GPT-Rosalind vs Grok 4.7: un benchmark sanitario non è un criterio di accesso alla biologia

Grok 4.7 arriva con un numero che, a prima vista, sembra la risposta a GPT-Rosalind: 56,7% su HealthBench Professional, in aumento dal 48,5% di Grok 4.6. Si tratta di un benchmark di conoscenze cliniche, riportato da SpaceXAI nella tabella di lancio di un modello rilasciato il 21 settembre 2026, ed è la cosa più vicina a una valutazione medica nei materiali di entrambe le aziende. GPT-Rosalind, in vendita generale dal 5 ottobre 2026 dopo una presentazione nell'aprile 2026, non pubblica nulla di comparabile — i suoi numeri sono benchmark di chimica e di laboratorio wet, e serve una revisione ad accesso fidato per eseguirli da soli. Quindi la domanda onesta non è quale modello ottenga il punteggio più alto in ambito sanitario; è cosa misura un benchmark sanitario rispetto a cosa protegge un gate di accesso alla biologia, e perché uno di questi modelli costi per token un terzo rispetto all'altro pur essendo disponibile a chiunque. Le controversie sui benchmark e le modifiche ai gate di accesso che seguono un confronto come questo vengono registrate con le relative date e fonti presso l'AI Incident Archive, insieme al resto degli incidenti relativi a modelli e fornitori che seguiamo.

La sovrapposizione che si rivela stretta

HealthBench Professional pone a un modello domande del tipo a cui risponderebbe un clinico. Premia il richiamo, la calibrazione e la capacità di mantenere una cornice clinica. Non richiede al modello di progettare un esperimento di perturbazione, leggere un protocollo di laboratorio wet-lab o ragionare su una relazione struttura-attività. La suite pubblicata di GPT-Rosalind è l'altro tipo di test: MedChemBench copre la potenza, la previsione ADME e la retrosintesi; GeneBench copre la genomica a lungo orizzonte; LabWorkBench copre il collegamento tra perturbazioni ed esiti in protocolli reali. Strumenti diversi, bersagli diversi.

• Che cosa viene misurato — Grok 4.7: conoscenza e giudizio clinici, 56,7% su HealthBench Professional. GPT-Rosalind: chimica e ragionamento di laboratorio, 27,5% su MedChemBench e 63,2% su LabWorkBench.

• Chi lo ha condotto — Grok 4.7: SpaceXAI, contro il proprio modello precedente. GPT-Rosalind: OpenAI, contro GPT-5.5.

• Riproduzione indipendente — Nessuna per nessuno dei due benchmark.

• Ciò che nessuno dei due numeri ti dice — Se ci si può fidare del modello per un risultato destinato a un deposito ufficiale. Questa è una questione di modalità di errore, non di punteggi.

Metti le due tabelle una accanto all'altra e non c'è nessuna riga in comune. Non è una lacuna nella reportistica; è la forma del mercato. Un modello generale si misura sull'ampiezza, uno specialista sulla profondità, e i fornitori scelgono i test che mettono in mostra il proprio punto di forza.

L'involucro, che è il punto in cui questi due differiscono davvero.

Le specifiche sono la parte meno affascinante di un confronto e quella che decide se un flusso di lavoro è possibile o meno. Qui i due modelli divergono più di quanto suggerisca la conversazione sui benchmark.

• Finestra di contesto — Grok 4.7: 500.000 token, metà del 1.000.000 di GPT-Rosalind.

• Output massimo — Grok 4.7: 450.000 token, e la documentazione di SpaceXAI stessa dichiara che non esiste alcun limite di output testuale, il che non concorda con il valore di 450K riportato nella nostra model card. Segnaliamo la discrepanza anziché schierarci; il fornitore è l'autorità sul proprio modello. GPT-Rosalind: non pubblicato separatamente come limite massimo di output.

• Input — Grok 4.7: testo e immagini, JPG o PNG fino a 20 MiB ciascuna, nessun limite documentato sul numero di immagini, qualsiasi ordine. GPT-Rosalind: input di file scientifici tramite ChatGPT, Codex e l'API; nessuna dichiarazione pubblicata sull'input generico di immagini.

• Controllo del ragionamento — Grok 4.7: reasoning_effort impostato su low, medium, high o xhigh, con i valori di benchmark pubblicati citati a xhigh. GPT-Rosalind: un controllo in stile reasoning-effort nell'API, con l'uso degli strumenti al centro del modello.

