GPT-Rosalind vs Qwen 4 Max：3,000のエージェント、1つの請求書、そしてまだ出荷されていないモデル

32分、そして700以上の参考文献。2026年10月21日、OpenAIはPerturbAIおよびScripps Researchとの共同研究を公開した。その中で数千のエージェントがGPT-Rosalind上で稼働し、数百万のマウス細胞からなる全脳CRISPRアトラスを処理した。各エージェントは1つの遺伝子破壊を担当し、その周辺の文献を検索して報告書を書いた——著者らは、これを1つずつ摂動させて行うと数か月から1年かかると見積もっている。モデル自体は新しいものではない。OpenAIは2026年4月16日にGPT-Rosalindを発表し、9月11日には指定パートナーリストの外へと拡大し、10月5日には入力100万トークンあたり5.00ドル、出力100万トークンあたり25.00ドルの課金を開始した。新しいのは、モデルが単発の呼び出しではなくフリートとして稼働する姿を初めて公に示したことであり、それによって比較の相手がQwen 4 Maxである場合に何を主題にすべきかが変わる。Qwen 4 Maxは2026年9月22日にAlibabaのApsaraカンファレンスで発表されたが、価格、コンテキストウィンドウ、モデルカードはいまだにない。したがって、この対決を正直に語るなら三つの側面がある。実質的な単位コストがエージェントごとである専門モデル、まだ提供開始されていない相手、そして今日実際に借りられるQwenモデル——Qwen3.8-Max、100万トークンあたり2.00/6.00ドルである。呼び出し可能なエンドポイントにならない発表は、その日付と出典とともにAI Incident Archiveに、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記録される。

10月21日の実行で実際に示されたこと

このデータセットはPerturb-seqアトラスである。マウス脳全体で1本のガイドRNAにつき1遺伝子ずつ破壊し、その後で各細胞のトランスクリプトームを読み出したものだ。出力は数千の摂動と数百万の細胞の行列であり、どの研究室も細かく読み解くことは到底できない。これが本論文が取り組むボトルネックである。

著者らが分散生物学的推論と呼ぶこの手法は、大きな表に対する1回の大規模モデル呼び出しではない。各エージェントは単一の遺伝子破壊を受け取り、細胞応答を調べ、関連文献を検索し、メカニズムを提案する構造化レポートを作成する。これらのレポートは、論文が推論アトラスと呼ぶもの、つまり遺伝子、細胞型への影響、論文、候補メカニズムを結びつけるグラフに組み立てられる。OpenAIが報告するスイープ全体の実行時間は32分である。

モデルを選ぶ人にとって最も重要な発見は、生物学そのものではない。それは、チームが自らの手法に対して行った対照実験であり、これには数値が付いているからだ。彼らはモデルと計算資源を固定し、データセット全体を数千のエージェントに分割するのではなく、単一のエージェントに与えた。作業量が増えるにつれ、単一エージェントの文献カバレッジは崩壊した。最大の作業量では、分散エージェントの700以上の引用に対し、単一エージェントが引用した文献は11件だった。盲検化された人間の専門家は、75%の割合で分散型のレポートを好んだ。

これらを併せて読むと、結果はモデルのIQではなく分解の問題だ。単一のコンテキストウィンドウは、アトラスを注ぎ込むと劣化するが、それぞれが検索ツールを持つ数千の特化型エージェントは劣化しない。著者自身の位置づけもこれを裏付けている。彼らはDCTN1コレステロール輸送仮説を発見としてではなく、追試実験のための問いとして提示しており、この論文は2026年10月16日に投稿されたプレプリントで、OpenAIとPerturbAIの従業員が共著し、まだ査読を受けていない。32分は実際の実行時間として、人間との比較は桁の違いとして扱う。

比較ページでは、その影響は具体的だ。勝利がアーキテクチャに由来するなら、土台となるモデルの決定的な特性はベンチマークスコアではなく、30分間に3000回呼び出すのにどれだけコストがかかるか、そしてそれが許されているかどうかである。

