GPT-Rosalind vs Grok 4.7: Benchmark zdrowotny to nie brama do biologii

Grok 4.7 trafia na rynek z liczbą, która na pierwszy rzut oka wygląda jak odpowiedź na GPT-Rosalind: 56,7% w HealthBench Professional, w porównaniu z 48,5% dla Grok 4.6. To benchmark wiedzy klinicznej, podany przez SpaceXAI w tabeli premierowej modelu udostępnionego 21 września 2026 r.; jest to najbliższy odpowiednik oceny medycznej w materiałach którejkolwiek z firm. GPT-Rosalind, dostępny w powszechnej sprzedaży od 5 października 2026 r. po wprowadzeniu w kwietniu 2026 r., nie publikuje niczego porównywalnego — jego liczby to benchmarki chemiczne i laboratoryjne, a aby uruchomić je samodzielnie, potrzebujesz weryfikacji dostępu zaufanego. Uczciwe pytanie nie brzmi więc, który model osiąga wyższe wyniki w zakresie zdrowia; brzmi ono: co mierzy benchmark zdrowotny w porównaniu z tym, co chroni brama biologiczna, i dlaczego jeden z tych modeli kosztuje jedną trzecią tego, co drugi, za token, mimo że jest dostępny dla każdego. Spory dotyczące benchmarków i zmiany w bramkach dostępu, które następują po takim porównaniu, są odnotowywane wraz z datami i źródłami w Archiwum incydentów AI, obok pozostałych incydentów związanych z modelami i dostawcami, które śledzimy.

Obszar wspólny, który okazuje się wąski

HealthBench Professional zadaje modelowi pytania tego rodzaju, na jakie odpowiedziałby klinicysta. Nagradza przywoływanie wiedzy, kalibrację i zdolność do utrzymania ramy klinicznej. Nie wymaga od modelu projektowania eksperymentu perturbacyjnego, czytania protokołu laboratoryjnego ani rozumowania o zależności struktura–aktywność. Opublikowany zestaw GPT-Rosalind to inny rodzaj testu: MedChemBench obejmuje przewidywanie potencji i ADME oraz retrosyntezę; GeneBench obejmuje genomikę długiego horyzontu; LabWorkBench obejmuje łączenie perturbacji z wynikami w rzeczywistych protokołach. Różne narzędzia, różne cele.

• Co jest mierzone — Grok 4.7: wiedza i osąd kliniczny, 56,7% w HealthBench Professional. GPT-Rosalind: rozumowanie chemiczne i laboratoryjne, 27,5% w MedChemBench i 63,2% w LabWorkBench.

• Kto to przeprowadził — Grok 4.7: SpaceXAI, przeciwko własnemu poprzedniemu modelowi. GPT-Rosalind: OpenAI, przeciwko GPT-5.5.

• Niezależne odtworzenie — Brak w przypadku któregokolwiek z testów porównawczych.

• Czego nie mówi ci żadna z tych liczb — Czy modelowi można zaufać w przypadku wyniku, który trafia do dokumentacji zgłoszeniowej. To pytanie o tryby awarii, a nie o wyniki punktowe.

Zestaw obie tabele obok siebie i nie ma ani jednego wspólnego wiersza. To nie luka w raportowaniu; to kształt rynku. Model ogólny mierzy się szerokością, specjalistyczny głębią, a dostawcy wybierają testy, które pokazują ich własną mocną stronę.

Koperta, czyli to, czym te dwa faktycznie się różnią

Dane techniczne to najmniej efektowna część porównania i ta, która decyduje, czy przepływ pracy jest w ogóle możliwy. Tutaj oba modele różnią się bardziej, niż sugeruje rozmowa benchmarkowa.

• Okno kontekstu — Grok 4.7: 500 000 tokenów, połowa z 1 000 000 w GPT-Rosalind.

• Maksymalna liczba tokenów wyjściowych — Grok 4.7: 450 000 tokenów, a dokumentacja SpaceXAI stwierdza, że nie ma limitu tekstu wyjściowego, co nie zgadza się z wartością 450 tys. na naszej karcie modelu. Sygnalizujemy tę rozbieżność, zamiast opowiadać się po jednej stronie; dostawca jest autorytetem w kwestii własnego modelu. GPT-Rosalind: limit wyjściowy nie został osobno opublikowany.

• Dane wejściowe — Grok 4.7: tekst i obrazy, JPG lub PNG do 20 MiB każdy, brak udokumentowanego limitu liczby obrazów, dowolna kolejność. GPT-Rosalind: naukowe pliki wejściowe przez ChatGPT, Codex i API; nie opublikowano ogólnego twierdzenia o obsłudze obrazów na wejściu.

• Sterowanie rozumowaniem — Grok 4.7: reasoning_effort na poziomie low, medium, high lub xhigh, z opublikowanymi wynikami benchmarków podanymi dla xhigh. GPT-Rosalind: kontrola w stylu reasoning effort w API, z wykorzystaniem narzędzi jako kluczowego elementu modelu.