• Strumenti — Grok 4.7: chiamata di funzioni, ricerca web, ricerca su X ed esecuzione di codice, tutto lato server. GPT-Rosalind: un plugin di strumenti per le scienze della vita con più di cinquanta strumenti all'interno di ChatGPT e Codex.

• Data limite delle conoscenze — Grok 4.7: maggio 2026, senza consapevolezza in tempo reale per impostazione predefinita. GPT-Rosalind: non pubblicato.

Il divario di contesto è quello che pesa davvero in questo dominio. Una finestra da 1M di token non è un lusso per il lavoro di genomica; è ciò che consente a un modello di tenere un intero atlante o un set completo di protocolli in un'unica passata. I 500K di Grok 4.7 sono generosi per gli standard generali e la metà di ciò che offre lo specialista. Nel frattempo, il tetto di output di 450K è ben oltre qualsiasi cosa serva a una risposta di biologia ed è esattamente ciò che desidera una lunga traiettoria di un agente o un ampio refactoring.

Il divario di prezzo è il più ampio di questo insieme

Grok 4.7 è il modello più economico in qualsiasi di questi confronti e GPT-Rosalind è il più costoso, il che rende l'aritmetica brutale.

• Input — Grok 4.7 $2,00 per 1M vs GPT-Rosalind $5,00. Lo specialista costa 2,5 volte tanto.

• Output — Grok 4.7 $6,00 vs GPT-Rosalind $25,00. Un divario di 4,2×, e la più grande differenza tra singoli numeri in questo articolo.

• Input in cache — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Identici, ed è l'unica voce in cui lo specialista non costa di più.

• Prompt lunghi — Grok 4.7 raddoppia a $4,00 / $12,00 con $1,00 in cache quando un prompt raggiunge 200K token. GPT-Rosalind non prevede alcun supplemento per il contesto lungo.

• Fatturazione regionale — Grok 4.7 dispone di un endpoint statunitense con un moltiplicatore di 1,1×, che corrisponde a $2,20 / $6,60 sotto i 200K.

La decisione si gioca davvero sul rapporto dell'output. Un flusso di lavoro di discovery produce molto output: elenchi di candidati, bozze di protocollo, codice, lunghe motivazioni. A 25 $ contro 6 $ per milione, un'esecuzione che genera dieci milioni di token di output costa 250 $ sul modello specialistico e 60 $ su quello generale. Se quei 190 $ ti comprino qualcosa è l'unica domanda che valga la pena porsi, e nessun benchmark pubblicato vi risponde.

Cosa aggiunge il valutatore indipendente

Grok 4.7 ha un vero record indipendente, ed è più informativo della tabella del fornitore perché include i costi che nessuno pubblicizza.

• Intelligenza — 46 sull'Artificial Analysis Intelligence Index, v4.3.2, che lo colloca al 21° posto su 211 modelli in quella classifica e ben al di sopra della mediana dell'indice di 26. GPT-Rosalind non è affatto presente in classifica; i modelli specialistici sono fuori ambito.

• Costo per esecuzione dell'indice — $3,74, con il valutatore che registra uno sconto cache del 75% e una tariffa input/output corrispondente a quella del fornitore stesso, $2,00 / $6,00. Il suo commento è che il modello ha un prezzo ragionevole rispetto ai concorrenti di prezzo simile.

• Verbosity — 240M token di output sull'intero indice, contro una mediana di 88M. Artificial Analysis lo definisce "molto verboso", e questo è il dato più utile in assoluto qui per la pianificazione del budget: un modello che ragiona in catene più lunghe costa di più per attività a qualsiasi tariffa fissa per token.

• Velocità — 82,6 token di output al secondo, 83º su 211, che il valutatore etichetta comunque come inferiore alla media.

Il dato sulla verbosità è quello che dovrebbe farti rifare il calcolo a mente. Grok 4.7 a 6,00 $ di output non costa 4,2 volte meno di GPT-Rosalind a 25,00 $ per attività se emette quasi tre volte tanti token per arrivarci. Su base per attività, il divario reale è più stretto di quanto dica il listino prezzi, e nessuno pubblica un dato sulla verbosità di Rosalind con cui confrontarlo — perché Rosalind non è in classifica.

