GPT-Rosalind vs Qwen 4 Max: 3.000 agents, één factuur, en een model dat nog niet is uitgebracht

Tweeëndertig minuten, en meer dan 700 referenties. Op 21 oktober 2026 publiceerde O​penAI een samenwerking met PerturbAI en Scripps Research waarin duizenden agenten draaiden op GPT-Rosalind en een CRISPR-atlas van het hele brein van miljoenen muizencellen verwerkten, waarbij elke agent één gendisruptie op zich nam, de literatuur eromheen doorzocht en een rapport schreef — een klus die de auteurs schatten op maanden tot een jaar als je één perturbatie tegelijk doet. Het model zelf is niet nieuw: O​penAI introduceerde GPT-Rosalind op 16 april 2026, breidde het op 11 september uit tot buiten een lijst met genoemde partners, en begon op 5 oktober te factureren tegen $5,00 per miljoen inputtokens en $25,00 per miljoen outputtokens. Wat nieuw is, is de eerste publieke blik op het model dat als een vloot draait in plaats van als één aanroep, en dat verandert waar een vergelijking met Q​wen 4 Max zou moeten gaan. Q​wen 4 Max werd op 22 september 2026 aangekondigd op A​libaba's Apsara-conferentie en heeft nog steeds geen prijs, geen contextvenster en geen modelkaart. Dus de eerlijke versie van deze vergelijking heeft drie kanten: een specialist wiens werkelijke eenheidskosten per agent zijn, een tegenstander die nog niet is uitgebracht, en het Q​wen-model dat je vandaag daadwerkelijk kunt huren — Qwen3.8-Max, voor $2,00/$6,00 per miljoen tokens. Aankondigingen die nooit een aanroepbaar endpoint worden, worden met hun datums en bronnen vastgelegd in het AI Incident Archive, naast de rest van de model- en leveranciersincidenten die wij volgen.

Wat de run van 21 oktober werkelijk liet zien

De dataset is een Perturb-seq-atlas: genen worden één guide-RNA per keer verstoord in de hele muizenhersenen, waarna het transcriptoom van elke cel wordt uitgelezen. De output is een matrix van duizenden perturbaties tegen miljoenen cellen, veel meer dan welk lab dan ook nauwgezet kan doorlezen — het knelpunt dat het artikel aanpakt.

De methode, die de auteurs distributed biological reasoning noemen, is niet één grote modelaanroep over een grote tabel. Elke agent krijgt één genverstoring, onderzoekt de cellulaire respons, haalt de relevante literatuur op en produceert een gestructureerd rapport dat een mechanisme voorstelt. Die rapporten worden vervolgens samengevoegd tot wat het artikel een reasoning atlas noemt: een graaf die genen, effecten per celtype, artikelen en kandidaatmechanismen met elkaar verbindt. De looptijd die O​penAI voor de hele sweep rapporteert, is 32 minuten.

De bevinding die voor iedereen die een model kiest het belangrijkst is, is niet de biologie. Het is de controle die het team op zijn eigen methode uitvoerde, want daar hangt een cijfer aan. Ze hielden het model en de rekenkracht vast en gaven één enkele agent de volledige dataset in plaats van die over duizenden te verdelen. Naarmate de werklast groeide, stortte de literatuurdekking van de enkele agent in: bij de grootste werklast citeerde deze 11 referenties tegenover meer dan 700 voor de gedistribueerde agenten. Geblindeerde menselijke experts gaven 75% van de tijd de voorkeur aan de gedistribueerde rapporten.

Lees die samen en het resultaat gaat over decompositie, niet over model-IQ. Een enkel contextvenster degradeert wanneer je er een atlas in giet; een paar duizend smalle agents met elk een retrieval-tool doen dat niet. De eigen framing van de auteurs ondersteunt dit — ze presenteren de DCTN1-cholesteroltransporthypothese als een vraag voor vervolgexperimenten, niet als een ontdekking — en de paper is een preprint die op 16 oktober 2026 is gepost, mede geschreven door werknemers van OpenAI en PerturbAI, en nog zonder peer review. Beschouw de 32 minuten als een echte looptijd en de vergelijking met mensen als een orde van grootte.

Voor een vergelijkingspagina is de consequentie specifiek. Als de overwinning uit de architectuur kwam, dan is de beslissende eigenschap van het onderliggende model niet zijn benchmarkscore — het is wat het kost om het drieduizend keer in een half uur aan te roepen, en of je dat mag.

Het getal dat deze confrontatie beslist, is de kosten per agent.

