
Nemotron for Science vs GPT-Rosalind: otwarte wagi kontra brama zaufanego dostępu
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 90 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 97 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNOWOŚĆOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 89 tok/s
- OrcaNOWOŚĆOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 133 tok/s
- OrcaNOWOŚĆOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 za 1 mln tokenów · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 45 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 za 1 mln tokenów · 126 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955Inteligencja
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855Inteligencja
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 za 1 mln tokenów · 179 tok/s
Zapytaj, ile kosztuje każde z tych dwóch, a otrzymasz odpowiedź, która prawie nic nie mówi o drugim. NVIDIA Nemotron for Science, ogłoszony na SC26 16 listopada 2026 r., to pakiet do pobrania: otwarty checkpoint Nemotron 3.5 Super VL na licencji OpenMDW-1.1, zawierający około 50 000 pytań zestaw danych chemicznych o nazwie LitmusBench v0.2 oraz receptury dostrajania po treningu. Jego koszt krańcowy to dowolny GPU, który już posiadasz. GPT-Rosalind to rozliczane API dostępne po złożeniu wniosku: specjalistyczne narzędzie firmy ds. nauk przyrodniczych, wprowadzone 16 kwietnia 2026 r., udostępnione na całym świecie kwalifikującym się organizacjom 11 września 2026 r., rozliczane według stawki 5,00 USD za milion tokenów wejściowych i 25,00 USD za milion tokenów wyjściowych od 5 października. Jedno to zestaw narzędzi. Drugie to usługa poprzedzona etapem weryfikacji. Ta różnica w większym stopniu decyduje o tym, którego powinno używać Twoje laboratorium, niż jakikolwiek wynik benchmarku po którejkolwiek stronie.
Obie etykiety mówią „science” i w obu przypadkach to słowo odgrywa bardzo dużą rolę. Żaden z modeli nie jest naukowcem ogólnego przeznaczenia; każdy jest ukierunkowany na konkretny wycinek pracy badawczej, zbudowany przez firmę mającą konkretny interes komercyjny w tym wycinku i oceniany przez tę firmę. To porównanie rozdziela więc trzy pytania, które w relacjach z premiery się zlewają: na co każdy model można faktycznie nakierować, kto może go nakierować i ile kosztuje jeden eksperyment na każdym z nich.
Dwa różne produkty, a nie dwie wersje jednego
GPT-Rosalind to model rozumujący dostrojony do biologii — cząsteczek, białek, genów, szlaków, mechanizmów chorobowych — z udokumentowanym ekosystemem wtyczek ponad 50 narzędzi z dziedziny life sciences oraz udokumentowanymi wynikami w ramach notatek badawczych, obejmującymi uruchomienie rozproszonych agentów, które przesiały ponad 700 referencji do 11. Dostęp do niego odbywa się przez ChatGPT, Codex i API, a droga przez API wymaga przejścia przez program zaufanego dostępu OpenAI. To brama dotycząca samego modelu, a nie funkcji. Możliwości są realne; pytanie brzmi, czy je dostaniesz.
Nemotron for Science nie jest modelem w tym samym sensie. Model w nim zawarty, Nemotron 3.5 Super VL, udostępnił swoje wagi 12 października 2026 r., a NVIDIA ogłosiła go 15 października — pięć tygodni przed SC26. To, co pojawiło się 16 listopada, to otaczająca go infrastruktura: zestaw ewaluacyjny z chemii, przepisy na docelowy trening (post-training) oraz dokumentacja dotycząca podłączenia modelu do naukowego oprogramowania CUDA-X jako wywoływalnych narzędzi. Nikt tego nie bramkuje. Klonujesz go, dobierasz sprzęt, dostrajasz na własnych danych, a jedynym krokiem zatwierdzającym jest twój własny budżet obliczeniowy.
Ta asymetria to całe porównanie, a wszystko poniżej jest jej konsekwencją.
Tablica wyników, wymiar po wymiarze
• Model dostępu — Nemotron for Science: otwarte wagi na Hugging Face na licencji OpenMDW-1.1, użycie komercyjne i niekomercyjne, bez składania wniosku. GPT-Rosalind: weryfikacja w ramach dostępu zaufanego przed pierwszym wywołaniem API; dostęp do czatu przez osobny program akademicki, który wyraźnie wyklucza wywołania API.
• Cena katalogowa — Nemotron for Science: brak cennika producenta; koszt własnego hostowania to Twój sprzęt. Zewnętrzni dostawcy inferencji podają Super VL w cenie 0,20 USD za milion tokenów wejściowych i 0,50 USD za milion tokenów wyjściowych, ze zniżką 75% na cache i łączną stawką 0,13 USD. GPT-Rosalind: 5,00 USD wejście / 25,00 USD wyjście za milion, 0,50 USD za wejście z cache.
