GPT-Rosalind vs Muse Wonder：生物学研究室で1Mコンテキストが何をもたらすか

Muse WonderとGPT-Rosalindは、この比較の中でスペック上は最も近く、目的においては最も遠い2つのモデルです。Meta Superintelligence Labsは2026年10月12日にMuse Wonderをリリースしました。価格は入力100万トークンあたり4.00ドル、出力100万トークンあたり20.00ドル、コンテキストは100万トークン、Artificial Analysis Indexは56で、これはO​penAIが2026年4月16日から5.00ドルと25.00ドルで販売しているGPT-Rosalindと同じ価格帯、同じコンテキストサイズです。5ドルと5ドルの違いは興味深いところではありません。興味深いのは、これらのモデルの一方は尋ねられたどんな質問にも答えるのに対し、もう一方は審査を通過した組織からの質問にしか答えず、しかも後者だけが、生物学研究室が実際に行う事柄に合わせて調整されているという点です。ゲート付きリリースが公開されたり、スコアが改訂されたりすると、その変更は日付と情報源とともにthe AI Incident Archive私たちが追跡している他のモデルやベンダーのインシデントと並べて掲載されます。

コンテキストウィンドウは同じでも、それを持つ理由は異なる

両モデルは100万トークンを扱えるが、これは共通の能力ではなく、無関係な2つの設計判断が偶然一致したものだと理解しておく価値がある。

Metaの理由は幅広さにある。Muse Wonderはテキスト、画像、音声、動画を入力として受け取り、テキストを返し、Metaが個人向けおよび業務向けのエージェント型タスクと呼ぶもののために作られている。その兄弟製品であるMuse Wonder FullはMuse Codeのサブスクリプション内に囲い込まれている——Power Usageプランは月額50ドル、Maximum Usageは200ドル——このことはAPIの料金階層ではなく製品上の決定にしている。100万トークンは、単一のエージェントセッションが画面録画、文書、会話履歴、ツールの記録を同時に保持しなければならないときに必要になるものだ。

OpenAIの理由は深さにある。GPT-Rosalindは100万トークンを扱えるため、研究室は参照アトラス全体、プロトコルライブラリ、データセットの説明を一度に投入できる。そのツール群は50以上のツールを備えたライフサイエンス向けプラグインであり、公開ベンチマークは化学とゲノミクスである。ゲートが存在するのは、このモデルが生物学においてゲートを必要とするほど十分に優れていると判断されているからだ。

• コンテキストウィンドウ — Muse Wonder 1,000,000トークン 対 GPT-Rosalind 1,000,000トークン。まさに互角の引き分けです。

• 入力モダリティ — Muse Wonder：テキスト、画像、音声、動画。GPT-Rosalind：ChatGPT、Codex、API 経由のテキストおよび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ません。

• 出力 — テキストのみ、両方。

• 価格 — Muse Wonder は100万トークンあたり入力 $4.00 / キャッシュ $0.20 / 出力 $20.00、GPT-Rosalind は $5.00 / $0.50 / $25.00。スペシャリストはすべての項目で25%高く、キャッシュ読み取りでは2.5倍高い。

• アクセス — Muse Wonder は現在、muse-wonder-1.0 として Meta Model API および Muse Code 内で呼び出し可能です。GPT-Rosalind は信頼できるアクセスの審査が必要です。

• 独立スコア — Artificial Analysis Index v4.3.2でMuse Wonderは56。GPT-Rosalind：そのボードでは追跡されていません。

その最後の組み合わせが核心だ。調達チームが科学的手法を用いずに測定できるあらゆる軸で、Muse Wonderが勝つ。安価で、申請なしで利用でき、より多くの入力タイプに対応し、独立したスコアを持つ。GPT-Rosalindが勝つ唯一の軸は、どのリーダーボードも測定しない軸であり、それがこの記事の主題だ。

比較できないスコアについて、率直に述べる

Muse Wonderの56とRosalindの27.5%は同じものの2つの測定値ではなく、それらを隣接する列に置く表は誤解を招く。56は10個の汎用評価にわたる独立した複合指標である。AA-Briefcase、GDPval-AA、AutomationBench、Terminal-Bench、SciCode、Humanity's Last Exam、GDP.pdfなどが含まれる。27.5%はO​penAI自身の医薬化学ベンチマークで、GPT-5.5に対して採点されたものであり、再現されていない。