この対決を決める数字は、エージェントあたりのコストです。

これら2モデルの公開比較は、ヘッドライン料金を並べたところで止まりがちだ。10月21日の論文が具体化したワークロードにとって、ヘッドライン料金は誤った単位である。分散実行では、モデル呼び出しが摂動の数だけ掛け算されるからだ。明示した仮定に基づいて計算してみよう。共有アトラスの前書きを読み、数本の論文を取得し、レポートを書くエージェントは、入力トークン60,000と出力トークン4,000を消費するかもしれない。OpenAIの公開料金では、そのエージェントのコストは0.40ドル、うち入力が0.30ドル、出力が0.10ドルだ。同じエージェントをQwen3.8-Maxで、2.00ドル/6.00ドルで動かすと0.14ドルになる。エージェント3,000体なら、約1,200ドル対約432ドルだ。

共有プレフィックスをキャッシュすると、差は縮まるどころか広がる。なぜなら、キャッシュ入力の料金は見出しの料金よりも大きく隔たっているからだ。60,000入力トークンのうち50,000をキャッシュ済みプレフィックスに入れると、Rosalindエージェントは約$0.18まで下がり、{{1}}Q​wen{{/1}}エージェントは約$0.06まで下がる — 3倍強安い。キャッシュ入力は一方が100万トークンあたり$0.50、もう一方が$0.25だからだ。これはベンダーの数字ではなく私たちの計算であり、プロンプトのどれだけが本当に共有されているかに左右される。方向性は左右されない。

フリート運用を左右する観点で、両者を比較しよう：

• 入力価格 — GPT-Rosalindは100万トークンあたり5.00ドル、Qwen3.8-Maxは2.00ドル。Q​wen 4 Max：未公開。

• 出力価格 — GPT-Rosalind $25.00/100万トークン 対 Qwen3.8-Max $6.00。Qwen 4 Max：未公開。

• キャッシュ入力 — GPT-Rosalind は100万トークンあたり0.50ドル、またOpenAIの料金ページにはキャッシュ書き込みの料金はこのモデルには適用されないと記載されています。Qwen3.8-Max は0.25ドル。Qwen 4 Max：未公開。

• 3,000エージェントのスイープあたりのコスト — 上記の前提では、GPT-Rosalind で約1,200ドル、Qwen3.8-Max で約432ドル。Qwen 4 Max：計算不可。

• コンテキスト — 双方とも100万トークン。Qwen 4 Max：未公開であり、しかもティア名が継続しているという理由でQwen3.8のウィンドウから引き継がれているわけでもない。

• 最大出力 — GPT-Rosalind は応答ごとの上限を公開していません。Qwen3.8-Max 0902 スナップショットでは 131,072 トークンが記録されています。 • レイテンシ — Qwen3.8-Max は、OrcaRouter 上で初回トークンまでの時間の p50 が 6.32 秒、Artificial Analysis インデックスで毎秒 40.3 出力トークンと計測されています。GPT-Rosalind はレイテンシの数値を公開しておらず、ファンアウト実行ではこれが最も欲しくなる数値です。

• 独立スコア — GPT-Rosalindはゲート付きドメインモデルであるため、Artificial Analysis Intelligence Indexではまったく追跡されていません。一方、Qwen3.8-Maxは45を記録し、214モデル中33位、完了したインデックスタスクあたり5.41ドル、出力トークン毎秒40.3という結果です。

• アクセス — GPT-Rosalind は OpenAI のトラステッド・アクセス・プログラムによる承認が必要です。Qwen3.8-Max は、誰でも登録できる通常の商用 API です。

表のこの2行は、他の行よりもはるかに重要な役割を担っている。独立スコアは、この表の中でどちらのモデルにも関わっていない人物だけが提供した唯一の数値であり、それが示しているのは、Qwenのフラッグシップがフロンティアのトップではなく、有能な中位フロンティアの汎用モデルだということだ — このボードの最高モデルの58に対して45。そしてアクセスの行は脚注ではない。フリートがそもそも存在し得るかどうかを左右するのだ。

Qwen 4 Maxは実際どこに位置づけられているのか

A​libabaは2026年9月22日のApsaraカンファレンスで、4つの階層を名付けた——旗艦のQ​wen 4 Max、スループット向けのQ​wen 4 Flash、中間に位置するQ​wen 4 Plus、そしてオープンウェイトのQ​wen 4 27B——。同社はこのファミリーを新世代アーキテクチャでトレーニングしていると説明し、まもなく登場すると述べた。いずれにも日付は付されなかった。

