GPT-Rosalind kontra Qwen 4 Max: 3000 agentów, jeden rachunek i model, który nie został jeszcze wydany

Trzydzieści dwie minuty i ponad 700 odwołań. 21 października 2026 r. OpenAI opublikowało współpracę z PerturbAI i Scripps Research, w której tysiące agentów działających na GPT-Rosalind przetworzyły całomózgowy atlas CRISPR milionów komórek myszy, przy czym każdy agent brał jedno zaburzenie genu, przeszukiwał literaturę na jego temat i pisał raport — zadanie, które autorzy szacują na od miesięcy do roku, gdy wykonuje się je perturbacja po perturbacji. Sam model nie jest nowy: OpenAI wprowadziło GPT-Rosalind 16 kwietnia 2026 r., rozszerzyło je poza listę nazwanych partnerów 11 września, a 5 października rozpoczęło naliczanie opłat w wysokości 5,00 USD za milion tokenów wejściowych i 25,00 USD za milion tokenów wyjściowych. Nowością jest pierwsze publiczne spojrzenie na model działający jako flota, a nie jako pojedyncze wywołanie, i to zmienia to, czego porównanie z Qwen 4 Max ma dotyczyć. Qwen 4 Max ogłoszono na konferencji Apsara firmy Alibaba 22 września 2026 r. i nadal nie ma ceny, okna kontekstu ani karty modelu. Uczciwa wersja tego starcia ma więc trzy strony: specjalistę, którego rzeczywisty koszt jednostkowy przypada na agenta, przeciwnika, który nie został wydany, oraz model Qwen, który można dziś faktycznie wynająć — Qwen3.8-Max, po 2,00/6,00 USD za milion tokenów. Ogłoszenia, które nigdy nie stają się wywoływalnym punktem końcowym, są odnotowywane wraz z datami i źródłami w AI Incident Archive, obok pozostałych incydentów dotyczących modeli i dostawców, które śledzimy.

Co tak naprawdę pokazało uruchomienie z 21 października

Zbiór danych to atlas Perturb-seq: geny wyłączane po jednym guide RNA naraz w całym mózgu myszy, a transkryptom każdej komórki jest następnie odczytywany. Wynikiem jest macierz tysięcy perturbacji w zestawieniu z milionami komórek — znacznie więcej, niż jakiekolwiek laboratorium jest w stanie dokładnie przeanalizować — i to jest wąskie gardło, które artykuł stara się pokonać.

Metoda, którą autorzy nazywają rozproszonym rozumowaniem biologicznym, nie polega na jednym dużym wywołaniu modelu na dużej tabeli. Każdy agent otrzymuje pojedyncze zakłócenie genu, analizuje odpowiedź komórkową, wyszukuje powiązaną literaturę i tworzy ustrukturyzowany raport proponujący mechanizm. Raporty te są następnie składane w coś, co artykuł nazywa atlasem rozumowania: graf łączący geny, efekty zależne od typu komórek, publikacje i kandydujące mechanizmy. Czas wykonania podawany przez OpenAI dla całego przebiegu wynosi 32 minuty.

Najważniejsze dla każdego, kto wybiera model, nie jest odkrycie biologiczne. Jest nim test kontrolny, który zespół przeprowadził na własnej metodzie, ponieważ wiąże się z nim konkretna liczba. Utrzymali model i moc obliczeniową na niezmienionym poziomie, a całemu zbiorowi danych przydzielili jednego agenta zamiast dzielić go między tysiące. W miarę wzrostu obciążenia pokrycie literatury przez pojedynczego agenta załamało się: przy największym obciążeniu zacytował 11 referencji wobec ponad 700 w przypadku agentów rozproszonych. Zaślepieni eksperci-ludzie preferowali raporty rozproszone w 75% przypadków.