• Muse Wonder — Artificial Analysis Index では 56。Meta 自身の表では、Terminal-Bench 4.0-AA が 85.6、SWE-Marathon が 78.8、OSWorld V2.1 が 72.6、HealthBench Pro が 56.6、DeepSWE 1.1 が 52.0 と報告されています。Meta の行はすべてベンダー報告値であり、インデックスの数値は独立したものです。

• GPT-Rosalind — MedChemBench 27.5% 対 25.1%、GeneBench 21.6% 対 20.4%、LabWorkBench 63.2% 対 55.8%、および LifeSciBench でのトークン当たり性能4.42%向上。すべてOpenAIによる報告であり、独立に再現されたものはありません。

• 特筆に値する唯一の重なり — HealthBench Proは臨床知識のベンチマークであり、GPT-Rosalindはそれについて何も公表していない。そこでのMetaの56.6という数値は、Muse Wonderが摂動実験を設計できるかどうかについて何も語るものではない。

これらの2つのモデルが両方とも評価された公開生物学ベンチマークは存在しません。この不在こそが比較において最も重要な事実であり、どちらのベンダーによっても解消される見込みはありません。

Muse Wonder Fullが価格比較に与える影響

Metaは10月12日に2つのチェックポイントを出荷した。そしてこの分割によって、「Muse Wonder」が意味するものは、どの入口から入るかによって変わってくる。

• Muse Wonder — muse-wonder-1.0、Meta Model API 上および Muse Code 内で、$4.00 / $0.20 / $20.00。

• Muse Wonder Full — MetaがMuse Codeのサブスクライバー限定で提供するとしている、別個のより高スコアなチェックポイント。APIモデルのフラグではなく、月額50〜200ドルの製品の背後にある別のモデルです。

• その差 — Meta自身の表では、Muse Wonder FullがJobBenchで75.3、Muse Wonderが30.8、Vals Finance Agent V2では59.1対10.0となっています。同じラボの2つのチェックポイント間における単一ベンチマーク上の44ポイントの差は、真の能力差か、評価ハーネスに起因するアーティファクトのどちらかであり、どちらなのかを決着できるのは第三者だけです。

研究室にとっての実用的な解釈は、API経由で購入できるモデルと、Metaが最高の数値を公表しているモデルは同一のモデルではない、ということだ。「Muse Wonder」をFullのスコアの高さゆえにGPT-Rosalindと比較する人は、サブスクリプション製品とAPIモデルを比べていることになる。

100万トークンが実際に使われるのはどこか

コンテキストという共通点こそが、これら2つのモデルがそもそも比較される理由なのだから、ラボが100万トークンを何に使うのかと、汎用エージェントがそれをどう使うのかについては、具体的に述べる価値がある。

100万トークンを保持する汎用エージェントが保持しているのは、状態である。会話、スクリーンショット、ツールの出力、現在のファイル。コンテキストは作業空間だ。100万トークンを保持する生物学ワークフローが保持しているのは、参照資料である。アトラス、アノテーションテーブル、プロトコル集、先行文献。コンテキストは図書館だ。

これらは異なるワークロードであり、異なる点に負荷をかけます。ワークスペースは高速なツールループと安価なキャッシュ読み取りに報い、ライブラリは大量のドメイン文書を視野に保持し、脈絡を失わずに横断的に推論する能力に報います。Meta は前者に最適化しています。Muse Wonder の Active Memory はセッションをまたいで状態を保持し、Active Focus は長いタスクに対するモデル自身の注意を管理します。どちらもエージェント的用途でのみ意味を持つ機能です。OpenAI は後者に最適化しており、そのため公表されている改善は、モデルがプロトコルと摂動を同時に念頭に置かなければならないタスクにおけるものです。

• キャッシュの経済性 — Muse Wonderはキャッシュ100万件あたり$0.20、GPT-Rosalindは$0.50。大きなシステムプロンプトを毎ターン再送信する長いエージェントセッションでは、支配的なコスト項目において汎用モデルの方が2.5倍安い。

• セッション設計 — セッションをまたいでMuse Wonderの状態が永続するという点は、アプリケーションのアーキテクチャを最も大きく変える主張であり、同時にモデルカードでは実証できない主張でもあります。

• ドメインテキスト — どちらのベンダーも科学技術文書を対象とした長文脈検索ベンチマークを公開していないため、ここで重要な方向においてこの互角という結論は未検証です。

