ההשקה של מודל ששוחרר ב-21 בספטמבר 2026, וזה הדבר הקרוב ביותר להערכה רפואית בחומרים של שתי החברות. GPT-Rosalind, שנמכר באופן כללי מאז 5 באוקטובר 2026 לאחר הצגה באפריל 2026, אינו מפרסם דבר דומה — הנתונים שלו הם בנצ'מרקים של כימיה ומעבדה רטובה, וכדי להריץ אותם בעצמך יש צורך בסקירת גישה מהימנה. אז השאלה הכנה אינה איזה מודל משיג ציון גבוה יותר בבריאות; אלא מה מודד בנצ'מרק בריאות לעומת מה שמגן עליו שער ביולוגיה, ומדוע מחירו לכל טוקן של אחד מהמודלים האלה הוא שליש מזה של השני, בעוד שהוא זמין לכל אחד.מחלוקות סביב בנצ'מרקים ושינויים בשערי גישה שמתרחשים בעקבות השוואה כמו זו נרשמים עם תאריכיהם ומקורותיהם בתוך the AI Incident Archive, לצד שאר תקריות המודלים והספקים שאנו עוקבים אחריהם.

החפיפה שמתבררת כצרה

HealthBench Professional מציג למודל שאלות מהסוג שרופא קלינאי היה עונה עליהן. הוא מתגמל היזכרות, כיול ויכולת לשמור על מסגרת קלינית. הוא אינו דורש מהמודל לתכנן ניסוי הפרעה, לקרוא פרוטוקול מעבדה רטובה או לנמק אודות קשר מבנה-פעילות. מערך המבחנים שפורסם של GPT-Rosalind הוא סוג אחר של מבחן: MedChemBench מכסה חיזוי עוצמה ותחזית ADME ורטרוסינתזה; GeneBench מכסה גנומיקה לטווח ארוך; LabWorkBench מכסה קישור בין הפרעות לתוצאות בפרוטוקולים אמיתיים. כלים שונים, מטרות שונות.

• מה נמדד — Grok 4.7: ידע קליני ושיקול דעת, 56.7% ב-HealthBench Professional. GPT-Rosalind: כימיה והסקה במעבדה רטובה, 27.5% ב-MedChemBench ו-63.2% ב-LabWorkBench.

• מי הריץ אותו — Grok 4.7: SpaceXAI, נגד המודל הקודם שלה. GPT-Rosalind: OpenAI, נגד GPT-5.5.

• שחזור עצמאי — אין עבור אף אחד משני המדדים.

• מה שאף אחד משני המספרים לא אומר לך — האם ניתן לסמוך על המודל עם תוצאה שנכנסת להגשה רשמית. זו שאלה של אופני כשל, לא של ציונים.

הניחו את שתי הטבלאות זו לצד זו ואין אף שורה משותפת להן. זה לא פער בדיווח; זוהי צורתו של השוק. מודל כללי נמדד לפי רוחב, מומחה לפי עומק, והספקים בוחרים את המבחנים שמציגים את החוזק שלהם.

המעטפה, שזה המקום שבו השניים האלה בעצם נבדלים.

המפרט הוא החלק הכי פחות זוהר בהשוואה, והחלק שקובע אם תהליך עבודה אפשרי בכלל. כאן שני המודלים נבדלים זה מזה יותר ממה ששיח הבנצ'מרק מרמז.

• חלון הקשר — Grok 4.7: 500,000 טוקנים, חצי מה-1,000,000 של GPT-Rosalind.

• פלט מרבי — Grok 4.7: 450,000 אסימונים, והתיעוד של SpaceXAI עצמה קובע שאין מגבלת פלט טקסט, דבר שאינו מתיישב עם הנתון 450K בכרטיס המודל שלנו. אנו מסמנים את אי-ההתאמה במקום לבחור צד; הספק הוא הסמכות בנוגע למודל שלו. GPT-Rosalind: לא פורסם בנפרד כתקרת פלט.

• קלט — Grok 4.7: טקסט ותמונות, JPG או PNG עד 20 MiB כל אחת, ללא מגבלה מתועדת על מספר התמונות, בכל סדר. GPT-Rosalind: קלט קבצים מדעיים דרך ChatGPT, Codex וה-API; לא פורסמה טענה כללית בדבר קלט תמונות.

• שליטה בחשיבה — Grok 4.7: reasoning_effort ברמה low, medium, high או xhigh, כאשר נתוני הבנצ'מרק המפורסמים מצוטטים ב-xhigh. GPT-Rosalind: שליטה בסגנון מאמץ חשיבה ב-API, עם שימוש בכלים בלב המודל.

• כלים — Grok 4.7: קריאה לפונקציות, חיפוש באינטרנט, חיפוש ב-X והרצת קוד, הכול בצד השרת. GPT-Rosalind: תוסף כלים למדעי החיים עם יותר מחמישים כלים בתוך ChatGPT ו-Codex.

