GPT-Rosalind 対 Grok 4.7：健康ベンチマークは生物学のゲートではない

Grok 4.7 は、一見すると GPT-Rosalind への答えのように見える数字を引っ提げて登場する。HealthBench Professional で 56.7%、Grok 4.6 の 48.5% からの向上だ。これは臨床知識のベンチマークで、2026年9月21日にリリースされたモデルのローンチ表で SpaceXAI が報告したものであり、両社の資料の中で医学的評価に最も近いものだ。GPT-Rosalind は、2026年4月の導入を経て2026年10月5日から一般販売されているが、比較できるものは何も公開していない。その数値は化学とウェットラボのベンチマークであり、自分で実行するにはトラステッドアクセス審査が必要だ。したがって、正直な問いは、どちらのモデルが健康で高いスコアを出すかではない。健康ベンチマークが測るものと、生物学ゲートが守るものの違い、そしてなぜ一方のモデルが誰でも利用できるのに、もう一方よりトークンあたり3分の1のコストなのか、ということだ。 このような比較に続いて起きるベンチマーク論争やアクセスゲートの変更は、日付と情報源とともに AI Incident Archive に記録され、私たちが追っている他のモデルやベンダーのインシデントと並んでいる。

結局のところ狭いことが分かる重なり

HealthBench Professional は、臨床医が答えるような種類の質問をモデルに投げかける。想起、較正、そして臨床的な枠組みを維持する能力を評価する。モデルに摂動実験を設計すること、ウェットラボのプロトコルを読むこと、構造活性相関について推論することを求めるものではない。GPT-Rosalind の公開スイートは別種のテストである。MedChemBench は効力と ADME 予測および逆合成を扱い、GeneBench は長期的なゲノム科学を扱い、LabWorkBench は実際のプロトコルにおいて摂動を結果に結びつけることを扱う。異なる道具、異なる標的である。

• 測定対象 — Grok 4.7：臨床知識と判断力、HealthBench Professionalで56.7%。GPT-Rosalind：化学およびウェットラボの推論、MedChemBenchで27.5%、LabWorkBenchで63.2%。

• 実施したのは誰か — Grok 4.7：SpaceXAI、自社の前モデルと対戦。GPT-Rosalind：O​penAI、GPT-5.5と対戦。

• 独立した再現 — どちらのベンチマークにも該当なし。

• どちらの数値も教えてくれないこと — そのモデルを、提出書類に載せる結果に対して信頼できるかどうか。これはスコアではなく、失敗モードに関する問いです。

2つの表を並べても、共通する行は一つもない。それはレポートの抜けではなく、市場の形そのものだ。汎用モデルは広さで測られ、特化型モデルは深さで測られ、ベンダーは自社の強みを示すテストを選ぶ。

エンベロープ、そこがこの2つが実際に異なる点です

仕様は比較の中で最も地味な部分であり、ワークフローがそもそも可能かどうかを決める部分でもある。ここで両モデルは、ベンチマークの会話が示唆する以上に大きく隔たっている。

• コンテキストウィンドウ — Grok 4.7：500,000トークン、GPT-Rosalindの1,000,000の半分です。

• 最大出力 — Grok 4.7：450,000トークン。さらにSpaceXAI自身のドキュメントにはテキスト出力の上限はないと記載されており、これは当社のモデルカードにある450Kという数値と一致しません。当社はどちらかの側に立つのではなく、この不一致を指摘するにとどめます。ベンダーは自社モデルに関する権威だからです。GPT-Rosalind：出力上限として個別には公開されていません。

• 入力 — Grok 4.7：テキストと画像、JPGまたはPNGで各最大20 MiB、画像数の文書化された上限なし、順序は任意。GPT-Rosalind：ChatGPT、Codex、APIを通じた科学系ファイル入力。一般的な画像入力に関する主張は公開されていない。

• 推論制御 — Grok 4.7: reasoning_effortをlow、medium、high、xhighに設定でき、公開ベンチマーク数値はxhigh時のものを引用。GPT-Rosalind: APIにおけるreasoning-effort形式の制御で、ツール使用をモデルの中核に据えています。