Przeczytaj je razem, a wynik dotyczy dekompozycji, a nie IQ modelu. Pojedyncze okno kontekstowe ulega degradacji, gdy wlewa się do niego atlas; kilka tysięcy wąskich agentów, każdy z narzędziem do wyszukiwania, już nie. Sposób, w jaki autorzy sami to ujmują, to potwierdza — hipotezę transportu cholesterolu DCTN1 przedstawiają jako pytanie do dalszych eksperymentów, a nie odkrycie — a artykuł to preprint opublikowany 16 października 2026 r., którego współautorami są pracownicy O​penAI i PerturbAI, i który nie przeszedł jeszcze recenzji. Traktuj 32 minuty jako rzeczywisty czas działania, a porównanie z człowiekiem jako rząd wielkości.

W przypadku strony porównawczej konsekwencja jest konkretna. Jeśli zwycięstwo wynikało z architektury, to decydującą cechą modelu stojącego u podstaw nie jest jego wynik w benchmarku — lecz to, ile kosztuje wywołanie go trzy tysiące razy w ciągu pół godziny, i czy wolno ci to robić.

Liczba, która rozstrzyga to starcie, to koszt na agenta

Publikowane porównania tych dwóch modeli zwykle zestawiają stawki cennikowe i na tym poprzestają. Stawki cennikowe to niewłaściwa jednostka dla obciążenia, które artykuł z 21 października właśnie ukonkretnił, ponieważ uruchomienie rozproszone mnoży wywołanie modelu przez liczbę zaburzeń. Prześledźmy to przy podanych założeniach: agent, który czyta wspólny wstęp atlasu, pobiera kilka artykułów i pisze raport, może zużyć 60 000 tokenów wejściowych i 4000 tokenów wyjściowych. Według opublikowanych stawek OpenAI taki agent kosztuje 0,40 USD — 0,30 USD za wejście i 0,10 USD za wyjście. Ten sam agent na Qwen3.8-Max przy stawkach 2,00/6,00 USD kosztuje 0,14 USD. Trzy tysiące agentów: około 1200 USD wobec około 432 USD.

Buforuj współdzielony prefiks, a różnica się powiększa, a nie zamyka, ponieważ stawki za wejście z pamięci podręcznej różnią się bardziej niż stawki podstawowe. Umieść 50 000 z tych 60 000 tokenów wejściowych w prefiksie w pamięci podręcznej, a koszt agenta Rosalind spada do około 0,18 USD, podczas gdy koszt agenta Q​wen spada do około 0,06 USD — ponad trzykrotnie taniej, ponieważ wejście z pamięci podręcznej kosztuje 0,50 USD za milion po jednej stronie i 0,25 USD po drugiej. To nasze własne obliczenia, a nie dane dostawcy, i są wrażliwe na to, jak duża część twojego promptu jest rzeczywiście współdzielona; sam kierunek już nie.

Zestaw oba ze sobą w wymiarach, które decydują o przebiegu floty:

• Cena wejściowa — GPT-Rosalind 5,00 USD za 1 mln vs Qwen3.8-Max 2,00 USD. Qwen 4 Max: nieopublikowana.

• Cena tokenów wyjściowych — GPT-Rosalind 25,00 USD za 1 mln tokenów vs Qwen3.8-Max 6,00 USD. Q​wen 4 Max: nie opublikowano.

• Dane wejściowe z pamięci podręcznej — GPT-Rosalind 0,50 USD za 1 mln, a strona cennika OpenAI podaje, że cennik zapisu do pamięci podręcznej nie dotyczy tego modelu; Qwen3.8-Max 0,25 USD. Qwen 4 Max: nieopublikowane.

• Koszt na przegląd 3000 agentów — około 1200 USD w przypadku GPT-Rosalind vs około 432 USD w przypadku Qwen3.8-Max przy powyższych założeniach. Qwen 4 Max: nie można obliczyć.

• Kontekst — 1 mln tokenów po obu stronach. Q​wen 4 Max: nie opublikowano, a w szczególności nie odziedziczono z okna Qwen3.8 tylko z uwagi na kontynuację nazwy poziomu.

