GPT-Rosalind vs Grok 4.7: Tolok Ukur Kesehatan Bukanlah Gerbang Biologi

Grok 4.7 hadir dengan angka yang, sekilas, tampak seperti jawaban untuk GPT-Rosalind: 56,7% pada HealthBench Professional, naik dari 48,5% untuk Grok 4.6. Itu adalah tolok ukur pengetahuan klinis, yang dilaporkan oleh SpaceXAI dalam tabel peluncuran untuk model yang dirilis pada 21 September 2026, dan itu adalah hal terdekat dengan evaluasi medis dalam materi kedua perusahaan. GPT-Rosalind, yang dijual umum sejak 5 Oktober 2026 setelah diperkenalkan pada April 2026, tidak memublikasikan hal yang sebanding — angkanya adalah tolok ukur kimia dan laboratorium basah, dan Anda perlu tinjauan akses tepercaya untuk menjalankannya sendiri. Jadi, pertanyaan jujurnya bukanlah model mana yang mendapat skor lebih tinggi dalam kesehatan; melainkan apa yang diukur oleh tolok ukur kesehatan versus apa yang dilindungi oleh gerbang biologi, dan mengapa salah satu model ini berbiaya sepertiga dari yang lain per token sementara tersedia untuk siapa saja. Perselisihan tolok ukur dan perubahan gerbang akses yang menyusul perbandingan seperti ini dicatat dengan tanggal dan sumbernya di the AI Incident Archive, bersama dengan insiden model dan vendor lainnya yang kami ikuti.

Tumpang tindih yang ternyata sempit

HealthBench Professional mengajukan pertanyaan kepada model seperti yang akan dijawab oleh seorang klinisi. Ini memberi nilai pada daya ingat, kalibrasi, dan kemampuan mempertahankan kerangka klinis. Ini tidak menuntut model merancang eksperimen perturbasi, membaca protokol laboratorium basah, atau bernalar tentang hubungan struktur-aktivitas. Suite terbitan GPT-Rosalind adalah jenis tes yang lain: MedChemBench mencakup prediksi potensi dan ADME serta retrosintesis; GeneBench mencakup genomika jangka panjang; LabWorkBench mencakup penghubungan perturbasi dengan hasil dalam protokol nyata. Instrumen berbeda, target berbeda.

• Apa yang diukur — Grok 4.7: pengetahuan dan pertimbangan klinis, 56,7% pada HealthBench Professional. GPT-Rosalind: penalaran kimia dan laboratorium basah, 27,5% pada MedChemBench dan 63,2% pada LabWorkBench.

• Siapa yang menjalankannya — Grok 4.7: SpaceXAI, melawan model sebelumnya miliknya sendiri. GPT-Rosalind: O​penAI, melawan GPT-5.5.

• Reproduksi independen — Tidak ada untuk kedua benchmark.

• Apa yang tidak diberitahukan oleh kedua angka tersebut — Apakah model tersebut bisa dipercaya dengan hasil yang akan masuk ke dalam dokumen resmi. Itu adalah pertanyaan tentang mode kegagalan, bukan skor.

Letakkan kedua tabel berdampingan dan tidak ada baris yang sama. Itu bukan celah dalam pelaporan; itu adalah bentuk pasar. Model umum diukur pada keluasan, spesialis pada kedalaman, dan para vendor memilih pengujian yang menunjukkan kekuatan mereka sendiri.

Amplop, yang justru merupakan titik di mana keduanya sebenarnya berbeda.

Spesifikasi adalah bagian paling tidak menarik dari sebuah perbandingan dan bagian yang menentukan apakah suatu alur kerja mungkin dilakukan sama sekali. Di sini kedua model berbeda lebih jauh daripada yang disiratkan oleh percakapan benchmark.

• Jendela konteks — Grok 4.7: 500.000 token, setengah dari 1.000.000 milik GPT-Rosalind.

• Output maksimum — Grok 4.7: 450.000 token, dan dokumentasi SpaceXAI sendiri menyatakan tidak ada batas output teks, yang tidak sesuai dengan angka 450 ribu pada kartu model kami. Kami menandai ketidaksesuaian ini alih-alih memilih pihak; vendor adalah otoritas atas modelnya sendiri. GPT-Rosalind: tidak diterbitkan secara terpisah sebagai batas maksimum output.

• Masukan — Grok 4.7: teks dan gambar, JPG atau PNG hingga 20 MiB per berkas, tidak ada batas jumlah gambar yang didokumentasikan, urutan apa pun. GPT-Rosalind: masukan berkas ilmiah melalui ChatGPT, Codex, dan API; tidak ada klaim masukan gambar umum yang dipublikasikan.

• Kontrol penalaran — Grok 4.7: reasoning_effort pada low, medium, high, atau xhigh, dengan angka benchmark yang dipublikasikan dikutip pada xhigh. GPT-Rosalind: kontrol bergaya reasoning-effort di API, dengan penggunaan alat sebagai inti model.