• חתך ידע — Grok 4.7: מאי 2026, ללא מודעות בזמן אמת כברירת מחדל. GPT-Rosalind: לא פורסם.

פער ההקשר הוא זה שמכריע בתחום הזה. חלון של 1M טוקנים אינו מותרות בעבודה גנומית; הוא מה שמאפשר למודל להחזיק אטלס שלם או סט פרוטוקולים מלא במעבר אחד. ה-500K של Grok 4.7 נדיב לפי אמות מידה כלליות, והוא מחצית ממה שהמומחה מציע. בינתיים, תקרת הפלט של 450K רחוקה מעבר לכל מה שתשובת ביולוגיה צריכה, ובדיוק מה שמסלול סוכן ארוך או ריפקטור גדול רוצה.

פער המחירים הוא הגדול ביותר בקבוצה הזו

Grok 4.7 הוא המודל הזול ביותר בכל אחת מההשוואות האלה, ו-GPT-Rosalind הוא היקר ביותר, מה שהופך את החשבון לפשוט וחד.

• קלט — Grok 4.7 $2.00 ל-1M לעומת GPT-Rosalind $5.00. המומחה עולה פי 2.5.

• פלט — Grok 4.7 $6.00 לעומת GPT-Rosalind $25.00. פער של פי 4.2, וההבדל המספרי הגדול ביותר במאמר הזה.

• קלט במטמון — Grok 4.7 $0.50 לעומת GPT-Rosalind $0.50. זהה, וזה השורה היחידה שבה המומחה אינו יקר יותר.

• פרומפטים ארוכים — Grok 4.7 מכפיל את המחיר ל-$4.00 / $12.00, עם $1.00 עבור מטמון, כאשר פרומפט מגיע ל-200K טוקנים. GPT-Rosalind לא מפרסמת תוספת מחיר עבור הקשר ארוך.

• חיוב אזורי — ל-Grok 4.7 יש נקודת קצה בארה״ב במכפיל של 1.1×, מה שמסתכם ל-$2.20 / $6.60 מתחת ל-200K.

יחס הפלט הוא המקום שבו ההחלטה באמת נמצאת. תהליך גילוי מייצר הרבה פלט: רשימות מועמדים, טיוטות פרוטוקול, קוד, נימוקים ארוכים. במחיר של $25 לעומת $6 למיליון, ריצה שמפיקה עשרה מיליון אסימוני פלט עולה $250 במודל המתמחה ו-$60 במודל הכללי. השאלה היחידה ששווה לשאול היא אם ה-$190 האלה קונים לך משהו, ואף מבחן בנצ'מרק שפורסם לא עונה עליה.

מה שהמעריך העצמאי מוסיף

ל-Grok 4.7 יש תיעוד עצמאי אמיתי, והוא אינפורמטיבי יותר מהטבלה של הספק כי הוא כולל את העלויות שאיש אינו מפרסם.

• אינטליגנציה — 46 במדד האינטליגנציה של Artificial Analysis, גרסה v4.3.2, שהם המקום ה-21 מתוך 211 מודלים בלוח הזה, והרבה מעל החציון במדד של 26. GPT-Rosalind כלל לא מופיע בלוח; מודלים מתמחים נמצאים מחוץ לתחום.

• עלות לכל הרצת אינדקס — $3.74, כאשר המעריך מתעד הנחת מטמון של 75% ותעריף קלט/פלט התואם את התעריף של הספק עצמו, $2.00 / $6.00. ההערה שלו היא שהמודל מתומחר באופן סביר לעומת מודלים דומים במחירם.

• מילוליות — 240 מיליון טוקני פלט לאורך המדד, לעומת חציון של 88 מיליון. Artificial Analysis מכנה אותו "מילולי מאוד", וזהו המספר השימושי ביותר כאן לתקצוב: מודל שחושב בשרשראות ארוכות יותר עולה יותר לכל משימה בכל תעריף טוקנים קבוע.

• מהירות — 82.6 אסימוני פלט לשנייה, מקום 83 מתוך 211, שהמעריך בכל זאת מתייג כאיטית מהממוצע.

נתון המילוליות הוא זה שאמור לשנות את החשבון המנטלי שלך. Grok 4.7 במחיר פלט של $6.00 אינו זול פי 4.2 מ-GPT-Rosalind במחיר של $25.00 למשימה אם הוא פולט כמעט פי שלושה טוקנים כדי להגיע לשם. על בסיס פר־משימה, הפער האמיתי צר ממה שכתוב בכרטיס התעריפים, ואף אחד לא מפרסם נתון מילוליות של Rosalind להשוואה — כי Rosalind לא נמצאת בלוח.