• Maksymalna długość wyjścia — GPT-Rosalind nie publikuje limitu na odpowiedź; snapshot Qwen3.8-Max 0902 dokumentuje 131 072 tokeny. • Opóźnienie — Qwen3.8-Max osiąga p50 czasu do pierwszego tokenu na poziomie 6,32 sekundy w OrcaRouter oraz 40,3 tokenu wyjściowego na sekundę w indeksie Artificial Analysis. GPT-Rosalind nie publikuje żadnej wartości opóźnienia, która w przypadku uruchomienia typu fan-out jest liczbą, której potrzebujesz najbardziej.

• Niezależny wynik — GPT-Rosalind nie jest w ogóle uwzględniany w Artificial Analysis Intelligence Index, ponieważ jest modelem domenowym o ograniczonym dostępie; Qwen3.8-Max uzyskuje 45 punktów i zajmuje 33. miejsce spośród 214 modeli, przy 5,41 USD za ukończone zadanie indeksu i 40,3 tokena wyjściowego na sekundę.

• Dostęp — GPT-Rosalind wymaga zatwierdzenia w ramach programu zaufanego dostępu O​penAI; Qwen3.8-Max to zwykłe komercyjne API z otwartą rejestracją.

Dwa z tych wierszy robią więcej niż pozostałe. Niezależny wynik to jedyna liczba w tabeli, której nie dostarczył nikt zaangażowany w którykolwiek z modeli, i mówi ona, że flagowy Q​wen to kompetentny generalista ze środka czołówki, a nie jej lider — 45 wobec 58 dla najlepszego modelu w tym zestawieniu. A wiersz dotyczący dostępu nie jest przypisem: decyduje, czy flota może w ogóle istnieć.

Gdzie tak naprawdę plasuje się Q​wen 4 Max

A​libaba wykorzystała swoją konferencję Apsara 22 września 2026 r., aby ogłosić cztery poziomy — Q​wen 4 Max jako model flagowy, Q​wen 4 Flash pod kątem przepustowości, Q​wen 4 Plus pośrodku oraz Q​wen 4 27B z otwartymi wagami — opisała tę rodzinę jako trenowaną na architekturze nowej generacji i zapowiedziała, że pojawi się wkrótce. Nie podała daty żadnego z nich.

Miesiąc później istnieją trzy niezależne miejsca, w których wydany flagowiec Qwen byłby widoczny, a nie ma go w żadnym z nich. Dokumentacja Model Studio samego Alibaba Cloud wymienia qwen3.8-max jako najwyższy poziom Max, bez żadnego wpisu Qwen 4. Artificial Analysis, które ocenia większość komercyjnych chińskich flagowców w ciągu kilku dni od premiery, nie ma wiersza Qwen 4 Max. Katalog OrcaRouter, który obejmuje ponad 200 modeli, w tym każdy poziom Qwen od 3.5 do 3.8, nie zawiera identyfikatora qwen4. To nie jest dowód na opóźnienie. To dowód, że na dzień 22 października nie ma czego porównywać.

Liczba parametrów, która pojawiła się wraz z ogłoszeniem, zasługuje na sprostowanie, ponieważ wciąż przedostaje się do tabel porównawczych. Krążąca liczba od 5 do 10 bilionów to stwierdzenie wybiegające w przyszłość, dotyczące generacji po Qwen 4 — okresu Qwen 4.5 i Qwen 5. Alibaba nie podała liczby parametrów dla Qwen 4 Max. Rozmiar klasy Qwen 5 wydrukowany obok nazwy modelu Qwen 4 to błąd zapożyczenia o długim okresie półtrwania.

To, co ogłoszenie faktycznie ci mówi, to że Alibaba zamierza nadal rywalizować o flagową półkę, co jest powodem, by pozostać w rodzinie, a nie ją opuszczać. Nie mówi ci natomiast niczego, na czym można by oprzeć plan migracji, bo „wkrótce” to nie data, a slajd z konferencji to nie cennik.

