GPT-Rosalind vs Qwen 4 Max: 3.000 agentes, uma única fatura e um modelo que ainda não foi lançado

Trinta e dois minutos e mais de 700 referências. Em 21 de outubro de 2026, a OpenAI publicou uma colaboração com a PerturbAI e o Scripps Research na qual milhares de agentes executados no GPT-Rosalind percorreram um atlas CRISPR de cérebro inteiro com milhões de células de camundongo, com cada agente assumindo uma disrupção gênica, pesquisando a literatura a respeito e escrevendo um relatório — um trabalho que os autores estimam levar de meses a um ano quando feito uma perturbação por vez. O modelo em si não é novo: a OpenAI apresentou o GPT-Rosalind em 16 de abril de 2026, ampliou-o para além de uma lista de parceiros nomeados em 11 de setembro e começou a cobrar US$ 5,00 por milhão de tokens de entrada e US$ 25,00 por milhão de saída em 5 de outubro. O que é novo é o primeiro olhar público para o modelo operando como uma frota, e não como uma chamada, e isso muda o que uma comparação com Qwen 4 Max deveria abordar. O Qwen 4 Max foi anunciado na conferência Apsara da Alibaba em 22 de setembro de 2026 e ainda não tem preço, nem janela de contexto, nem model card. Então a versão honesta deste confronto tem três lados: um especialista cujo custo unitário real é por agente, um oponente que ainda não foi lançado e o modelo Qwen que você realmente pode alugar hoje — o Qwen3.8-Max, a US$ 2,00/US$ 6,00 por milhão de tokens. Anúncios que nunca se tornam um endpoint chamável são registrados com suas datas e fontes no AI Incident Archive, ao lado do restante dos incidentes de modelos e fornecedores que acompanhamos.

O que a execução de 21 de outubro realmente mostrou

O conjunto de dados é um atlas de Perturb-seq: genes perturbados um RNA guia por vez em todo o cérebro de camundongo, com o transcriptoma de cada célula lido posteriormente. A saída é uma matriz de milhares de perturbações contra milhões de células, muito mais do que qualquer laboratório consegue examinar minuciosamente — que é o gargalo que o artigo aborda.

O método, que os autores chamam de raciocínio biológico distribuído, não é uma única chamada de um grande modelo sobre uma grande tabela. Cada agente recebe uma única perturbação gênica, examina a resposta celular, recupera a literatura ao redor e produz um relatório estruturado propondo um mecanismo. Esses relatórios são então reunidos no que o artigo chama de atlas de raciocínio: um grafo que liga genes, efeitos por tipo celular, artigos e mecanismos candidatos. O tempo de execução que o O​penAI relata para toda a varredura é de 32 minutos.

A descoberta mais importante para quem está escolhendo um modelo não é a biologia. É o controle que a equipe realizou com seu próprio método, porque esse tem um número associado. Eles mantiveram o modelo e o poder computacional fixos e deram a um único agente o conjunto de dados inteiro, em vez de dividi-lo entre milhares. À medida que a carga de trabalho crescia, a cobertura da literatura pelo agente único entrou em colapso: na maior carga de trabalho, ele citou 11 referências, contra mais de 700 dos agentes distribuídos. Especialistas humanos avaliando às cegas preferiram os relatórios distribuídos em 75% das vezes.

Leia tudo isso em conjunto e o resultado diz respeito à decomposição, não ao QI do modelo. Uma única janela de contexto se degrada quando você despeja um atlas nela; alguns milhares de agentes restritos, cada um com uma ferramenta de recuperação, não. O enquadramento dos próprios autores corrobora isso — eles apresentam a hipótese de transporte de colesterol DCTN1 como uma questão para experimentos de acompanhamento, não como uma descoberta — e o artigo é um preprint publicado em 16 de outubro de 2026, de coautoria de funcionários da OpenAI e da PerturbAI, ainda sem revisão por pares. Trate os 32 minutos como um tempo de execução real e a comparação humana como uma ordem de magnitude.

Para uma página versus, a consequência é específica. Se a vitória veio da arquitetura, então a propriedade decisiva do modelo por trás não é a sua pontuação em benchmark — é quanto custa invocá-lo três mil vezes em meia hora, e se você tem permissão para isso.