• Narzędzia — Grok 4.7: wywoływanie funkcji, wyszukiwanie w sieci, wyszukiwanie w X i wykonywanie kodu, wszystko po stronie serwera. GPT-Rosalind: wtyczka narzędziowa do nauk przyrodniczych z ponad pięćdziesięcioma narzędziami w ChatGPT i Codex.

• Data odcięcia wiedzy — Grok 4.7: maj 2026, domyślnie bez świadomości w czasie rzeczywistym. GPT-Rosalind: nie opublikowano.

Luka w kontekście to właśnie to, co daje się we znaki w tej dziedzinie. Okno 1 mln tokenów nie jest luksusem w pracy z genomiką; to dzięki niemu model może utrzymać cały atlas lub pełny zestaw protokołów w jednym przebiegu. 500 tys. w Grok 4.7 jest hojne według ogólnych standardów i stanowi połowę tego, co oferuje model specjalistyczny. Z kolei limit wyjściowy 450 tys. znacznie przewyższa wszystko, czego potrzebuje odpowiedź biologiczna, i dokładnie odpowiada temu, czego wymaga długa trajektoria agenta lub duży refaktoring.

Różnica cen jest największa w tym zestawie.

Grok 4.7 jest najtańszym modelem w każdym z tych porównań, a GPT-Rosalind jest najdroższy, co sprawia, że arytmetyka jest brutalnie prosta.

• Wejście — Grok 4.7 2,00 USD za 1 mln vs GPT-Rosalind 5,00 USD. Model specjalistyczny kosztuje 2,5× więcej.

• Wyjście — Grok 4.7 $6.00 vs GPT-Rosalind $25.00. Różnica 4,2×, i największa różnica pojedynczej liczby w tym artykule.

• Dane wejściowe z pamięci podręcznej — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Identycznie, co jest jedyną pozycją, w której specjalista nie jest droższy.

• Długie prompty — Grok 4.7 podwaja stawki do $4.00 / $12.00, a $1.00 za buforowane obowiązuje, gdy prompt osiągnie 200K tokenów. GPT-Rosalind nie publikuje dopłaty za długi kontekst.

• Rozliczanie regionalne — Grok 4.7 ma punkt końcowy w USA z mnożnikiem 1,1×, co daje 2,20 / 6,60 USD poniżej 200K.

Decyzja tak naprawdę zależy od proporcji tokenów wyjściowych. Proces odkrywczy generuje mnóstwo danych wyjściowych: listy kandydatów, szkice protokołów, kod, długie uzasadnienia. Przy cenie 25 USD za milion wobec 6 USD za milion uruchomienie generujące dziesięć milionów tokenów wyjściowych kosztuje 250 USD w modelu specjalistycznym i 60 USD w modelu ogólnym. Czy te 190 USD cokolwiek ci daje — to jedyne pytanie, które warto zadać, i żaden opublikowany benchmark na nie nie odpowiada.

Co wnosi niezależny ewaluator

Grok 4.7 ma prawdziwy, niezależny dorobek i jest bardziej pouczający niż tabela dostawcy, ponieważ uwzględnia koszty, których nikt nie reklamuje.

• Inteligencja — 46 punktów w Artificial Analysis Intelligence Index, wersja v4.3.2, co daje 21. miejsce spośród 211 modeli w tym zestawieniu i znacznie powyżej mediany indeksu wynoszącej 26. GPT-Rosalind w ogóle nie występuje w zestawieniu; modele specjalistyczne są poza jego zakresem.

• Koszt na przebieg indeksowania — 3,74 USD, przy czym ewaluator odnotował 75% zniżki na pamięć podręczną oraz stawkę wejścia/wyjścia zgodną z własną stawką dostawcy wynoszącą 2,00 USD / 6,00 USD. W komentarzu stwierdzono, że model jest rozsądnie wyceniony na tle konkurentów o podobnej cenie.

• Verbosity — 240 mln tokenów wyjściowych w całym indeksie wobec mediany 88 mln. Artificial Analysis nazywa go „bardzo gadatliwym”, i to jest tu najbardziej przydatna liczba przy planowaniu budżetu: model, który myśli dłuższymi łańcuchami, kosztuje więcej na zadanie przy dowolnej stałej stawce za token.

• Szybkość — 82,6 tokenów wyjściowych na sekundę, 83. miejsce na 211, którą ewaluator mimo to określa jako wolniejszą niż średnia.

To właśnie wskaźnik rozwlekłości powinien zmienić twoje kalkulacje w głowie. Grok 4.7 przy cenie wyjścia 6,00 USD nie jest 4,2× tańszy od GPT-Rosalind przy 25,00 USD za zadanie, jeśli emituje prawie trzy razy więcej tokenów, żeby dojść do tego samego wyniku. W przeliczeniu na zadanie rzeczywista różnica jest mniejsza, niż wynika z cennika, a nikt nie publikuje wskaźnika rozwlekłości dla Rosalind, z którym można by porównać — ponieważ Rosalind nie ma na tablicy.