Co daje premia specjalistyczna, a czego nie

Argumentacja GPT-Rosalind opiera się na ocenach dziedzinowych, które O​penAI opublikowało wraz z modelem: wiodące wyniki w BixBench, sześć z jedenastu zwycięstw w LABBench2 przeciwko GPT-5.4 oraz wzrosty na token wynoszące 53,7% w GeneBench, 18,0% w MedChemBench i 19,6% w LabWorkBench. Wszystkie te dane pochodzą od dostawcy. Żadna z nich nie została niezależnie odtworzona, a model nie ma wpisu w rankingach ogólnej inteligencji — co jest normalne dla modelu dziedzinowego o ograniczonym dostępie i oznacza również, że liczb nie da się sprawdzić z zewnątrz.

To, co można zweryfikować, to narzędzia. Life Sciences Research Plugin łączy model z ponad 50 narzędziami naukowymi i źródłami danych jako komponowalnymi umiejętnościami w Codex, a artykuł z 21 października jest demonstracją tego stosu, a nie samego surowego rozumowania: tysiące agentów, z których każdy wyszukuje literaturę i pisze ustrukturyzowany raport, to wynik integracji narzędzi. Qwen3.8-Max nie ma równoważnego stosu narzędzi biologicznych. Ma silne ogólne wywoływanie narzędzi i ustrukturyzowane wyniki, a każde połączenie z naukową bazą danych trzeba by zbudować samemu.

Taki jest rzeczywisty kształt premii. Nie płacisz 2,5× za mądrzejszy model; płacisz za dostrojone do dziedziny rozumowanie nad dowodami molekularnymi plus wstępnie skonfigurowaną warstwę narzędzi, a uruchomienie z 21 października jest pierwszym publicznym dowodem, że to połączenie daje coś, co biolog przeczyta. Niewygodny kontrargument znajduje się w tej samej pracy: ponieważ w eksperymencie kontrolnym model pozostawał stały, a zmieniano wyłącznie dekompozycję, wynik w dużej mierze utrzymałby się na tańszym modelu. Badanie nie izoluje, jaka część wyniku pochodzi od GPT-Rosalind, a jaka od architektury — i autorzy nie twierdzą, że to robi. Jeśli planujesz budżet na rozproszony sweep, ta niejednoznaczność jest warta około 770 USD na trzy tysiące agentów, co stanowi różnicę między dwoma powyższymi rachunkami.

Bramka jest częścią specyfikacji.

GPT-Rosalind nie jest ogólnie dostępny w sprzedaży. Strona cennika OpenAI podaje, że dostęp ogranicza się do zatwierdzonych badań wewnętrznych w ramach programu zaufanego dostępu, a od 11 września program ten jest otwarty globalnie dla kwalifikujących się organizacji, a nie dla stałej listy partnerów. Kwalifikowalność ocenia się na podstawie proponowanego zastosowania, ładu i kontrolowanego dostępu — co jest rozsądną polityką w przypadku modelu, który rozumuje na danych o patogenach i białkach, oraz twardym ograniczeniem dla wzorca floty, który firma właśnie zademonstrowała.

32-minutowy przebieg obejmujący tysiące agentów zakłada, że na żądanie możesz wygenerować skok do tysięcy równoczesnych żądań. W przypadku klucza z ograniczonym dostępem ograniczeniem nie jest liczba tokenów na minutę; jest nim proces weryfikacji, struktura konta i dowolny limit współbieżności, jaki zapewnia program. Każdy zespół planujący rozproszony sweep powinien uwzględnić to w kalkulacji przed porównywaniem stawek, ponieważ tańszy model, który możesz wywoływać swobodnie, bije lepszy, który możesz wywoływać według harmonogramu kogoś innego.