• ツール — Grok 4.7：関数呼び出し、ウェブ検索、X検索、コード実行をすべてサーバーサイドで提供。GPT-Rosalind：ChatGPTとCodex内で50以上のツールを備えたライフサイエンス向けツールプラグイン。

• 知識カットオフ — Grok 4.7：2026年5月、デフォルトではリアルタイム認識なし。GPT-Rosalind：未公開。

この分野で効いてくるのはコンテキストのギャップだ。100万トークンのウィンドウはゲノム解析作業にとって贅沢ではなく、モデルがアトラス全体やプロトコル一式を一度のパスで保持できるようにするものだ。Grok 4.7の50万は一般的な基準では十分に余裕があり、専門特化モデルが提供するものの半分だ。一方、45万の出力上限は生物学の回答に必要な量をはるかに超えており、長いエージェント軌跡や大規模なリファクタリングがまさに求めるものだ。

このセットの中で価格差が最も大きい。

Grok 4.7はこれらの比較のどれにおいても最も安価なモデルであり、GPT-Rosalindは最も高価であるため、計算は明白だ。

• 入力 — Grok 4.7 は100万トークンあたり2.00ドル、GPT-Rosalind は5.00ドル。専門特化モデルは2.5倍のコストです。

• 出力 — Grok 4.7 は $6.00、GPT-Rosalind は $25.00。4.2倍の差で、この記事の中で最大の単一数値の差です。

• キャッシュ入力 — Grok 4.7 $0.50 対 GPT-Rosalind $0.50。同一で、専門特化モデルの方が高価ではない唯一の項目です。

• 長いプロンプト — Grok 4.7 はプロンプトが200Kトークンに達すると $4.00 / $12.00 の2倍となり、キャッシュは $1.00 になります。GPT-Rosalind は長文コンテキストの追加料金を公表していません。

• リージョン別課金 — Grok 4.7には1.1倍の倍率が適用される米国エンドポイントがあり、200K未満では$2.20 / $6.60となります。

意思決定の鍵は、実のところ出力比率にあります。ディスカバリーワークフローでは、候補リスト、プロトコル草案、コード、長い根拠説明など、大量の出力が生まれます。100万トークンあたり25ドル対6ドルでは、出力トークンを1000万個生成する実行のコストは、専門特化モデルで250ドル、汎用モデルで60ドルになります。その190ドルで何かが得られるのかどうかが、問う価値のある唯一の問いであり、それに答えている公開ベンチマークはありません。

独立評価者が加えるもの

Grok 4.7には実際の独立した記録があり、それはベンダーの表よりも情報量が多い。誰も公表しないコストが含まれているからだ。

• インテリジェンス — Artificial Analysis Intelligence Indexで46（v4.3.2）。これは同ボードの211モデル中21位で、インデックス中央値の26を大きく上回っています。GPT-Rosalindは同ボードに一切掲載されていません。専門特化型モデルは対象外です。

• インデックス実行あたりのコスト — $3.74。評価者は75%のキャッシュ割引を記録しており、入出力レートはベンダー自身の$2.00 / $6.00と一致している。そのコメントは、このモデルは同程度の価格帯の競合他社と比べて妥当な価格設定だというものだ。

• 冗長性 — インデックス全体で出力トークン数は2億4,000万、中央値は8,800万です。Artificial Analysisはこれを「非常に冗長」と評しており、予算策定においてここで最も有用な数字はこれです。長い連鎖で考えるモデルは、固定のトークン単価ではどのタスクでもタスクあたりのコストが高くなります。

• 速度 — 毎秒82.6出力トークン、211件中83位だが、それでも評価者は平均より遅いと判定している。

あなたの暗算を変えるべきなのは、冗長性の数値だ。Grok 4.7 は出力 $6.00 でも、そこに至るまでにほぼ3倍のトークンを出力するなら、1タスクあたり $25.00 の GPT-Rosalind より 4.2倍安いわけではない。タスクあたりで見ると、実際の差は料金表が示すより小さい。しかも、比較対象となる Rosalind の冗長性の数値を公表している人は誰もいない——Rosalind がボードに載っていないからだ。

