GPT-Rosalind vs Grok 4.7: Um Benchmark de Saúde Não É uma Porta de Entrada para a Biologia

O Grok 4.7 chega com um número que, à primeira vista, parece a resposta ao GPT-Rosalind: 56,7% no HealthBench Professional, acima dos 48,5% do Grok 4.6. Trata-se de um benchmark de conhecimento clínico, informado pela SpaceXAI na tabela de lançamento de um modelo lançado em 21 de setembro de 2026, e é a coisa mais próxima de uma avaliação médica no material de qualquer uma das duas empresas. O GPT-Rosalind, à venda geral desde 5 de outubro de 2026 após uma apresentação em abril de 2026, não publica nada comparável — seus números são benchmarks de química e de laboratório úmido, e você precisa de uma revisão de acesso confiável para executá-los por conta própria. Portanto, a pergunta honesta não é qual modelo tem a pontuação mais alta em saúde; é o que um benchmark de saúde mede versus o que uma barreira de acesso em biologia protege, e por que um desses modelos custa um terço do valor do outro por token, ao mesmo tempo que está disponível para qualquer pessoa. Disputas sobre benchmarks e mudanças nas barreiras de acesso que se seguem a uma comparação como esta são registradas com suas datas e fontes em o AI Incident Archive, ao lado do restante dos incidentes de modelos e fornecedores que acompanhamos.

A sobreposição que acaba sendo estreita

O HealthBench Professional faz a um modelo perguntas do tipo que um clínico responderia. Ele recompensa recall, calibração e a capacidade de manter um enquadramento clínico. Não exige que o modelo projete um experimento de perturbação, leia um protocolo de bancada ou raciocine sobre uma relação estrutura-atividade. A suíte publicada do GPT-Rosalind é o outro tipo de teste: o MedChemBench abrange predição de potência e ADME e retrossíntese; o GeneBench abrange genômica de longo horizonte; o LabWorkBench abrange a ligação entre perturbações e desfechos em protocolos reais. Instrumentos diferentes, alvos diferentes.

• O que está sendo medido — Grok 4.7: conhecimento e julgamento clínicos, 56,7% no HealthBench Professional. GPT-Rosalind: raciocínio em química e em laboratório úmido, 27,5% no MedChemBench e 63,2% no LabWorkBench.

• Quem o executou — Grok 4.7: SpaceXAI, contra seu próprio modelo anterior. GPT-Rosalind: OpenAI, contra o GPT-5.5.

• Reprodução independente — Nenhuma para nenhum dos benchmarks.

• O que nenhum dos dois números lhe diz — Se dá para confiar no modelo com um resultado que vai para um documento oficial. Essa é uma questão sobre modos de falha, não sobre pontuações.

Coloque as duas tabelas lado a lado e não há nenhuma linha que elas compartilhem. Isso não é uma lacuna no relatório; é o formato do mercado. Um modelo geral é medido pela abrangência, um especialista pela profundidade, e os fornecedores escolhem os testes que demonstram seu próprio ponto forte.

O envelope, que é onde esses dois realmente diferem

As especificações são a parte menos glamourosa de uma comparação e a parte que decide se um fluxo de trabalho é sequer possível. Aqui, os dois modelos divergem mais do que a conversa sobre benchmarks sugere.

• Janela de contexto — Grok 4.7: 500.000 tokens, metade dos 1.000.000 do GPT-Rosalind.

• Saída máxima — Grok 4.7: 450.000 tokens, e a própria documentação da SpaceXAI afirma que não há limite de saída de texto, o que não concorda com o número de 450K na ficha do nosso modelo. Sinalizamos a divergência em vez de tomar partido; o fornecedor é a autoridade sobre seu próprio modelo. GPT-Rosalind: não divulgado separadamente como limite máximo de saída.

• Entrada — Grok 4.7: texto e imagens, JPG ou PNG de até 20 MiB cada, sem limite documentado para o número de imagens, em qualquer ordem. GPT-Rosalind: entradas de arquivos científicos por meio do ChatGPT, Codex e da API; nenhuma alegação geral de entrada de imagens publicada.