O número que decide este confronto é o custo por agente.

As comparações publicadas desses dois modelos costumam alinhar os preços anunciados e parar por aí. Os preços anunciados são a unidade errada para a carga de trabalho que o artigo de 21 de outubro acabou de tornar concreta, porque uma execução distribuída multiplica a chamada ao modelo pelo número de perturbações. Faça as contas com premissas declaradas: um agente que lê um preâmbulo de atlas compartilhado, consulta um punhado de artigos e escreve um relatório pode consumir 60.000 tokens de entrada e 4.000 tokens de saída. Com os preços publicados da OpenAI, esse agente custa US$ 0,40 — US$ 0,30 de entrada e US$ 0,10 de saída. O mesmo agente no Qwen3.8-Max, a US$ 2,00/US$ 6,00, custa US$ 0,14. Três mil agentes: cerca de US$ 1.200 contra cerca de US$ 432.

Cacheie o prefixo compartilhado e a diferença aumenta em vez de diminuir, porque as tarifas de entrada em cache divergem mais do que as tarifas anunciadas. Coloque 50.000 desses 60.000 tokens de entrada em um prefixo em cache e o agente Rosalind cai para cerca de US$ 0,18, enquanto o agente Qwen cai para cerca de US$ 0,06 — um pouco mais de três vezes mais barato, porque a entrada em cache custa US$ 0,50 por milhão de um lado e US$ 0,25 do outro. Essa é a nossa conta, não um número do fornecedor, e ela é sensível a quanto do seu prompt é genuinamente compartilhado; a direção não é.

Coloque os dois frente a frente nas dimensões que decidem uma operação de frota:

• Preço de entrada — GPT-Rosalind US$ 5,00 por 1M vs Qwen3.8-Max US$ 2,00. Qwen 4 Max: não publicado.

• Preço de saída — GPT-Rosalind US$ 25,00 por 1 milhão vs. Qwen3.8-Max US$ 6,00. Qwen 4 Max: não publicado.

• Entrada em cache — GPT-Rosalind US$ 0,50 por 1M, e a página de preços da OpanAI afirma que o preço de gravação em cache não se aplica ao modelo; Qwen3.8-Max US$ 0,25. Qwen 4 Max: não publicado.

• Custo por varredura de 3.000 agentes — cerca de US$ 1.200 no GPT-Rosalind vs cerca de US$ 432 no Qwen3.8-Max com as premissas acima. Qwen 4 Max: não computável.

• Contexto — 1M tokens de ambos os lados. Qwen 4 Max: não divulgado e, especificamente, não herdado da janela do Qwen3.8 em virtude da continuidade do nome do nível.

• Saída máxima — O GPT-Rosalind não publica um limite por resposta; o snapshot Qwen3.8-Max 0902 documenta 131.072 tokens. • Latência — O Qwen3.8-Max registra um tempo até o primeiro token (p50) de 6,32 segundos no OrcaRouter e 40,3 tokens de saída por segundo no índice Artificial Analysis. O GPT-Rosalind não publica nenhum número de latência, que, para uma execução em fan-out, é o dado que você mais gostaria de ter.

• Pontuação independente — O GPT-Rosalind não é acompanhado de forma alguma no Artificial Analysis Intelligence Index, porque é um modelo de domínio com acesso restrito; o Qwen3.8-Max registra 45, ficando em 33º entre 214 modelos, a US$ 5,41 por tarefa de índice concluída e 40,3 tokens de saída por segundo.

• Acesso — O GPT-Rosalind exige aprovação através do programa de acesso confiável da OpenAI; o Qwen3.8-Max é uma API comercial normal com inscrição aberta.

Duas dessas linhas fazem mais trabalho do que as demais. A pontuação independente é o único número da tabela que ninguém envolvido em nenhum dos dois modelos forneceu, e ela mostra que o carro-chefe da Q​wen é um generalista competente de fronteira intermediária, e não um líder de fronteira — 45 contra 58 do melhor modelo naquele ranking. E a linha de acesso não é uma nota de rodapé: ela decide se a frota pode existir.