• Alat — Grok 4.7: pemanggilan fungsi, pencarian web, pencarian X, dan eksekusi kode, semuanya di sisi server. GPT-Rosalind: plugin alat ilmu hayati dengan lebih dari lima puluh alat di dalam ChatGPT dan Codex.

• Batas pengetahuan — Grok 4.7: Mei 2026, tanpa kesadaran waktu nyata secara default. GPT-Rosalind: belum dipublikasikan.

Kesenjangan konteks adalah hal yang paling berdampak di domain ini. Jendela 1 juta token bukan kemewahan untuk pekerjaan genomika; itulah yang memungkinkan model menampung seluruh atlas atau satu set protokol lengkap dalam sekali proses. Kapasitas 500K milik Grok 4.7 tergolong besar menurut standar umum dan hanya separuh dari yang ditawarkan spesialis. Sementara itu, plafon keluaran 450K jauh melampaui kebutuhan jawaban biologi mana pun dan persis seperti yang dibutuhkan lintasan agen yang panjang atau refaktor besar.

Selisih harga paling besar dalam kumpulan ini

Grok 4.7 adalah model termurah dalam semua perbandingan ini dan GPT-Rosalind adalah yang termahal, sehingga perhitungannya menjadi gamblang.

• Masukan — Grok 4.7 $2,00 per 1 juta vs GPT-Rosalind $5,00. Spesialis tersebut 2,5× lebih mahal.

• Keluaran — Grok 4.7 $6,00 vs GPT-Rosalind $25,00. Selisih 4,2×, dan perbedaan angka tunggal terbesar dalam artikel ini.

• Input cache — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Sama persis, yang merupakan satu-satunya baris di mana spesialis tidak lebih mahal.

• Prompt panjang — Grok 4.7 berlipat ganda menjadi $4.00 / $12.00 dengan $1.00 yang di-cache setelah prompt mencapai 200K token. GPT-Rosalind tidak mencantumkan biaya tambahan konteks panjang.

• Penagihan regional — Grok 4.7 memiliki endpoint AS dengan pengali 1,1×, yang setara dengan $2,20 / $6,60 di bawah 200K.

Rasio output adalah tempat keputusan sebenarnya bergantung. Alur kerja penemuan menghasilkan banyak output: daftar kandidat, draf protokol, kode, alasan yang panjang. Dengan tarif $25 dibandingkan $6 per juta, satu proses yang menghasilkan sepuluh juta token output memakan biaya $250 pada model spesialis dan $60 pada model umum. Apakah $190 itu membeli sesuatu bagi Anda adalah satu-satunya pertanyaan yang layak diajukan, dan tidak ada benchmark yang diterbitkan yang menjawabnya.

Apa yang ditambahkan oleh evaluator independen

Grok 4.7 memiliki rekam jejak independen yang nyata, dan itu lebih informatif daripada tabel vendor karena mencakup biaya yang tidak diiklankan siapa pun.

• Kecerdasan — 46 pada Indeks Kecerdasan Artificial Analysis, v4.3.2, yang menempatkannya di peringkat ke-21 dari 211 model di papan tersebut dan jauh di atas median indeks sebesar 26. GPT-Rosalind sama sekali tidak ada di papan itu; model spesialis berada di luar cakupan.

• Biaya per eksekusi indeks — $3.74, dengan evaluator mencatat diskon cache 75% dan tarif input/output yang sesuai dengan milik vendor sendiri $2.00 / $6.00. Komentarnya menyatakan bahwa model tersebut memiliki harga yang wajar dibandingkan dengan pesaing berharga serupa.

• Verbosity — 240 juta token keluaran di seluruh indeks, dibandingkan median 88 juta. Artificial Analysis menyebutnya "sangat bertele-tele", dan itu adalah angka paling berguna di sini untuk penganggaran: model yang berpikir dalam rantai lebih panjang memakan biaya lebih besar per tugas pada tarif token tetap berapa pun.

• Kecepatan — 82,6 token keluaran per detik, peringkat ke-83 dari 211, yang meskipun demikian dinilai evaluator sebagai lebih lambat dari rata-rata.

Angka verbositas adalah angka yang seharusnya mengubah perhitungan mental Anda. Grok 4.7 dengan output $6,00 bukanlah 4,2× lebih murah daripada GPT-Rosalind dengan $25,00 per tugas jika ia mengeluarkan hampir tiga kali lipat token untuk mencapai hasil tersebut. Berdasarkan per tugas, selisih sebenarnya lebih sempit daripada yang dikatakan kartu tarif, dan tidak ada yang menerbitkan angka verbositas Rosalind untuk dibandingkan — karena Rosalind tidak ada di papan peringkat.