ゲートこそが差別化要因であり、ベンチマークではない

調達の議論を左右する非対称性はここにある。Muse Wonderはカードさえあれば誰にでも販売される。GPT-Rosalindは審査を通過した組織にしか販売されず、その審査が存在するのは、OpenAIがこのモデルの生物学的能力をオンデマンドで利用可能にすべきではないと結論づけたためだ。2026年9月11日以降、そのゲートは特定のパートナーリストではなく、適格な組織に対して世界規模で開放されている。10月15日以降は、適格な研究室に最大12か月間、最大30の無料ChatGPT Businessシートを提供し、APIアクセスは明示的に除外するアカデミック向けの経路も設けられている。

その解釈には二通りあり、どちらも擁護できる。皮肉な見方：ゲートは正当な研究者への課税であり、他の誰かを止める役には何も立たない。有用な見方：モデルにゲートを設けるベンダーは、能力がどこに集中していると考えているかを明示している。そして、汎用モデルを誰にでも販売するベンダーは、省略によって同じことを明示している。MetaがMuse Wonderについて公表している強みは、エージェント的作業、コーディング、プロフェッショナル向けタスクだ。生物学はその売り込みに含まれておらず、ゲートもない。なぜなら、ゲートをかけるものなど何もないからだ。

つまり、判断すべきは「どちらのモデルが優れているか」ではない。「自分のリクエストはライブラリに属するのか、それともワークスペースに属するのか」であり、その問いをこの形で立てれば、答えはたいてい明白だ。

ペアを運用し、私たちがどちらの半分に仕えているのかを正直に語ること

Muse WonderもGPT-RosalindもOrcaRouter上にはありません。Muse WonderはMeta独自のAPIおよびMuse Code内から利用可能で、GPT-RosalindはOpenAIのトラステッド・アクセス・プログラムを通じてのみ利用可能です。どちらかを当社がルーティングしているかのような示唆は行いません。

そのファミリーから当社が取り扱っているのは、Muse Spark シリーズです — Muse Spark 1.2 と Muse Spark 1.1は、100万トークンあたり入力 $1.25、出力 $4.25、1,048,576 トークンのコンテキストを備え、同一価格の更新済みチェックポイントがあり、入力対象もテキスト、画像、PDF に加えて動画や音声を含むよう広がっています。Muse Code のサブスクリプションにコミットする前に、Meta のモデルが自社のパイプラインに適合するかどうかをテストしているラボにとって、これは低コストで確認できる方法です。それに並んで1つのキーで利用できる 200 以上の他のモデルがプロバイダーの定価で、0% のマークアップで提供されているため、ベンダーの値下げは公開された当日に当社側でも反映されます。

ここで妥当なアーキテクチャは、こうした比較がいつも行き着くのと同じ分割です。ワークスペース側の半分——オーケストレーション、パース、サイエンス部分を支えるコード、ドキュメント作業——は、今日すぐに呼び出せるモデル上で動作し、自動フェイルオーバーを備えているので、プロバイダーの一時的な不調時には実行を止めるのではなくリクエストを別へ移します。ライブラリ側の半分は、専門モデル用の直接キーのままで、ルーティングDSLの名前付きルートの背後に置きます。このルートは、専門モデルが利用できないときに汎用モデルで黙って答えるのではなく、明示的に失敗します。すべてのリクエストに専門モデルの料金を払わずに、判定が微妙な結果についてセカンドオピニオンを得たいなら、パネル横断のモデル融合がその仕組みです。複数のモデルが答え、あなたが比較し、その不一致がシグナルになります。

何がそれを決着させるのか

3点あります。独立したハーネスでMetaのJobBenchとVals Financeのスプレッドを再実行すれば、2つのMuse Wonderチェックポイント間の44ポイント差が能力なのかアーティファクトなのかがわかります。muse-wonder-fullのAPI経路があれば、より高スコアのモデルをサブスクリプション限定ではなく購入可能にできます。そして、両モデルを対象にした独立した生物学評価があれば、この議論全体を1つの数値に置き換えられます。それはこの分野が4月以降ずっと必要としてきたものです。

それらがなければ、ルールはカードに書けるほど簡単だ。リクエストがエージェント的、マルチモーダル、または長いセッションの一貫性を保つことに関するものなら、1Mコンテキストと独立系スコア56を備えたMuse Wonder（$4.00 / $20.00）がより良い選択肢で、今日から始められる。リクエストが生物学に関するものなら、ここでそれ向けにチューニングされた唯一のモデルはレビューの審査を経る必要があり、すべての価格項目で25%高く、確認できるどのリーダーボードにも現れない——そしてその組み合わせこそ、ベンチマークが追いつく前の専門家の姿なのだ。