GPT-Rosalind vs Grok 4.7: een gezondheidsbenchmark is geen biologiepoort

Grok 4.7 wordt geleverd met een cijfer dat op het eerste gezicht het antwoord op GPT-Rosalind lijkt: 56,7% op HealthBench Professional, een stijging ten opzichte van 48,5% voor Grok 4.6. Dat is een benchmark voor klinische kennis, gerapporteerd door SpaceXAI in de lanceringstabel voor een model dat op 21 september 2026 is uitgebracht, en het is het dichtst bij een medische evaluatie in het materiaal van beide bedrijven. GPT-Rosalind, sinds 5 oktober 2026 algemeen verkrijgbaar na een introductie in april 2026, publiceert niets vergelijkbaars — de cijfers zijn chemie- en wetlabbenchmarks, en je hebt een beoordeling voor vertrouwde toegang nodig om ze zelf te draaien. De eerlijke vraag is dus niet welk model hoger scoort op gezondheid; het is wat een gezondheidsbenchmark meet versus wat een biologiepoort beschermt, en waarom een van deze modellen per token een derde kost van het andere terwijl het voor iedereen beschikbaar is.Benchmarkgeschillen en wijzigingen aan toegangspoorten die volgen op een vergelijking als deze, worden met hun data en bronnen vastgelegd in het AI Incident Archive, samen met de rest van de model- en leveranciersincidenten die we volgen.

De overlap die smal blijkt te zijn

HealthBench Professional stelt een model vragen van het soort dat een clinicus zou beantwoorden. Het beloont recall, calibratie en het vermogen om een klinisch kader vast te houden. Het vereist niet dat het model een perturbatie-experiment ontwerpt, een wet-labprotocol leest of redeneert over een structuur-activiteitsrelatie. De gepubliceerde suite van GPT-Rosalind is het andere soort test: MedChemBench omvat werkzaamheids- en ADME-voorspelling en retrosynthese; GeneBench omvat genomica over een lange horizon; LabWorkBench omvat het koppelen van perturbaties aan uitkomsten in echte protocollen. Andere instrumenten, andere doelwitten.

• Wat wordt gemeten — Grok 4.7: klinische kennis en beoordelingsvermogen, 56,7% op HealthBench Professional. GPT-Rosalind: chemie en nat-lab-redenering, 27,5% op MedChemBench en 63,2% op LabWorkBench.

• Wie het uitvoerde — Grok 4.7: SpaceXAI, tegen zijn eigen vorige model. GPT-Rosalind: OpenAI, tegen GPT-5.5.

• Onafhankelijke reproductie — Geen voor beide benchmarks.

• Wat geen van beide getallen je vertelt — Of je het model kunt vertrouwen met een resultaat dat in een dossier terechtkomt. Dat is een kwestie van faalmodi, niet van scores.

Zet de twee tabellen naast elkaar en er is geen enkele rij die ze delen. Dat is geen hiaat in de rapportage; het is de vorm van de markt. Een generiek model wordt afgemeten aan breedte, een specialist aan diepte, en de leveranciers kiezen de tests die hun eigen sterkte laten zien.

De envelop, dat is waar deze twee eigenlijk van elkaar verschillen

Specificaties zijn het minst glamoureuze onderdeel van een vergelijking en het onderdeel dat bepaalt of een workflow überhaupt mogelijk is. Hier lopen de twee modellen verder uiteen dan het benchmarkgesprek suggereert.

• Contextvenster — Grok 4.7: 500.000 tokens, de helft van de 1.000.000 van GPT-Rosalind.

• Max. uitvoer — Grok 4.7: 450.000 tokens, en de eigen documentatie van SpaceXAI stelt dat er geen limiet voor tekstuitvoer is, wat niet overeenkomt met het getal van 450K op onze modelkaart. We signaleren de discrepantie in plaats van een kant te kiezen; de leverancier is de autoriteit over zijn eigen model. GPT-Rosalind: niet afzonderlijk gepubliceerd als uitvoerplafond.

• Invoer — Grok 4.7: tekst en afbeeldingen, JPG of PNG tot 20 MiB elk, geen gedocumenteerde limiet op het aantal afbeeldingen, in willekeurige volgorde. GPT-Rosalind: wetenschappelijke bestandsinvoer via ChatGPT, Codex en de API; geen algemene claim over afbeeldingsinvoer gepubliceerd.