• Parametry — Nemotron 3.5 Super VL: 120 mld łącznie, 12 mld aktywnych na token, hybrydowy MoE Mamba-2 i Transformer z 512 ekspertami routowanymi na warstwę MoE. GPT-Rosalind: nieujawnione.
• Kontekst i modalność — Oba po 1 mln tokenów. Super VL przyjmuje tekst, obrazy i wideo MP4 o długości do dwóch minut, a zwraca tekst. GPT-Rosalind przyjmuje tekst i pliki naukowe przez ChatGPT, Codex oraz API; nie opublikowano żadnych ogólnych deklaracji dotyczących wprowadzania obrazów.
• Dowody dziedzinowe — Nemotron for Science: siedmiu wymienionych partnerów i instytucji, w tym 76% odzysku reakcji na RxnScribe w Terray, 81% uszkodzonych konfiguracji GROMACS naprawionych przez agenta KTH podczas jednego nocnego przebiegu DGX Spark oraz 61% wobec 54% dokładności syntezy kropek kwantowych w porównaniu z GPT-6 Astra w Lila Sciences. GPT-Rosalind: prowadzi w BixBench, MedChemBench 27,5%, GeneBench 21,6%, LabWorkBench 63,2% oraz wzrost wydajności w przeliczeniu na token o 4,42% w LifeSciBench. Wszystkie dane raportowane przez dostawców po obu stronach.
• Niezależny wynik — Nemotron 3.5 Super VL: Artificial Analysis Intelligence Index 14, 291 tokenów na sekundę, 11,85 s do pierwszego tokena odpowiedzi. GPT-Rosalind: nie jest uwzględniony w tym indeksie.

Chemia i biologia nie są tym samym punktem odniesienia
To niedopasowanie, które zostaje ukryte, gdy czyta się specyfikacje punkt po punkcie. Opublikowane dowody GPT-Rosalind są w przeważającej mierze biologiczne: zakresy ekspresji białek, rozumowanie na poziomie genów, chemia medyczna, praca z protokołami laboratoryjnymi. Opublikowane dowody Nemotron for Science są w przeważającej mierze chemiczne i obliczeniowe: ekstrakcja schematów reakcji, przewidywanie rozpuszczalności, przemiany metaboliczne, synteza kropek kwantowych, naprawa dynamiki molekularnej. Oba są „nauką”, a grupa chemii obliczeniowej i grupa onkologii translacyjnej nie działają na tym samym rynku.
Tam, gdzie naprawdę się pokrywają, jest warstwa agentowa, i tutaj dowody NVIDIA są wyjątkowo konkretne. Model, który czyta uszkodzony plik wejściowy GROMACS, ustala, dlaczego topologia i plik współrzędnych się nie zgadzają, i tworzy poprawkę, którą silnik następnie akceptuje, wykonuje wieloetapowe użycie narzędzi z weryfikowalną nagrodą — a KTH podaje 81% skuteczności na skonstruowanych przez siebie przypadkach testowych. Porównywalnym dowodem Rosalind jest 32-minutowy przebieg hipotezy dotyczącej transportu cholesterolu z października, w którym tysiące współpracujących agentów przejrzały ponad 700 referencji, redukując je do 11, a zaślepieni recenzenci preferowali wynik w około trzech czwartych porównań. Oba są własnymi wynikami. Oba opisują pętlę, która planuje, wykonuje i sprawdza. Żaden nie publikuje współczynnika ukończenia w warunkach obciążenia produkcyjnego, a to właśnie ta liczba pozwoliłaby je faktycznie porównać.
Czytaj obie bazy dowodów jako uzupełniające się, a nie konkurujące. Jeśli Twoja praca to biologia mokra laboratoryjnie, zestaw danych chemicznych NVIDIA jest dla Ciebie niemal nieistotny, a wiersze MedChemBench i LabWorkBench firmy Rosalind to te, które należy przeczytać. Jeśli Twoja praca dotyczy chemii obliczeniowej lub symulacji molekularnych, wyniki dla GROMACS i kropek kwantowych opisują Twój rzeczywisty tydzień, a dostrajanie biologii przez Rosalind jest tym, za co płaciłbyś premium i z czego nie korzystasz.