Onde o Qwen 4 Max realmente está

A​libaba usou sua conferência Apsara em 22 de setembro de 2026 para nomear quatro níveis — Q​wen 4 Max como o carro-chefe, Q​wen 4 Flash para throughput, Q​wen 4 Plus no nível intermediário, e um Q​wen 4 27B de pesos abertos — descreveu a família como sendo treinada em uma arquitetura de nova geração e disse que ela chegaria em breve. Não atribuiu data a nenhum deles.

Um mês depois, há três lugares independentes onde um modelo carro-chefe Qwen lançado estaria visível, e ele está ausente dos três. A documentação do Model Studio da própria Alibaba Cloud lista qwen3.8-max como o nível Max mais alto, sem nenhuma entrada do Qwen 4. O Artificial Analysis, que pontua a maioria dos principais modelos comerciais chineses em poucos dias após o lançamento, não tem linha do Qwen 4 Max. O catálogo do OrcaRouter, que contém mais de 200 modelos, incluindo todos os níveis do Qwen 3.5 ao 3.8, não tem identificador qwen4. Isso não é prova de atraso. É prova de que, em 22 de outubro, não há nada a comparar.

O número de parâmetros que acompanhou o anúncio merece uma correção, porque continua se propagando para tabelas comparativas. O número de 5 trilhões a 10 trilhões em circulação é uma declaração prospectiva sobre as gerações posteriores ao Qwen 4 — o período do Qwen 4.5 e do Qwen 5. A Alibaba não associou nenhuma contagem de parâmetros ao Qwen 4 Max. Um tamanho da classe do Qwen 5 impresso ao lado do nome de um modelo Qwen 4 é um erro de empréstimo com uma longa meia-vida.

O que o anúncio de fato informa é que a Alibaba pretende continuar disputando o nível flagship, o que é um motivo para permanecer dentro da família em vez de sair dela. Ele não informa nada com base no que você possa planejar uma migração, porque “em breve” não é uma data e um slide de conferência não é uma tabela de tarifas.

O que o prêmio de especialista compra, e o que não compra

O caso do GPT-Rosalind baseia-se em avaliações de domínio que a OpenAI publicou com o modelo: desempenho líder no BixBench, seis de onze vitórias no LABBench2 contra o GPT-5.4, e ganhos por token de 53,7% no GeneBench, 18,0% no MedChemBench e 19,6% no LabWorkBench. Todas essas métricas são relatadas pelo fornecedor. Nenhuma foi reproduzida de forma independente, e o modelo não tem entrada nos rankings de inteligência geral — o que é normal para um modelo de domínio com acesso restrito e também significa que os números não podem ser verificados externamente.

O que é verificável é o ferramental. O Life Sciences Research Plugin conecta o modelo a mais de 50 ferramentas e fontes de dados científicas como habilidades combináveis dentro do Codex, e o artigo de 21 de outubro é uma demonstração dessa pilha, e não do raciocínio bruto: milhares de agentes, cada um recuperando literatura e escrevendo um relatório estruturado, é um resultado de integração de ferramentas. O Qwen3.8-Max não tem uma pilha de biologia equivalente. Ele tem forte chamada geral de ferramentas e saídas estruturadas, e toda conexão com banco de dados científico teria de ser construída por você.

Essa é a verdadeira composição do prêmio. Você não está pagando 2,5× por um modelo mais inteligente; está pagando por raciocínio ajustado ao domínio sobre evidências moleculares mais uma camada de ferramentas pré-conectada, e a execução de 21 de outubro é a primeira evidência pública de que a combinação produz algo que um biólogo vai ler. O contraponto desconfortável está no mesmo artigo: como o experimento de controle manteve o modelo fixo e mudou apenas a decomposição, o resultado em grande parte se sustentaria em um modelo mais barato. O estudo não isola quanto da saída é GPT-Rosalind e quanto é a arquitetura — e os autores não afirmam que ele isola. Se você está orçando uma varredura distribuída, essa ambiguidade vale cerca de US$ 770 por três mil agentes, que é a diferença entre as duas contas acima.

O gate faz parte da especificação.

O GPT-Rosalind não está disponível para compra em geral. A página de preços da OpenAI afirma que o acesso é limitado a pesquisa interna aprovada por meio do programa de acesso confiável e que, desde 11 de setembro, esse programa está aberto globalmente a organizações elegíveis, e não a uma lista fixa de parceiros. A elegibilidade é avaliada com base no uso proposto, na governança e no acesso controlado — o que é uma política razoável para um modelo que raciocina sobre dados de patógenos e proteínas, e uma restrição rígida ao padrão de frota que a empresa acaba de demonstrar.