To tutaj warstwa routingu zasługuje na swoje miejsce, a tutaj nie. GPT-Rosalind nie jest dostępny w OrcaRouter — dostęp odbywa się przez aplikację OpenAI do dostępu zaufanego i żaden router tego nie zmienia. To, co router zmienia, to wszystko wokół wywołania modelu specjalistycznego. Uruchomienie takie jak to opublikowane 21 października w większości nie jest biologią: to orkiestracja, parsowanie raportów, deduplikacja tysięcy wyników i kod, który zamienia atlas w coś, co można odpytywać. Te kroki nie wymagają modelu dziedzinowego za 25 USD za milion wyników, a umieszczanie ich tam sprawia, że 32-minutowy eksperyment staje się kosztowny. Qwen3.8-Max jest dostępny w OrcaRouter w cenie katalogowej Alibaby $2.00/$6.00 z marżą 0%, za tym samym punktem końcowym zgodnym z OpenAI co ponad 200 innych modeli, więc etap masowy i etap specjalistyczny korzystają z jednego klucza z automatycznym przełączaniem awaryjnym między dostawcami i polityką routingu zapisaną jako konfiguracja, a nie jako nazwa modelu wpisana na stałe w aplikację.

Gdy Q​wen 4 Max zostanie wydany, będzie to również najtańszy sposób, aby przekonać się, czy ma to znaczenie: reguła routingu, która kieruje część ruchu do nowego poziomu, z awaryjnym przełączeniem z powrotem na model, któremu już ufasz, to próba, która nie może położyć środowiska produkcyjnego. Do tego czasu katalog po prostu nie ma dla niego pozycji, co jest właśnie tym, jak powinien wyglądać model zapowiedziany, ale jeszcze niewydany.

Co odwróciłoby to porównanie?

Cztery opublikowane liczby zamieniłyby Q​wen 4 Max z nazwy w przeciwnika i warto je wymienić, aby prawdziwą rzecz można było rozpoznać, gdy się pojawi.

• Cennik. Flagowy model Q​wen, który oferuje niższe stawki niż 2,00 USD/6,00 USD, zmienia arytmetykę w tym artykule o czynnik, a nie o procent. Model, który tylko je dorównuje, niczego nie zmienia, ponieważ dostępny w sprzedaży model Q​wen już tam jest.

• Zachowanie w kontekście długim, określone jako zasada.Czy okno 1M obejmuje pasmo dopłaty i przy jakim progu. Stopniowana stawka powyżej pewnego rozmiaru danych wejściowych miałaby większe znaczenie dla przebiegu atlasu niż sama liczba z nagłówka, ponieważ każdy agent w tym wzorcu przekracza to pasmo.

• Wynik w zakresie działania agentowego i korzystania z narzędzi na tablicy wyników, której nikt w A​libaba nie prowadzi. Luka opisywana w tym artykule nie dotyczy ogólnego rozumowania — Qwen3.8-Max radzi sobie w nim dobrze — lecz naukowego korzystania z narzędzi. Opublikowany, niezależnie przeprowadzony wynik w tym wymiarze byłby pierwszym prawdziwym sprawdzianem premii za specjalizację.

• Czy wariant Max udostępnia wagi. Qwen3.8-Max nie udostępniał wag, ale wariant 27B tej samej generacji tak, a Qwen 4 Max z wagami możliwymi do pobrania byłby jedyną rzeczą, której GPT-Rosalind strukturalnie nie może zaoferować laboratorium podlegającemu regulacjom, które musi audytować, co dzieje się z zastrzeżonymi danymi sekwencyjnymi.

Decyzja, którą ta strona faktycznie wspiera, nie czeka na żadne z nich. Umieść specjalistę tam, gdzie pomyłka jest kosztowna — priorytetyzacja celów, propozycje mechanizmów, raport, który przeczyta biolog — a flotę postaw na modelu, który kosztuje 0,14 USD na agenta i odpowiada bez formularza zgłoszeniowego. Wynik z 21 października to dobry argument za prowadzeniem rozproszonej biologii na skalę atlasu. Jest słabszym argumentem za prowadzeniem tego wszystkiego na najdroższym modelu w sali, a własny eksperyment kontrolny z artykułu jest powodem, by tak twierdzić.