• Redeneerbesturing — Grok 4.7: reasoning_effort op laag, gemiddeld, hoog of xhigh, met de gepubliceerde benchmarkcijfers geciteerd bij xhigh. GPT-Rosalind: een besturing in de stijl van reasoning-effort in de API, met toolgebruik als kern van het model.

• Hulpmiddelen — Grok 4.7: functieaanroepen, webzoeken, zoeken op X en code-uitvoering, allemaal aan de serverzijde. GPT-Rosalind: een levenswetenschappen-toolplugin met meer dan vijftig tools in ChatGPT en Codex.

• Kennisafsluitdatum — Grok 4.7: mei 2026, standaard geen realtime-bewustzijn. GPT-Rosalind: niet gepubliceerd.

De contextkloof is degene die in dit domein bijt. Een venster van 1M tokens is geen luxe voor genomisch werk; het is wat een model een hele atlas of een volledige protocolset in één keer laat vasthouden. De 500K van Grok 4.7 is royaal naar algemene maatstaven en de helft van wat de specialist biedt. Ondertussen ligt het uitvoerplafond van 450K ver voorbij alles wat een biologisch antwoord nodig heeft en precies wat een lange agenttrajectorie of een grote refactor wil.

Het prijsverschil is het grootst in deze set.

Grok 4.7 is het goedkoopste model in al deze vergelijkingen en GPT-Rosalind het duurste, wat de rekensom ontnuchterend simpel maakt.

• Invoer — Grok 4.7 $2,00 per 1M vs GPT-Rosalind $5,00. De specialist kost 2,5× zoveel.

• Uitvoer — Grok 4.7 $6,00 vs GPT-Rosalind $25,00. Een verschil van 4,2×, en het grootste verschil in één getal in dit artikel.

• Gecachte invoer — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Identiek, en dat is de enige regel waar de specialist niet duurder is.

• Lange prompts — Grok 4.7 verdubbelt naar $4,00 / $12,00 met $1,00 gecachet zodra een prompt 200K tokens bereikt. GPT-Rosalind rekent geen toeslag voor lange context.

• Regionale facturering — Grok 4.7 heeft een Amerikaans endpoint met een vermenigvuldiger van 1,1×, wat neerkomt op $2,20 / $6,60 onder 200K.

De outputratio is waar de beslissing werkelijk valt. Een discoveryworkflow produceert veel output: kandidatenlijsten, protocolconcepten, code, lange onderbouwingen. Bij $25 tegen $6 per miljoen kost een run die tien miljoen outputtokens uitstoot $250 op het gespecialiseerde model en $60 op het algemene model. Of die $190 je iets oplevert, is de enige vraag die ertoe doet, en geen enkele gepubliceerde benchmark beantwoordt die.

Wat de onafhankelijke beoordelaar toevoegt

Grok 4.7 heeft een echt onafhankelijk trackrecord, en dat is informatiever dan de tabel van de leverancier omdat er kosten in staan die niemand adverteert.

• Intelligentie — 46 op de Artificial Analysis Intelligence Index, v4.3.2, wat de 21e van 211 modellen op die ranglijst is en ruim boven de mediaan van 26 van de index. GPT-Rosalind staat helemaal niet op de ranglijst; gespecialiseerde modellen vallen buiten beschouwing.

• Kosten per index-run — $3,74, waarbij de evaluator een korting van 75% op de cache registreert en een input/output-tarief dat overeenkomt met het eigen tarief van de leverancier van $2,00 / $6,00. Het commentaar luidt dat het model redelijk geprijsd is ten opzichte van vergelijkbare modellen in dezelfde prijsklasse.

• Verbositeit — 240M outputtokens over de index, tegenover een mediaan van 88M. Artificial Analysis noemt het "zeer verbose", en dat is hier het enkele meest bruikbare getal voor budgettering: een model dat in langere ketens denkt, kost per taak meer bij elk vast tokentarief.

• Snelheid — 82,6 outputtokens per seconde, 83e van 211, wat de evaluator niettemin als langzamer dan gemiddeld bestempelt.

Het verbositeitsgetal is wat je hoofdrekenen zou moeten veranderen. Grok 4.7 tegen $6,00 voor output is niet 4,2× goedkoper dan GPT-Rosalind tegen $25,00 per taak als het bijna drie keer zoveel tokens produceert om daar te komen. Per taak is het werkelijke verschil kleiner dan de tariefkaart zegt, en niemand publiceert een verbositeitsgetal voor Rosalind om mee te vergelijken — omdat Rosalind niet op het scorebord staat.