1か月後、リリース済みのQwenフラッグシップが確認できるはずの独立した3つの場所があるが、そのいずれにも存在しない。Alibaba Cloud自身のModel Studioのドキュメントでは、qwen3.8-maxが最高のMaxティアとして記載されており、Qwen 4の項目はない。中国の商用フラッグシップの大半をリリース後数日以内に採点するArtificial Analysisには、Qwen 4 Maxの行がない。Qwen 3.5から3.8までの全ティアを含む200以上のモデルを扱うOrcaRouterのカタログには、qwen4の識別子がない。これは遅延の証拠ではない。10月22日時点で比較できるものが何もないことの証拠である。

発表に伴って出てきたパラメータ数には、1点だけ訂正が必要です。というのも、それが比較表に広がり続けているからです。出回っている5兆〜10兆という数字は、Qwen 4以降の世代、つまりQwen 4.5とQwen 5の時期についての将来を見据えた記述です。AlibabaはQwen 4 Maxにパラメータ数を付していません。Qwen 4のモデル名の隣にQwen 5クラスのサイズが記載されているのは、半減期の長い借用ミスです。

この発表から確かに分かるのは、A​libabaがフラッグシップティアで競争を続けるつもりだということだ。それは、ファミリーから離れるよりも、その中にとどまる理由になる。だが、移行計画を立てるのに役立つ情報は何も伝えていない。なぜなら、「soon」は日付ではないし、カンファレンスのスライドは料金表ではないからだ。

スペシャリスト・プレミアムがもたらすもの、もたらさないもの

GPT-Rosalindの主張は、OpenAIが同モデルとともに公開した領域別評価に基づいている。BixBenchで首位の性能、GPT-5.4に対するLABBench2の11勝中6勝、トークンあたりの向上率はGeneBenchで53.7%、MedChemBenchで18.0%、LabWorkBenchで19.6%だ。しかし、これらはすべてベンダー報告である。独立して再現されたものは一つもなく、同モデルは汎用知能のボードにエントリーしていない。これはゲート付き領域モデルとしては正常だが、外部から数値を検証できないことも意味する。

検証可能なのはツール群です。Life Sciences Research Plugin は、モデルを Codex 内の組み合わせ可能なスキルとして 50 以上の科学ツールやデータソースに接続します。また、10 月 21 日の論文は、素の推論能力ではなく、そのスタックの実証です。数千のエージェントがそれぞれ文献を取得し、構造化されたレポートを作成するのは、ツール統合の成果です。Qwen3.8-Max には同等の生物学スタックがありません。汎用的なツール呼び出しと構造化出力には強みがありますが、あらゆる科学データベース接続は自分で構築する必要があります。

それがプレミアムの本当の姿だ。あなたはより賢いモデルに2.5倍を払っているのではない。分子証拠に対するドメイン調整済みの推論と、あらかじめ配線されたツール層に払っているのであり、10月21日の実行は、その組み合わせが生物学者に読まれる何かを生み出すという最初の公開証拠だ。居心地の悪い対置は同じ論文の中にある。対照実験ではモデルを固定し、分解だけを変えたため、結果はより安いモデルでも大部分は維持されるはずだ。この研究は、出力のどれだけがGPT-Rosalindによるもので、どれだけがアーキテクチャによるものかを切り分けてはいない——著者らもそう主張していない。分散スイープの予算を組むなら、その曖昧さは3000エージェントあたり約770ドルに相当し、それが上記の2つの請求額の差だ。

ゲートは仕様の一部です

GPT-Rosalindは一般に購入できるものではない。OpenAIの料金ページには、アクセスはトラステッド・アクセス・プログラムを通じた承認済みの内部研究に限られると記載されており、9月11日以降、このプログラムは固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中で開放されている。適格性は提案された用途、ガバナンス、制御されたアクセスに基づいて評価される。これは病原体やタンパク質データについて推論するモデルにとって妥当なポリシーであり、同社が先ほど実演したフリート・パターンに対する厳しい制約でもある。