Dlaczego ta brama istnieje i dlaczego Grok jej nie ma

To asymetria, której tabela benchmarków nie potrafi oddać. Grok 4.7 jest sprzedawany każdemu, kto ma konto rozliczeniowe, z kontekstem 500K, wejściem obrazowym i wykonywaniem kodu po stronie serwera. GPT-Rosalind jest sprzedawany wyłącznie organizacjom, które przejdą przegląd, a przegląd istnieje, ponieważ OpenAI uznało zdolności biologiczne tego modelu za coś, co nie powinno być dostępne na żądanie.

Odczytaj to jako stwierdzenie o możliwościach, a nie o teatrze bezpieczeństwa. Laboratorium, które ogranicza dostęp do modelu, uznało, że model jest wystarczająco dobry w czymś istotnym, by warto było go ograniczać. SpaceXAI nie wydało równoważnego osądu w sprawie Grok 4.7, a jego publikowane mocne strony — kodowanie, pętle narzędziowe agentów, długotrwała praca nad oprogramowaniem — nie są czymś, co zwykle się ogranicza.

Praktyczna konsekwencja: jeśli Twoja praca ma charakter obliczeniowy i jest bliska biologii, a nie osadzona w niej, Grok 4.7 jest już dostępny, tani i dobrze pasuje do kształtu zadania. Jeśli Twoją pracą jest sama biologia, model, którego chcesz, kryje się za formularzem i żadna ilość HealthBench Professional tego nie nadrobi. W tym przypadku brama jest produktem, a nie przeszkodą dla niego.

Trasowanie pary i jedyne miejsce, w którym musimy zachować ostrożność

Grok 4.7 jest dostępny w OrcaRouter po cenie katalogowej SpaceXAI — 2,00 USD za wejście, 6,00 USD za wyjście i 0,50 USD za buforowane wejście za milion tokenów, z 0% narzutu, a próg 200K jest uwzględniony jako poziom cenowy, dzięki czemu żądanie z długim promptem jest rozliczane uczciwie, zamiast Cię zaskakiwać. GPT-Rosalind nie jest dostępny w OrcaRouter ani w żadnym routerze zewnętrznym; działa bezpośrednio przez program zaufanego dostępu O​penAI. Nie będziemy sugerować inaczej i nie ma żadnej trasy, którą można by skonfigurować, aby to zmieniła.

To, co pozostaje, to wzorzec, do którego nieustannie dochodzi cały ten zestaw porównań. Obliczeniowa połowa platformy badawczej działa na Grok 4.7 i ponad 200 pozostałych modelach za jednym kluczem, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu problem z dostępną mocą przenosi żądanie, zamiast powodować niepowodzenie uruchomienia. Połowa biologiczna pozostaje na bezpośrednim kluczu. DSL routingu to miejsce, w którym ujawniasz granicę wprost: nazwana trasa dla specjalisty, która głośno zawodzi, gdy jest niedostępna, trasa domyślna dla wszystkiego innego i żadnego cichego awansowania odpowiedzi modelu ogólnego do slotu specjalisty.

Warto znać fuzję modeli ze względu na przypadki graniczne. Panel, który zadaje to samo pytanie zarówno taniemu modelowi ogólnemu, jak i specjaliście, a następnie porównuje odpowiedzi, to sposób na wychwycenie zapytania, które zostało błędnie sklasyfikowane — tego, które wyglądało na zwykłą robotę techniczną, a okazało się wymagać osądu dziedzinowego. To także uczciwy sposób korzystania z modelu, któremu jeszcze w pełni nie ufasz.

Co zmieniłoby odpowiedź

Trzy posunięcia, żadne z nich nie jest egzotyczne. SpaceXAI mogłoby opublikować ewaluację dziedzinową o szczegółowości zestawu testów chemicznych Rosalind — HealthBench Professional to początek, ale daleko mu do tego. O​penAI mogłoby rozszerzyć październikowy plan akademicki o dostęp do API, co zapewniłoby bezpłatne moce specjalistyczne dokładnie tym laboratoriom, których obecnie nie stać na nie. Albo niezależne środowisko testowe mogłoby przeprowadzić oba modele przez ten sam zestaw zadań naukowych, co rozstrzygnęłoby kwestię, której dwa zestawienia dostawców starannie unikały.

Dopóki któreś z nich się nie pojawi, podział nie jest wyrównany. Jeśli zapytanie dotyczy kodu, danych lub prozy, Grok 4.7 ma jedną trzecią ceny wyjściowej, większą powierzchnię narzędzi i niezależny wynik, a wybór specjalisty byłby kosztownym sposobem na poczucie się ostrożnym. Jeśli zapytanie dotyczy nauki, zapłać 4,2× i pogódź się z weryfikacją, ponieważ jedynym modelem w tym porównaniu dostrojonym do tego jest ten, który zmusił cię do wypełnienia formularza.