Perché esiste il gate, e perché Grok non ne ha uno

Questa è l'asimmetria che una tabella di benchmark non può esprimere. Grok 4.7 viene venduto a chiunque abbia un account di fatturazione, con una finestra di contesto da 500K, input di immagini ed esecuzione di codice lato server. GPT-Rosalind viene venduto solo a organizzazioni che superano una revisione, e la revisione esiste perché OpenAI ha giudicato la capacità del modello in biologia il tipo di cosa che non dovrebbe essere disponibile su richiesta.

Leggilo come un'affermazione sulla capacità, non sul teatro della sicurezza. Un laboratorio che sottopone un modello a un gate ha deciso che il modello è abbastanza bravo in qualcosa di rilevante da meritare un gate. SpaceXAI non ha espresso un giudizio equivalente su Grok 4.7, e i suoi punti di forza dichiarati — programmazione, cicli agentici con strumenti, lavoro software di lunga durata — non sono il genere di cosa a cui si applica un gate.

La conseguenza pratica: se il tuo lavoro è computazionale e adiacente alla biologia anziché interno ad essa, Grok 4.7 è disponibile ora, economico e ben adatto alla forma del compito. Se il tuo lavoro è la biologia stessa, il modello che vuoi è dietro un modulo, e nessuna quantità di HealthBench Professional colma questo divario. In quel caso il gate è il prodotto, non un ostacolo ad esso.

Instradare la coppia, e l'unico punto in cui dobbiamo stare attenti

Grok 4.7 è su OrcaRouter al prezzo di listino di SpaceXAI — $2.00 di input, $6.00 di output e $0.50 di input in cache per milione di token, con 0% di ricarico, e la soglia di 200K mantenuta come fascia di prezzo, così una richiesta con prompt lungo viene fatturata in modo onesto invece di sorprenderti. GPT-Rosalind non è su OrcaRouter né su alcun router di terze parti; viene eseguito direttamente tramite il programma di accesso fidato di O​penAI. Non intendiamo insinuare il contrario, e non esiste alcuna configurazione di routing che possa cambiarlo.

Quello che resta è il pattern a cui continua ad approdare tutta questa serie di confronti. La metà computazionale di una piattaforma di ricerca gira su Grok 4.7 e sugli altri oltre 200 modelli dietro un'unica chiave, con failover automatico tra provider così che un problema di capacità sposti la richiesta invece di far fallire l'esecuzione. La metà biologica resta su una chiave diretta. Il DSL di routing è il punto in cui rendi esplicito il confine: una route denominata per lo specialista che fallisce in modo evidente quando non è disponibile, una route predefinita per tutto il resto e nessuna promozione silenziosa di una risposta di un modello generale in uno slot da specialista.

La fusione di modelli vale la pena conoscerla per i casi limite. Un panel che pone la stessa domanda sia a un modello generalista economico sia a uno specialista, per poi confrontare, è un modo per intercettare la richiesta che è stata classificata erroneamente — quella che sembrava routine e invece richiedeva una valutazione specialistica. È anche il modo onesto di usare un modello di cui non ti fidi ancora del tutto.

Cosa cambierebbe la risposta

Tre sviluppi, nessuno dei quali esotico. SpaceXAI potrebbe pubblicare una valutazione di dominio con la specificità della suite di chimica di Rosalind — HealthBench Professional è un inizio, ma non ci si avvicina. OpenAI potrebbe estendere il piano accademico di ottobre per includere l'accesso API, il che metterebbe capacità specialistica gratuita proprio nei laboratori che attualmente non possono permettersela. Oppure un sistema di valutazione indipendente potrebbe sottoporre entrambi i modelli allo stesso insieme di compiti scientifici, il che risolverebbe una questione che due tabelle dei fornitori hanno accuratamente evitato.

Finché non ne arriva uno, il divario non è affatto ridotto. Se la richiesta riguarda codice, dati o prosa, Grok 4.7 costa un terzo del prezzo dell'output, con una superficie di strumenti più ampia e un punteggio indipendente, e scegliere lo specialista sarebbe un modo costoso per sentirsi scrupolosi. Se la richiesta riguarda la scienza, paga il 4,2× e accetta la revisione, perché l'unico modello in questo confronto che sia stato ottimizzato per farlo è quello che ti ha fatto compilare un modulo.