Uma execução de 32 minutos em milhares de agentes pressupõe que você consiga disparar milhares de solicitações simultâneas sob demanda. Em uma chave com acesso restrito, a limitação não é tokens por minuto; é a revisão, a estrutura da conta e qualquer teto de concorrência que o programa conceda. Qualquer equipe que planeje uma varredura distribuída deve considerar isso nos custos antes de comparar preços, porque um modelo mais barato que você pode chamar livremente supera um modelo melhor que você só pode chamar conforme a agenda de outra pessoa.

É aqui que uma camada de roteamento ganha seu lugar, e onde não ganha. O GPT-Rosalind não está no OrcaRouter — o acesso passa pelo processo de acesso confiável da O​penAI, e nenhum roteador muda isso. O que um roteador muda é tudo ao redor da chamada ao especialista. Uma execução como a publicada em 21 de outubro, em grande parte, não é biologia: é orquestração, análise de relatórios, deduplicação de milhares de saídas e o código que transforma um atlas em algo consultável. Essas etapas não precisam de um modelo de domínio de US$ 25 por milhão de saídas, e colocá-las ali é o que transforma um experimento de 32 minutos em um experimento caro. O Qwen3.8-Max está no OrcaRouter pelo preço de tabela da Alibaba de US$ 2,00/US$ 6,00 com 0% de markup, no mesmo endpoint compatível com OpenAI usado por mais de 200 outros modelos, de modo que a etapa de grande volume e a etapa especializada ficam em uma única chave com failover automático entre provedores e a política de roteamento escrita como configuração, em vez de um nome de modelo embutido na aplicação.

Quando o Q​wen 4 Max for lançado, essa também é a forma mais barata de descobrir se ele importa: uma regra de roteamento que envia uma fatia do tráfego para o novo nível, com failover de volta para o modelo em que você já confia, é um teste que não pode derrubar a produção. Até lá, o catálogo simplesmente não tem uma entrada para ele, que é o que um modelo anunciado e não lançado deveria parecer.

O que inverteria esta comparação

Quatro números publicados transformariam o Qwen 4 Max de um nome em um adversário, e vale a pena nomeá-los para que a coisa real seja reconhecível quando aparecer.

• A tabela de preços. Um carro-chefe Qwen que cobra menos de $2.00/$6.00 muda a aritmética deste artigo por um fator, não por uma porcentagem. Um que apenas iguale esses valores não muda nada, porque o modelo Qwen disponível para compra já está lá.

• Comportamento de contexto longo, declarado como uma política. Se a janela de 1M tem uma faixa de sobretaxa e em que limiar. Uma tarifa escalonada acima de um determinado tamanho de entrada teria mais importância para uma execução do atlas do que o número em destaque, porque cada agente nesse padrão atravessa a faixa.

• Um resultado agêntico e de uso de ferramentas em um ranking que ninguém na A​libaba administra. A lacuna que este artigo descreve não é o raciocínio geral — o Qwen3.8-Max é competente nisso —, mas o uso de ferramentas científicas. Um resultado publicado e administrado de forma independente nesse eixo seria o primeiro teste real do prêmio de especialista.

• Se o nível Max disponibiliza os pesos. O Qwen3.8-Max não o fez, mas o nível 27B da mesma geração sim, e um Qwen 4 Max com pesos para download seria a única coisa que o GPT-Rosalind estruturalmente não pode oferecer a um laboratório regulamentado que precisa auditar o que acontece com dados de sequência proprietários.

A decisão que esta página de fato sustenta não espera por nenhuma delas. Coloque o especialista onde errar sai caro — priorização de alvos, propostas de mecanismo, o relatório que um biólogo vai ler — e coloque a frota no modelo que custa US$ 0,14 por agente e responde sem formulário de inscrição. O resultado de 21 de outubro é um bom argumento para executar biologia distribuída em escala de atlas. É um argumento mais fraco para executar tudo isso no modelo mais caro da sala, e o próprio experimento de controle do artigo é o motivo para dizê-lo.