Waarom de poort bestaat, en waarom Grok er geen heeft

Dit is de asymmetrie die een benchmarktabel niet kan uitdrukken. Grok 4.7 wordt verkocht aan iedereen met een factureringsaccount, met een context van 500K, beeldinvoer en code-uitvoering aan de serverzijde. GPT-Rosalind wordt alleen verkocht aan organisaties die een beoordeling doorstaan, en die beoordeling bestaat omdat O​penAI vond dat de biologiecapaciteit van het model iets is dat niet op aanvraag beschikbaar zou moeten zijn.

Lees dat als een uitspraak over vermogen, niet over veiligheidstheater. Een lab dat een model achter een gate zet, heeft besloten dat het model ergens belangrijks goed genoeg voor is om een gate de moeite waard te maken. SpaceXAI heeft geen vergelijkbaar oordeel over Grok 4.7 geveld, en de gepubliceerde sterke punten — coderen, agentische tool-loops, langdurig softwarewerk — zijn niet het soort dingen waarvoor je een gate inricht.

De praktische consequentie: als je werk computationeel is en aan biologie grenst in plaats van erbinnen te vallen, is Grok 4.7 nu beschikbaar, goedkoop en goed passend bij de vorm van de taak. Als je werk de biologie zelf is, zit het model dat je wilt achter een formulier, en geen enkele hoeveelheid HealthBench Professional dicht die kloof. De poort is in dat geval het product, geen obstakel ervoor.

Het paar routeren, en de enige plek waar we voorzichtig moeten zijn

Grok 4.7 staat op OrcaRouter tegen SpaceXAI's lijstprijs — $2,00 input, $6,00 output en $0,50 gecachte input per miljoen tokens, met 0% opslag, en de drempel van 200K doorgetrokken als prijscategorie, zodat een aanvraag met een lange prompt eerlijk wordt gefactureerd in plaats van je te verrassen. GPT-Rosalind staat niet op OrcaRouter en niet op een router van derden; het draait rechtstreeks via OpenAI's trusted-accessprogramma. We gaan niet anders suggereren, en er is geen route om te configureren die dat zou veranderen.

Wat dat oplevert, is het patroon waar deze hele reeks vergelijkingen steeds op uitkomt. De computationele helft van een onderzoeksplatform draait op Grok 4.7 en de andere 200+ modellen achter één sleutel, met automatische failover tussen providers, zodat een capaciteitsprobleem het verzoek verplaatst in plaats van de run te laten mislukken. De biologische helft blijft op een directe sleutel. De routing-DSL is waar je de grens expliciet maakt: een benoemde route voor de specialist die luidruchtig faalt wanneer die niet beschikbaar is, een standaardroute voor al het overige, en geen stille promotie van een antwoord van een algemeen model naar een specialistenslot.

Model fusion is de moeite waard om te kennen voor de grensgevallen. Een panel dat zowel een goedkoop algemeen model als een specialist dezelfde vraag stelt en vervolgens vergelijkt, is een manier om het verzoek eruit te halen dat verkeerd was geclassificeerd — het verzoek dat eruitzag als loodgieterswerk en toch domeinoordeel bleek te vereisen. Het is ook de eerlijke manier om een model te gebruiken dat je nog niet volledig vertrouwt.

Wat zou het antwoord veranderen

Drie ontwikkelingen, geen ervan exotisch. SpaceXAI zou een domeinevaluatie kunnen publiceren met de specificiteit van de chemiesuite van Rosalind — HealthBench Professional is een begin en nog lang niet in de buurt. OpenAI zou het academische plan van oktober kunnen uitbreiden met API-toegang, waardoor gratis specialistische capaciteit precies terechtkomt in de labs die het zich nu niet kunnen veroorloven. Of een onafhankelijke testomgeving zou beide modellen dezelfde reeks wetenschappelijke taken kunnen laten doorlopen, wat een vraag zou beslechten die twee leverancierstabellen zorgvuldig hebben vermeden.

Totdat een van die arriveert, is de kloof niet klein. Als de aanvraag code, data of proza is, kost Grok 4.7 een derde van de outputprijs, met een groter tool-oppervlak en een onafhankelijke score, en zou het kiezen van de specialist een dure manier zijn om je zorgvuldig voor te doen. Als de aanvraag de wetenschap is, betaal dan de 4,2× en accepteer de review, want het enige model in deze vergelijking dat ervoor is afgestemd, is degene die je een formulier liet invullen.