Gepubliceerde vergelijkingen van deze twee modellen zetten meestal de headline-tarieven naast elkaar en stoppen daar. Headline-tarieven zijn de verkeerde eenheid voor de workload die de paper van 21 oktober zojuist concreet heeft gemaakt, omdat een gedistribueerde run de modelaanroep vermenigvuldigt met het aantal perturbaties. Reken het door met expliciet genoemde aannames: een agent die een gedeelde atlas-inleiding leest, een handvol papers ophaalt en een rapport schrijft, kan 60.000 inputtokens en 4.000 outputtokens verbruiken. Tegen de gepubliceerde tarieven van OpenAI kost die agent $0,40 — $0,30 voor input en $0,10 voor output. Dezelfde agent op Qwen3.8-Max tegen $2,00/$6,00 kost $0,14. Drieduizend agents: ongeveer $1.200 tegenover ongeveer $432.

Cache de gedeelde prefix en de kloof wordt groter in plaats van kleiner, omdat de tarieven voor gecachte invoer sterker uiteenlopen dan de headline-tarieven. Stop 50.000 van die 60.000 invoertokens in een gecachte prefix en de Rosalind-agent zakt naar ongeveer $0,18, terwijl de Qwen-agent naar ongeveer $0,06 zakt — ruim drie keer goedkoper, omdat gecachte invoer aan de ene kant $0,50 per miljoen kost en aan de andere kant $0,25. Dat is onze berekening, geen cijfer van een leverancier, en ze is gevoelig voor hoeveel van je prompt echt gedeeld is; de richting niet.

Zet de twee tegenover elkaar op de dimensies die bepalend zijn voor een fleet run:

• Invoerprijs — GPT-Rosalind $5,00 per 1 mln vs Qwen3.8-Max $2,00. Q​wen 4 Max: niet gepubliceerd.

• Uitvoerprijs — GPT-Rosalind $25,00 per 1 miljoen vs Qwen3.8-Max $6,00. Qwen 4 Max: niet gepubliceerd.

• Gecachte invoer — GPT-Rosalind $0,50 per 1 miljoen, en de prijspagina van O​penAI vermeldt dat prijzen voor cache-schrijven niet van toepassing zijn op het model; Qwen3.8-Max $0,25. Q​wen 4 Max: niet gepubliceerd.

• Kosten per sweep van 3.000 agents — ongeveer $1.200 op GPT-Rosalind versus ongeveer $432 op Qwen3.8-Max bij de bovenstaande aannames. Qwen 4 Max: niet berekenbaar.

• Context — 1M tokens aan beide zijden. Qwen 4 Max: niet gepubliceerd, en met name niet overgenomen uit het Qwen3.8-venster op grond van het voortbestaan van de tiernaam.

• Maximale uitvoer — GPT-Rosalind publiceert geen maximum per antwoord; de Qwen3.8-Max 0902-snapshot documenteert 131.072 tokens. • Latentie — Qwen3.8-Max meet een p50 time-to-first-token van 6,32 seconden op OrcaRouter en 40,3 outputtokens per seconde op de Artificial Analysis-index. GPT-Rosalind publiceert geen latentiecijfer, wat voor een fan-outrun juist het cijfer is dat je het liefst zou willen.

• Onafhankelijke score — GPT-Rosalind wordt helemaal niet gevolgd op de Artificial Analysis Intelligence Index, omdat het een afgeschermd domeinmodel is; Qwen3.8-Max noteert 45, staat op de 33e plaats van 214 modellen, tegen $5,41 per voltooide indextaak en 40,3 outputtokens per seconde.

• Toegang — GPT-Rosalind vereist goedkeuring via OpenAI's trusted-accessprogramma; Qwen3.8-Max is een normale commerciële API met een open registratie.

Twee van die regels doen meer werk dan de rest. De onafhankelijke score is het enige getal in de tabel dat door niemand die bij een van beide modellen betrokken was is aangeleverd, en hij zegt dat het Q​wen-vlaggenschip een competente generalist in het midden van de frontier is in plaats van een frontierleider — 45 tegen 58 voor het beste model op dat bord. En de toegangsregel is geen voetnoot: hij bepaalt of de vloot überhaupt kan bestaan.

Waar Q​wen 4 Max eigenlijk staat

A​libaba gebruikte zijn Apsara-conferentie op 22 september 2026 om vier niveaus te benoemen — Q​wen 4 Max als het vlaggenschip, Q​wen 4 Flash voor doorvoer, Q​wen 4 Plus in het midden, en een Q​wen 4 27B met open gewichten — beschreef de familie als getraind op een nieuwe generatie architectuur, en zei dat deze binnenkort beschikbaar zou komen. Het noemde geen releasedatum voor een van de modellen.