Ile kosztuje eksperyment – wyliczone
Cena za token to niewłaściwa jednostka w obu tych przypadkach, więc oto arytmetyka, która ma znaczenie. Weźmy przebieg dostrajania po treningu na Nemotron for Science: model 120B w BF16 wymaga 4× H100 lub 2× GB200 albo jednego DGX Spark w wersji NVFP4. Jednorazowy przebieg przez noc na jednym DGX Spark — konfiguracja KTH — to stały, znany koszt w odniesieniu do sprzętu, który albo posiadasz, albo wynajmujesz na godziny. Zbiór danych jest darmowy, a receptury są opublikowane. Możesz uruchomić pętlę sto razy, a koszt krańcowy dziewięćdziesiątego dziewiątego przebiegu jest taki sam jak pierwszego.
Teraz ta sama iteracja na specjalistycznym modelu rozliczanym za zużycie. Przy $5.00 za wejście i $25.00 za wyjście na milion tokenów pojedyncze przejście długiego kontekstu przez duży korpus naukowy nie jest błędem zaokrąglenia, a koszt nieudanej próby jest naliczany według tej samej stawki co udanej. Dlatego wejście z pamięci podręcznej w cenie $0.50 ma tak duże znaczenie po stronie Rosalind: jeśli Twoje prompty mają wspólny duży prefiks, zniżka wynosi 90% i ekonomika zmienia się całkowicie. Jeśli nie mają, to nie.
Uczciwy wniosek z tej arytmetyki nie brzmi: „otwarte jest tańsze”. Brzmi on: te dwa kształty wyceny nagradzają różną pracę. Iteracyjne dostrajanie sprzyja otwartym wagom, ponieważ płacisz za moc obliczeniową i nic więcej. Ocena w krótkich seriach stu hipotez względem modelu czołowego nagradza API rozliczane za użycie, ponieważ płacisz za to, czego używasz, i nic więcej. Większość grup badawczych robi jedno i drugie, i to jest niezręczna część.

Gdzie warstwa routingu pasuje, a gdzie nie
Żaden z tych checkpointów nie znajduje się w naszym katalogu. Nie udostępniamy Nemotron 3.5 Super VL ani GPT-Rosalind, a artykuł, który twierdziłby inaczej, byłby dziwny — praktyczna odpowiedź w przypadku pierwszego jest taka, że się go pobiera, a w przypadku drugiego, że składa się wniosek do OpenAI.
To, co leży po naszej stronie granicy, to ta część agenta naukowego, która nie jest modelem naukowym. Agent KTH GROMACS, potok ekstrakcji Terray i generator protokołów Lila to wszystko agenty opakowujące model dziedzinowy: planują, wywołują narzędzia, czytają wyniki i decydują, co zrobić dalej, a warstwa planowania to zwykle model ogólny, a nie specjalistyczny. To właśnie w tej warstwie pojedynczy klucz obejmujący ponad 200 modeli w cenniku dostawcy z 0% marży zwraca się z nawiązką i tam automatyczne przełączanie awaryjne ma znaczenie — przebieg agentowy, który trwa sześć godzin, to przebieg, którego nie chcesz stracić w piątej godzinie, bo jeden z dostawców upstream miał zły dzień. DSL routingu komponuje te wywołania; specjalista pozostaje tam, gdzie jego miejsce.
Który wybrać?
Jeśli jesteście grupą zajmującą się chemią obliczeniową lub symulacjami molekularnymi i dysponujecie mocą obliczeniową GPU, Nemotron for Science jest niemal oczywistym wyborem: liberalna licencja, zestaw 50 000 pytań chemicznych, na którym można zarówno przeprowadzać ewaluację, jak i trenować, oraz udokumentowana pętla narzędziowa, którą zademonstrowano w dokładnie tym trybie awarii, z którym mierzycie się co tydzień. Brak cennika dostawcy nie jest problemem, skoro i tak zamierzaliście hostować rozwiązanie samodzielnie.
Jeśli zajmujesz się biologią translacyjną i potrzebujesz modelu, który rozumuje o białkach i mechanizmach chorób, Rosalind jest jedynym z tych dwóch ukierunkowanym na Twoją pracę, a weryfikacja dostępu zaufanego jest ceną wstępu. Uwzględnij w harmonogramie projektu czas potrzebny na tę weryfikację i pamiętaj, że bezpłatne miejsca w programie akademickim nie obejmują dostępu API — grupa uniwersytecka, która chce mieć pipeline, potrzebuje własnych ustaleń komercyjnych.
A jeśli budujesz agenta, a nie model, ten wybór ma mniejsze znaczenie, niż się wydaje. Oba można wywoływać z pętli; oba mają tryby awarii; żaden nie publikuje współczynnika ukończenia, który rozstrzygnąłby tę kwestię. Rozsądnym krokiem jest zbudowanie pętli tak, aby model, na którym się opiera, był wartością konfiguracyjną, a następnie dokonanie pomiaru. To jedyne porównanie, jakie pozostawił ci którykolwiek z dostawców.