• Controle de raciocínio — Grok 4.7: reasoning_effort em low, medium, high ou xhigh, com os números de benchmark publicados citados em xhigh. GPT-Rosalind: um controle no estilo de esforço de raciocínio na API, com o uso de ferramentas no núcleo do modelo.

• Ferramentas — Grok 4.7: chamada de funções, pesquisa na web, pesquisa no X e execução de código, tudo no lado do servidor. GPT-Rosalind: um plugin de ferramentas de ciências da vida com mais de cinquenta ferramentas dentro do ChatGPT e do Codex.

• Data de corte de conhecimento — Grok 4.7: maio de 2026, sem percepção em tempo real por padrão. GPT-Rosalind: não publicado.

O hiato de contexto é o que dói neste domínio. Uma janela de 1M de tokens não é um luxo para trabalho em genômica; é o que permite a um modelo manter um atlas inteiro ou um conjunto completo de protocolos em uma única passada. Os 500K do Grok 4.7 são generosos pelos padrões gerais e metade do que o especialista oferece. Enquanto isso, o teto de saída de 450K está muito além de qualquer coisa de que uma resposta de biologia precise e é exatamente o que uma longa trajetória de agente ou uma grande refatoração deseja.

A diferença de preços é a maior deste conjunto.

Grok 4.7 é o modelo mais barato em qualquer uma destas comparações, e GPT-Rosalind é o mais caro, o que torna a aritmética direta.

• Entrada — Grok 4.7 $2,00 por 1M vs GPT-Rosalind $5,00. O especialista custa 2,5× mais.

• Saída — Grok 4.7 $6,00 vs GPT-Rosalind $25,00. Uma diferença de 4,2×, e a maior diferença de um único número neste artigo.

• Entrada em cache — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Idêntico, que é a única linha em que o especialista não é mais caro.

• Prompts longos — O Grok 4.7 dobra para $4.00 / $12.00, com $1.00 em cache quando um prompt atinge 200K tokens. O GPT-Rosalind não publica sobretaxa de contexto longo.

• Faturamento regional — O Grok 4.7 tem um endpoint nos EUA com multiplicador de 1,1×, o que resulta em $2,20 / $6,60 abaixo de 200K.

O ponto onde a decisão realmente se define é a proporção de saída. Um fluxo de trabalho de descoberta gera muita saída: listas de candidatos, rascunhos de protocolo, código, justificativas longas. A US$ 25 contra US$ 6 por milhão, uma execução que emite dez milhões de tokens de saída custa US$ 250 no modelo especialista e US$ 60 no modelo geral. Se esses US$ 190 compram alguma coisa é a única pergunta que vale a pena fazer, e nenhum benchmark publicado a responde.

O que o avaliador independente acrescenta

O Grok 4.7 tem um histórico independente real, e é mais informativo do que a tabela do fornecedor porque inclui os custos que ninguém divulga.

• Inteligência — 46 no Índice de Inteligência da Artificial Analysis, v4.3.2, o que o coloca em 21.º entre 211 modelos nesse quadro e bem acima da mediana do índice, que é 26. O GPT-Rosalind não aparece no quadro; modelos especializados estão fora do âmbito.

• Custo por execução de índice — $3.74, com o avaliador registrando um desconto de cache de 75% e uma taxa de entrada/saída compatível com a do próprio fornecedor, de $2.00 / $6.00. Seu comentário é que o modelo tem preço razoável em comparação com concorrentes de preço semelhante.

• Verbosidade — 240M tokens de saída em todo o índice, contra uma mediana de 88M. A Artificial Analysis chama isso de "muito verboso", e esse é o número mais útil aqui para orçamento: um modelo que pensa em cadeias mais longas custa mais por tarefa a qualquer taxa fixa de tokens.

• Velocidade — 82,6 tokens de saída por segundo, 83.º de 211, que o avaliador, ainda assim, classifica como mais lento que a média.

A métrica de verbosidade é a que deve mudar sua conta mental. O Grok 4.7 com saída a US$ 6,00 não é 4,2× mais barato que o GPT-Rosalind a US$ 25,00 por tarefa se ele emitir quase três vezes mais tokens para chegar lá. Numa base por tarefa, a diferença real é menor do que a tabela de preços indica, e ninguém publica um número de verbosidade do Rosalind para comparar — porque o Rosalind não está no ranking.