数千のエージェントにまたがる32分間の実行は、必要に応じて数千件の同時リクエストまでバーストできることを前提としている。制限付きキーでは、制約となるのは分あたりのトークン数ではない。審査、アカウント構成、そしてプログラムが認める同時実行数の上限だ。分散スイープを計画するチームは、料金を比較する前にそれを織り込むべきである。自由に呼び出せる安価なモデルは、他人の都合でしか呼び出せない優れたモデルに勝るからだ。

ここは、ルーティング層が真価を発揮する場面であり、そうでない場面でもあります。GPT-RosalindはOrcaRouter上にはありません。アクセスはOpenAIの信頼済みアクセス申請を通じて行われ、どのルーターもそれを変えることはできません。ルーターが変えるのは、専門モデルの呼び出しを取り巻くすべてです。10月21日に公開されたような実行は、主に生物学ではなく、オーケストレーション、レポートの解析、数千件の出力にまたがる重複排除、そしてアトラスをクエリ可能なものに変えるコードです。これらのステップに、出力100万件あたり25ドルのドメインモデルは必要ありません。それをそこに置くことが、32分の実験を高価な実験に変える方法です。Qwen3.8-MaxはOrcaRouter上にアリババの$2.00/$6.00というリスト価格で、マークアップ0%のまま、他の200以上のモデルと同じOpenAI互換エンドポイントの背後にあります。そのため、バルク処理のレッグと専門モデルのレッグは、1つのキー上でプロバイダー間の自動フェイルオーバーとアプリケーションに焼き込まれたモデル名ではなく設定として記述されたルーティングポリシー。

Qwen 4 Max がリリースされるとき、それはそれが重要かどうかを知る最も安価な方法でもある。トラフィックの一部を新しいティアに送り、すでに信頼しているモデルへフェイルオーバーできるルーティングルールは、本番環境を停止させようのない試験だ。それまではカタログに単にその項目がない。発表済みで未リリースのモデルとは、そう見えるべきものだ。

この比較が逆転するのはどんな場合ですか

4つの公表済みの数字は、Q​wen 4 Maxを単なる名前から対戦相手へと変えるだろう。本物が現れたときにそれと分かるよう、それらの数字には言及する価値がある。

• 料金表です。$2.00/$6.00を下回るQ​wenのフラッグシップは、この記事の計算を割合ではなく桁で変えます。それに匹敵するものは何も変えません。なぜなら、購入可能なQ​wenモデルがすでにそこにあるからです。

• 長文コンテキストの挙動を、ポリシーとして明記したもの。1Mウィンドウに割増帯が設定されるかどうか、またそのしきい値。ある入力サイズを超えると段階料金になるなら、見出しの数字よりもアトラス実行にとって重要になる。そのパターンではすべてのエージェントがその帯域を跨ぐからだ。

• A​libabaの誰も運営していないリーダーボードにおける、エージェント型およびツール利用の結果。本記事が描くギャップは一般的な推論ではない——そこではQwen3.8-Maxは有能だ——科学ツール利用である。その軸で公表され、独立に実施された結果は、専門特化プレミアムの最初の真の試練となるだろう。

• Max ティアが重みを提供するかどうか。 Qwen3.8-Max は提供しなかったが、同じ世代の 27B ティアは提供しており、ダウンロード可能な重みを備えた Qwen 4 Max は、自社の独自シーケンスデータがどう扱われるかを監査する必要がある規制対象のラボに対して、GPT-Rosalind が構造的に提供できない唯一のものとなるだろう。

このページが実際に支持する判断は、それらのどれかを待つものではない。間違えると高くつく領域——標的の優先順位付け、メカニズムの提案、生物学者が読む報告書——には専門モデルを置き、フリートは、エージェント1体あたり0.14ドルで、申請フォームなしに答えるモデルに置く。10月21日の結果は、アトラス規模で分散型生物学を動かすことを支持する良い論拠だ。だが、そのすべてをその場で最も高価なモデルで動かすことについては、より弱い論拠であり、そう言えるのは論文自身の対照実験があるからだ。