Een maand later zijn er drie onafhankelijke plekken waarop een uitgeleverd Qwen-flagship zichtbaar zou zijn, en op alle drie ontbreekt het. De eigen Model Studio-documentatie van Alibaba Cloud noemt qwen3.8-max als de hoogste Max-tier, zonder vermelding van Qwen 4. Artificial Analysis, dat de meeste commerciële Chinese flagships binnen dagen na release beoordeelt, heeft geen Qwen 4 Max-rij. De OrcaRouter-catalogus, die meer dan 200 modellen bevat, inclusief elke Qwen 3.5- tot en met 3.8-tier, heeft geen qwen4-identificatie. Dat is geen bewijs van vertraging. Het is bewijs dat er op 22 oktober niets te vergelijken valt.

Het parametergetal dat met de aankondiging meereisde, verdient één correctie, want het blijft doorsijpelen naar vergelijkingstabellen. Het getal van 5 biljoen tot 10 biljoen dat in omloop is, is een toekomstgerichte uitspraak over de generaties na Qwen 4 — de periode van Qwen 4.5 en Qwen 5. Alibaba heeft geen parameteraantal aan Qwen 4 Max gekoppeld. Een grootte in de klasse van Qwen 5 die naast een modelnaam van Qwen 4 wordt afgedrukt, is een overnamefout met een lange halfwaardetijd.

Wat de aankondiging je wél vertelt, is dat Alibaba van plan is te blijven meedingen in de flagship-tier, en dat is een reden om binnen de familie te blijven in plaats van die te verlaten. Je kunt er niets uit halen waarop je een migratie kunt plannen, want 'binnenkort' is geen datum en een presentatieslide is geen tariefkaart.

Wat de specialistenpremie oplevert, en wat niet

De zaak voor GPT-Rosalind berust op domeinevaluaties die OpenAI samen met het model heeft gepubliceerd: toonaangevende BixBench-prestaties, zes van de elf overwinningen op LABBench2 tegen GPT-5.4, en winst per token van 53,7% op GeneBench, 18,0% op MedChemBench en 19,6% op LabWorkBench. Al deze cijfers zijn door de leverancier gerapporteerd. Geen ervan is onafhankelijk gereproduceerd, en het model staat niet op de algemene intelligentieboards — wat normaal is voor een afgeschermd domeinmodel en ook betekent dat de cijfers niet van buitenaf kunnen worden gecontroleerd.

Wat controleerbaar is, is de tooling. De Life Sciences Research Plugin verbindt het model met meer dan 50 wetenschappelijke tools en databronnen als samenstelbare skills binnen Codex, en de paper van 21 oktober is een demonstratie van die stack en niet van ruwe redeneerkracht: duizenden agents die elk literatuur ophalen en een gestructureerd rapport schrijven, is een resultaat van toolintegratie. Qwen3.8-Max heeft geen gelijkwaardige biologie-stack. Het heeft sterke algemene tool calling en gestructureerde outputs, en elke verbinding met een wetenschappelijke database zou je zelf moeten bouwen.

Dat is de echte vorm van de premie. Je betaalt niet 2.5× voor een slimmer model; je betaalt het voor domeingetunede redeneringen op basis van moleculair bewijs plus een vooraf ingebouwde toollaag, en de run van 21 oktober is het eerste openbare bewijs dat de combinatie iets oplevert wat een bioloog zal lezen. Het ongemakkelijke tegenargument staat in hetzelfde artikel: omdat het controle-experiment het model vasthield en alleen de decompositie veranderde, zou het resultaat grotendeels overeind blijven op een goedkoper model. De studie isoleert niet hoeveel van de output GPT-Rosalind is en hoeveel de architectuur — en de auteurs beweren dat ook niet. Als je een gedistribueerde sweep budgetteert, is die ambiguïteit ongeveer $770 per drieduizend agents waard, wat het verschil is tussen de twee rekeningen hierboven.

De poort maakt deel uit van de specificatie.

GPT-Rosalind is niet algemeen verkrijgbaar. Op de prijspagina van OpenAI staat dat toegang beperkt is tot goedgekeurd intern onderzoek via het trusted-accessprogramma, en sinds 11 september staat dat programma wereldwijd open voor organisaties die in aanmerking komen, in plaats van voor een vaste lijst van partners. De geschiktheid wordt beoordeeld op basis van het beoogde gebruik, de governance en gecontroleerde toegang — een redelijk beleid voor een model dat redeneert over pathogenen- en proteïnedata, en een harde beperking voor het fleetpatroon dat het bedrijf zojuist heeft gedemonstreerd.