למה השער קיים, ולמה ל-Grok אין אחד

זו האסימטריה שטבלת בנצ'מרק לא יכולה לבטא. Grok 4.7 נמכר לכל מי שיש לו חשבון חיוב, עם חלון הקשר של 500K, קלט תמונות והרצת קוד בצד השרת. GPT-Rosalind נמכר רק לארגונים שעוברים בדיקה, והבדיקה קיימת משום ש-OpenAI העריכה שיכולת הביולוגיה של המודל היא מסוג הדברים שלא אמורים להיות זמינים לפי דרישה.

קראו את זה כהצהרה על יכולת, לא על תיאטרון בטיחות. מעבדה ששמה שער למודל החליטה שהמודל טוב מספיק במשהו בעל השלכות כדי שיהיה שווה לשים לו שער. SpaceXAI לא קיבלה החלטה מקבילה לגבי Grok 4.7, והחוזקות המפורסמות שלה — קידוד, לולאות כלים סוכניים, עבודת תוכנה ארוכת טווח — אינן מסוג הדברים ששמים להם שער.

המשמעות המעשית: אם העבודה שלכם היא חישובית וקרובה לביולוגיה ולא נמצאת בתוכה, Grok 4.7 זמין כעת, זול ומתאים היטב לצורת המשימה. אם העבודה שלכם היא הביולוגיה עצמה, המודל שאתם רוצים נמצא מאחורי טופס, ופשוט אין כמות של HealthBench Professional שתסגור את הפער הזה. במקרה כזה, השער הוא המוצר עצמו, ולא מכשול בדרכו.

ניתוב הזוג, והמקום האחד שבו עלינו להיזהר

Grok 4.7 זמין ב-OrcaRouter במחיר המחירון של SpaceXAI — 2.00$ לקלט, 6.00$ לפלט ו-0.50$ לקלט במטמון למיליון טוקנים, עם 0% תוספת מחיר, וסף 200K נשמר כמדרגת תמחור כך שבקשה עם פרומפט ארוך מחויבת ביושר במקום להפתיע אתכם. GPT-Rosalind אינו ב-OrcaRouter ואינו בכל נתב צד שלישי; הוא פועל ישירות דרך תוכנית הגישה המהימנה של OpenAI. איננו מתכוונים לרמוז אחרת, ואין נתיב להגדרה שישנה זאת.

מה שנשאר מכך הוא הדפוס שכל מערך ההשוואות הזה ממשיך להגיע אליו. החצי החישובי של פלטפורמת מחקר פועל על Grok 4.7 ועל יותר מ-200 המודלים האחרים מאחורי מפתח אחד, עם מעבר אוטומטי בין ספקים כך שבעיית קיבולת מעבירה את הבקשה במקום להכשיל את הריצה. החצי הביולוגי נשאר על מפתח ישיר. ה-DSL של הניתוב הוא המקום שבו הופכים את הגבול למפורש: מסלול בעל שם עבור המומחה שנכשל בקול רם כשהוא אינו זמין, מסלול ברירת מחדל לכל השאר, ואין קידום שקט של תשובה של מודל כללי אל תוך משבצת של מומחה.

כדאי להכיר מיזוג מודלים במקרי גבול. פאנל שמפנה את אותה שאלה גם למודל כללי זול וגם למומחה, ואז משווה ביניהם, הוא דרך לתפוס את הבקשה שסווגה לא נכון — זו שנראתה כמו עבודה טכנית שגרתית והתברר שהיא דורשת שיקול דעת תחומי. זו גם הדרך הכנה להשתמש במודל שעדיין אין בו אמון מלא.

מה ישנה את התשובה

שלושה פיתוחים, ואף אחד מהם אינו אקזוטי. SpaceXAI יכולה לפרסם הערכת תחום בדרגת הספציפיות של חבילת הכימיה של רוזלינד — HealthBench Professional הוא התחלה, אך רחוק מכך. OpenAI יכולה להרחיב את התוכנית האקדמית מאוקטובר כך שתכלול גישה ל-API, מה שיעמיד קיבולת מומחים חינמית בדיוק במעבדות שאינן יכולות להרשות אותה לעצמן כיום. או שמערך בדיקה עצמאי יוכל להעביר את שני המודלים דרך אותה מערכת משימות מדעיות, מה שיכריע בשאלה ששתי טבלאות ספקים נמנעו ממנה בקפידה.

עד שאחד מאלה מגיע, הפער אינו קטן. אם הבקשה היא קוד, נתונים או פרוזה, Grok 4.7 עולה שליש ממחיר הפלט, עם משטח כלים גדול יותר וציון עצמאי, ובחירה במומחה תהיה דרך יקרה להרגיש זהיר. אם הבקשה היא המדע, שלם את פי 4.2 וקבל את הביקורת, כי המודל היחיד בהשוואה הזו שאומן לכך הוא זה שגרם לך למלא טופס.