Por que o gate existe, e por que o Grok não tem um

Esta é a assimetria que uma tabela de benchmark não consegue expressar. O Grok 4.7 é vendido para qualquer pessoa com uma conta de faturamento, com contexto de 500K, entrada de imagens e execução de código no lado do servidor. O GPT-Rosalind é vendido apenas para organizações que passam por uma revisão, e a revisão existe porque a O​penAI considerou que a capacidade de biologia do modelo é o tipo de coisa que não deveria estar disponível sob demanda.

Leia isso como uma declaração sobre capacidade, não sobre teatro de segurança. Um laboratório que impõe uma restrição de liberação a um modelo decidiu que o modelo é bom o suficiente em algo de impacto para justificar a restrição. A SpaceXAI não fez nenhum julgamento equivalente sobre o Grok 4.7, e seus pontos fortes divulgados — programação, loops de ferramentas agênticas, trabalho de software de longa duração — não são o tipo de coisa que costuma receber esse tipo de restrição.

A consequência prática: se seu trabalho é computacional e adjacente à biologia, e não dentro dela, o Grok 4.7 está disponível agora, é barato e se adapta bem ao formato da tarefa. Se seu trabalho é a própria biologia, o modelo que você quer está atrás de um formulário, e nenhuma quantidade de HealthBench Professional fecha essa lacuna. Nesse caso, o gate é o produto, não um obstáculo a ele.

Roteando o par, e o único ponto em que precisamos ter cuidado

O Grok 4.7 está no OrcaRouter pelo preço de tabela da SpaceXAI — US$ 2,00 de entrada, US$ 6,00 de saída e US$ 0,50 de entrada em cache por milhão de tokens, com 0% de margem, e o limite de 200K é mantido como uma faixa de preço, para que uma solicitação com prompt longo seja cobrada de forma honesta em vez de te surpreender. O GPT-Rosalind não está no OrcaRouter nem em nenhum roteador de terceiros; ele funciona diretamente pelo programa de acesso confiável da OpenAI. Não vamos insinuar o contrário, e não há rota que possa ser configurada para mudar isso.

O que isso deixa é o padrão ao qual todo esse conjunto de comparações continua chegando. A metade computacional de uma plataforma de pesquisa roda no Grok 4.7 e nos outros mais de 200 modelos por trás de uma única chave, com failover automático entre provedores para que um problema de capacidade mova a requisição em vez de fazer a execução falhar. A metade de biologia permanece em uma chave direta. A DSL de roteamento é onde você torna o limite explícito: uma rota nomeada para o especialista que falha de forma explícita quando está indisponível, uma rota padrão para todo o resto, e nenhuma promoção silenciosa de uma resposta de modelo geral para um slot de especialista.

Vale a pena conhecer a fusão de modelos para os casos-limite. Um painel que faz a mesma pergunta tanto a um modelo generalista barato quanto a um especialista, e depois compara, é uma forma de identificar a solicitação que foi classificada incorretamente — aquela que parecia encanamento e acabou exigindo julgamento de domínio. É também a forma honesta de usar um modelo em que você ainda não confia totalmente.

O que mudaria a resposta

Três desenvolvimentos, nenhum deles exótico. A SpaceXAI poderia publicar uma avaliação de domínio com a especificidade da suíte de química da Rosalind — o HealthBench Professional é um começo e não chega perto. A OpenAI poderia estender o plano acadêmico de outubro para incluir acesso à API, o que colocaria capacidade especializada gratuita exatamente nos laboratórios que atualmente não podem pagar por ela. Ou uma estrutura de avaliação independente poderia submeter os dois modelos ao mesmo conjunto de tarefas científicas, o que resolveria uma questão que duas tabelas de fornecedores evitaram cuidadosamente.

Até que um deles chegue, a diferença não é pequena. Se a solicitação for código, dados ou prosa, o Grok 4.7 custa um terço do preço de saída, com uma superfície de ferramentas maior e uma pontuação independente, e escolher o especialista seria uma maneira cara de se sentir cuidadoso. Se a solicitação for científica, pague o fator 4,2× e aceite a revisão, porque o único modelo nesta comparação que foi ajustado para isso é o que fez você preencher um formulário.