Een run van 32 minuten over duizenden agents veronderstelt dat je op aanvraag kunt opschalen naar duizenden gelijktijdige verzoeken. Bij een sleutel met toegangsbeperking is de beperkende factor niet het aantal tokens per minuut, maar de beoordeling, de accountstructuur en de gelijktijdigheidslimiet die het programma toekent. Elk team dat een gedistribueerde sweep plant, moet dat in de kosten meewegen voordat het tarieven vergelijkt, want een goedkoper model dat je vrij kunt aanroepen is beter dan een beter model dat je alleen volgens iemand anders' planning kunt aanroepen.

Dit is waar een routeringslaag zijn bestaansrecht verdient, en waar niet. GPT-Rosalind staat niet op OrcaRouter — de toegang verloopt via OpenAI's trusted-access-aanvraag, en geen enkele router verandert dat. Wat een router wél verandert, is alles rond de aanroep van de specialist. Een run zoals die van 21 oktober is grotendeels geen biologie: het is orkestratie, het parsen van rapporten, deduplicatie over duizenden outputs, en de code die een atlas omzet in iets waarop je queries kunt uitvoeren. Die stappen hebben geen domeinmodel van $25 per miljoen outputs nodig, en door ze daar toch onder te brengen, wordt een experiment van 32 minuten een duur experiment. Qwen3.8-Max staat op OrcaRouter tegen Alibaba's lijstprijs van $2,00/$6,00 met 0% markup, achter hetzelfde OpenAI-compatibele endpoint als meer dan 200 andere modellen, zodat het bulkgedeelte en het specialistenstuk op één key zitten met automatische failover tussen providers en het routeringsbeleid geschreven als configuratie in plaats van als een modelnaam die in de applicatie is ingebakken.

Wanneer Qwen 4 Max op de markt komt, is dat ook de goedkoopste manier om erachter te komen of het ertoe doet: een routeringsregel die een deel van het verkeer naar de nieuwe tier stuurt, met failover terug naar het model dat je al vertrouwt, is een proef die productie niet onderuit kan halen. Tot dan heeft de catalogus er simpelweg geen vermelding voor, en zo hoort een aangekondigd maar nog niet uitgebracht model eruit te zien.

Wat zou deze vergelijking doen omslaan

Vier gepubliceerde cijfers zouden Q​wen 4 Max van een naam in een tegenstander veranderen, en ze zijn het waard om te noemen zodat het echte ding herkenbaar is wanneer het verschijnt.

• De tariefkaart. Een Q​wen-flagshipmodel dat onder $2,00/$6,00 duikt, verandert de rekensom in dit artikel met een factor in plaats van een percentage. Een model dat eraan gelijk is, verandert niets, want het koopbare Q​wen-model staat daar al.

• Lang-contextgedrag, als beleid geformuleerd. Of het venster van 1M een toeslagtarief kent, en bij welke drempel. Een getrapt tarief boven een bepaalde invoergrootte zou voor een atlas-run meer uitmaken dan het kopcijfer, omdat elke agent in dat patroon de drempel overschrijdt.

• Een agentisch en toolgebruik-resultaat op een leaderboard dat niemand bij A​ibaba runt. Het gat dat dit artikel beschrijft is niet algemeen redeneren — daarin is Qwen3.8-Max bekwaam — het is wetenschappelijk toolgebruik. Een gepubliceerd, onafhankelijk afgenomen resultaat op die as zou de eerste echte test van de specialistenpremie zijn.

• Of de Max-tier gewichten meelevert. Qwen3.8-Max deed dat niet, maar de 27B-tier van dezelfde generatie wel, en een Qwen 4 Max met downloadbare gewichten zou precies het enige zijn dat GPT-Rosalind structureel niet kan bieden aan een gereguleerd lab dat moet kunnen auditen wat er met bedrijfseigen sequencedata gebeurt.

De beslissing die deze pagina feitelijk ondersteunt, wacht op geen van hen. Zet de specialist in waar fouten duur zijn — prioritering van targets, mechanismevoorstellen, het rapport dat een bioloog zal lezen — en zet de vloot op het model dat $0,14 per agent kost en antwoordt zonder aanvraagformulier. Het resultaat van 21 oktober is een goed argument om gedistribueerde biologie op atlas-schaal te bedrijven. Het is een zwakker argument om het allemaal op het duurste model in de kamer te draaien, en het eigen controle-experiment van het artikel is de reden om dat te zeggen.