Mengapa gerbang itu ada, dan mengapa Grok tidak memilikinya

Inilah asimetri yang tidak dapat diungkapkan oleh tabel benchmark. Grok 4.7 dijual kepada siapa saja yang memiliki akun penagihan, dengan konteks 500K, input gambar, dan eksekusi kode sisi server. GPT-Rosalind hanya dijual kepada organisasi yang lolos peninjauan, dan peninjauan itu ada karena OpenAI menilai kemampuan biologi model tersebut sebagai hal yang seharusnya tidak tersedia sesuai permintaan.

Bacalah itu sebagai pernyataan tentang kemampuan, bukan tentang sandiwara keselamatan. Lab yang membatasi akses sebuah model telah memutuskan bahwa model itu cukup baik pada sesuatu yang berkonsekuensi sehingga layak dibatasi. SpaceXAI tidak membuat penilaian serupa tentang Grok 4.7, dan kekuatan yang dipublikasikan — coding, loop alat agentik, pekerjaan perangkat lunak jangka panjang — bukanlah jenis hal yang biasanya dibatasi.

{{1}}Konsekuensi praktisnya:{{/1}} jika pekerjaan Anda bersifat komputasional dan berdekatan dengan biologi, bukan berada di dalamnya, {{2}}Grok 4.7 tersedia sekarang, murah, dan sangat cocok untuk bentuk tugas tersebut.{{/2}} Jika pekerjaan Anda adalah biologi itu sendiri, model yang Anda inginkan berada di balik formulir, dan tak ada berapa pun HealthBench Professional yang bisa menutup cela itu. Dalam kasus itu, gerbangnya adalah produknya, bukan penghalang bagi produk tersebut.

Merutekan pasangan itu, dan satu tempat yang harus kita waspadai

Grok 4.7 tersedia di OrcaRouter dengan harga daftar SpaceXAI — $2.00 input, $6.00 output, dan $0.50 input yang di-cache per juta token, dengan 0% markup, dan ambang 200K diterapkan sebagai tier harga sehingga permintaan dengan prompt panjang ditagih secara jujur alih-alih mengejutkan Anda. GPT-Rosalind tidak tersedia di OrcaRouter dan tidak tersedia di router pihak ketiga mana pun; model ini berjalan langsung melalui program akses tepercaya OpenAI. Kami tidak akan menyiratkan sebaliknya, dan tidak ada rute yang dapat dikonfigurasi untuk mengubahnya.

Yang tersisa dari itu adalah pola yang terus menjadi tujuan seluruh rangkaian perbandingan ini. Bagian komputasional dari sebuah platform riset berjalan di Grok 4.7 dan 200+ model lain di balik satu kunci, dengan failover otomatis antar penyedia sehingga masalah kapasitas memindahkan permintaan alih-alih menggagalkan proses. Bagian biologi tetap menggunakan kunci langsung. DSL perutean adalah tempat Anda membuat batas menjadi eksplisit: rute bernama untuk spesialis yang gagal secara nyaring saat tidak tersedia, rute default untuk semua yang lain, dan tanpa promosi diam-diam atas jawaban model umum ke slot spesialis.

Fusi model layak diketahui untuk kasus-kasus batas. Panel yang mengajukan pertanyaan yang sama kepada model umum yang murah dan seorang spesialis, lalu membandingkannya, adalah cara untuk menangkap permintaan yang salah diklasifikasikan — permintaan yang tampak seperti urusan plumbing dan ternyata membutuhkan pertimbangan domain. Ini juga cara yang jujur untuk menggunakan model yang belum sepenuhnya Anda percayai.

Apa yang bisa mengubah jawabannya

Tiga perkembangan, tak satu pun yang eksotis. SpaceXAI dapat menerbitkan evaluasi domain dengan spesifisitas suite kimia Rosalind — HealthBench Professional baru merupakan awal dan belum mendekati itu. O​penAI dapat memperluas rencana akademik Oktober untuk mencakup akses API, yang akan menempatkan kapasitas spesialis gratis tepat di laboratorium yang saat ini tidak mampu membiayainya. Atau sebuah harness independen dapat menjalankan kedua model melalui rangkaian tugas ilmiah yang sama, yang akan menyelesaikan pertanyaan yang dengan hati-hati dihindari oleh dua tabel vendor.

Sampai salah satunya hadir, selisihnya tidak tipis. Jika permintaannya adalah kode, data, atau prosa, Grok 4.7 seharga sepertiga harga output dengan cakupan alat yang lebih luas dan skor independen, dan memilih model spesialis akan menjadi cara mahal untuk merasa teliti. Jika permintaannya adalah sains, bayar 4.2× dan terima peninjauannya, karena satu-satunya model dalam perbandingan ini yang telah disetel untuk itu adalah model yang membuat Anda mengisi formulir.