ゲートが存在する理由と、Grokにそれが備わっていない理由

これが、ベンチマーク表では表現できない非対称性だ。Grok 4.7 は請求アカウントさえあれば誰にでも販売されており、500K コンテキスト、画像入力、サーバーサイドのコード実行を備えている。GPT-Rosalind は審査を通過した組織にのみ販売されており、その審査が存在するのは、OpenAI がこのモデルの生物学能力を、オンデマンドで利用可能にすべきではない類のものだと判断したからだ。

それは安全のための見せかけではなく、能力についての表明として読むべきだ。モデルにゲートを設ける研究室は、そのモデルが何か重要なことにおいてゲートを設ける価値があるほど十分に優れていると判断したということだ。SpaceXAIはGrok 4.7について同等の判断を下しておらず、その公表された強み——コーディング、エージェント型ツールループ、長期にわたるソフトウェア作業——は、ゲートの対象になる類のものではない。

実務上の帰結はこうだ。あなたの仕事が計算的で、生物学の内側ではなく隣接領域にあるなら、Grok 4.7 は今すぐ利用でき、安価で、そのタスクの形によく合っている。あなたの仕事が生物学そのものであるなら、欲しいモデルはフォームの向こう側にあり、HealthBench Professional をどれだけ積み重ねてもその隔たりは埋まらない。その場合、ゲートは製品そのものであって、製品への障害ではない。

ペアのルーティングと、特に注意が必要な唯一の箇所

Grok 4.7はOrcaRouterで提供中。SpaceXAIの定価 — 100万トークンあたり入力$2.00、出力$6.00、キャッシュ入力$0.50で、マークアップ0%、さらに200Kのしきい値を料金ティアとしてそのまま適用しているため、長いプロンプトのリクエストも、予期せぬ請求で驚かせることなく、正直に請求されます。GPT-RosalindはOrcaRouterにも、どのサードパーティ製ルーターにもありません。OpenAIのtrusted-access programmeを直接通して動作します。そうではないと示唆するつもりはありませんし、それを変えられるような設定経路もありません。

そこから残るのは、この一連の比較全体が何度も行き着くパターンです。研究プラットフォームの計算側は Grok 4.7 と、1つのキーの背後にあるその他200以上のモデルで動作し、次の仕組みを伴います：プロバイダー間の自動フェイルオーバー。これにより、容量問題が起きても実行を失敗させるのではなく、リクエストを移動させます。生物学側は直接キーを使い続けます。ルーティング DSL は境界を明示する場所です。専門モデル用の名前付きルートは、利用できないときに明示的に失敗し、それ以外のすべてにはデフォルトルートを使い、汎用モデルの回答を専門モデルの枠へ暗黙に昇格させないようにします。

モデル融合は、境界ケースのために知っておく価値がある。安価な汎用モデルと専門モデルの両方に同じ質問を投げ、その後で比較するパネルは、誤分類されたリクエスト——配管まわりの作業のように見えて、実はドメイン判断が必要だったもの——を捕捉する方法だ。また、まだ完全には信頼していないモデルを使うための誠実な方法でもある。

何が答えを変えるだろうか

3つの進展があり、いずれも奇抜なものではない。SpaceXAIは、Rosalindの化学スイート並みの具体性を備えたドメイン評価を公開できる——HealthBench Professionalはその第一歩だが、ほど遠い。O​penAIは10月のアカデミックプランをAPIアクセスを含むよう拡張できる。そうすれば、現在それを負担できないまさにその研究室に、無料の専門家能力がもたらされる。あるいは、独立した評価ハーネスが両モデルを同じ科学的タスクセットに通せば、2つのベンダー表が注意深く避けてきた問いに決着がつく。

それらのどれかが登場するまで、優劣は拮抗していない。依頼がコード、データ、散文なら、Grok 4.7 は出力価格が3分の1で、より広いツール面と独立したスコアを備えており、専門特化型を選ぶのは、慎重にしている気分になるための高価な方法だ。依頼が科学なら、4.2倍を払ってレビューを受け入れよ。なぜなら、この比較でそれ向けに調整されている唯一のモデルは、あなたにフォームを記入させたモデルだからだ。