GPT-Rosalind против Grok 4.7: бенчмарк в здравоохранении — не пропуск в биологию

Grok 4.7 поставляется с числом, которое на первый взгляд выглядит как ответ GPT-Rosalind: 56,7% на HealthBench Professional против 48,5% у Grok 4.6. Это клинический бенчмарк знаний, о котором SpaceXAI сообщила в таблице запуска модели, выпущенной 21 сентября 2026 года, и это самое близкое к медицинской оценке из материалов обеих компаний. GPT-Rosalind, находящаяся в открытой продаже с 5 октября 2026 года после представления в апреле 2026 года, не публикует ничего сопоставимого — её цифры относятся к бенчмаркам по химии и лабораторным экспериментам, и чтобы прогнать их самостоятельно, нужна проверка в рамках доверенного доступа. Так что честный вопрос не в том, какая модель набирает больше баллов по здоровью, а в том, что измеряет клинический бенчмарк по сравнению с тем, что защищает биологический шлюз доступа, и почему одна из этих моделей стоит треть цены другой за токен, при этом будучи доступной кому угодно. Споры о бенчмарках и изменения в доступе, которые следуют за таким сравнением, фиксируются с указанием дат и источников в the AI Incident Archive, наряду с остальными инцидентами с моделями и поставщиками, за которыми мы следим.

Пересечение, которое оказывается узким

HealthBench Professional задаёт модели вопросы того типа, на которые отвечал бы клиницист. Он вознаграждает воспроизведение по памяти, калибровку и способность удерживать клиническую рамку. Он не требует от модели разрабатывать эксперимент с возмущением, читать протокол мокрой лаборатории или рассуждать о связи «структура — активность». Опубликованный набор GPT-Rosalind — это тест другого рода: MedChemBench охватывает прогнозирование активности и ADME и ретросинтез; GeneBench охватывает долгосрочную геномику; LabWorkBench охватывает связывание возмущений с исходами в реальных протоколах. Разные инструменты, разные цели.

• Что измеряется — Grok 4.7: клинические знания и суждения, 56,7% в HealthBench Professional. GPT-Rosalind: химия и лабораторное мышление, 27,5% в MedChemBench и 63,2% в LabWorkBench.

• Кто проводил — Grok 4.7: SpaceXAI, против своей предыдущей модели. GPT-Rosalind: O​penAI, против GPT-5.5.

• Независимое воспроизведение — Ни для одного из бенчмарков.

• Что не говорит ни одна из этих цифр — Можно ли доверять модели результат, который попадёт в официальную отчётность. Это вопрос о режимах отказов, а не о баллах.

Поставьте две таблицы рядом — и у них не найдётся ни одной общей строки. Это не пробел в отчётности; это форма рынка. Универсальную модель измеряют по широте, специализированную — по глубине, а поставщики выбирают тесты, которые показывают их собственную силу.

Огибающая — вот где эти два на самом деле различаются.

Характеристики — наименее эффектная часть сравнения и та часть, которая решает, возможен ли рабочий процесс вообще. Здесь две модели расходятся сильнее, чем предполагает разговор о бенчмарках.

• Контекстное окно — Grok 4.7: 500 000 токенов, половина от 1 000 000 у GPT-Rosalind.

• Максимальный объём вывода — Grok 4.7: 450 000 токенов, при этом в собственной документации SpaceXAI указано, что ограничения на текстовый вывод нет, что не согласуется с цифрой 450 тыс. в карточке нашей модели. Мы фиксируем это расхождение, а не встаём на чью-либо сторону; поставщик — авторитет в вопросах своей модели. GPT-Rosalind: отдельно как предельный объём вывода не публиковался.

• Ввод — Grok 4.7: текст и изображения, JPG или PNG размером до 20 МиБ каждое, без документированного ограничения на количество изображений, в любом порядке. GPT-Rosalind: ввод научных файлов через ChatGPT, Codex и API; опубликованных общих заявлений о поддержке ввода изображений нет.

• Управление рассуждением — Grok 4.7: reasoning_effort на уровнях low, medium, high или xhigh, при этом опубликованные показатели бенчмарков приведены для xhigh. GPT-Rosalind: управление в стиле reasoning effort в API, где использование инструментов лежит в основе модели.

• Инструменты — Grok 4.7: вызов функций, веб-поиск, поиск по X и выполнение кода — всё на стороне сервера. GPT-Rosalind: плагин инструментов для наук о жизни с более чем пятьюдесятью инструментами внутри ChatGPT и Codex.

• Дата окончания знаний — Grok 4.7: май 2026, по умолчанию без осведомлённости в реальном времени. GPT-Rosalind: не опубликовано.

Именно разрыв в контексте особенно критичен в этой области. Окно в 1 млн токенов — не роскошь для геномной работы; именно оно позволяет модели удерживать целый атлас или полный набор протоколов за один проход. 500K у Grok 4.7 — щедро по общим меркам и составляет половину того, что предлагает специализированная модель. При этом потолок вывода в 450K намного превышает всё, что нужно для биологического ответа, и именно то, что требуется длинной траектории агента или крупному рефакторингу.

В этом наборе ценовой разрыв самый большой.

Grok 4.7 — самая дешёвая модель во всех этих сравнениях, а GPT-Rosalind — самая дорогая, так что арифметика получается предельно простой.

• Ввод — Grok 4.7 $2.00 за 1 млн против GPT-Rosalind $5.00. Специализированная модель стоит в 2,5 раза дороже.

• Вывод — Grok 4.7 $6.00 против GPT-Rosalind $25.00. Разрыв в 4,2 раза, и это наибольшая разница между отдельными числами в этой статье.

• Кэшированный ввод — Grok 4.7 $0.50 против GPT-Rosalind $0.50. Идентично — это единственная строка, где специализированная модель не дороже.

• Длинные промпты — Grok 4.7 удваивается до $4.00 / $12.00 с $1.00 за кэшированные, как только промпт достигает 200K токенов. GPT-Rosalind не публикует надбавку за длинный контекст.

• Региональная оплата — у Grok 4.7 есть эндпоинт в США с коэффициентом 1,1×, что даёт $2.20 / $6.60 при объёме менее 200K.

Именно соотношение объёмов вывода определяет решение. Процесс исследований порождает много выходных данных: списки кандидатов, черновики протоколов, код, длинные обоснования. При цене $25 против $6 за миллион токенов запуск, выдающий десять миллионов выходных токенов, стоит $250 на специализированной модели и $60 на универсальной. Единственный вопрос, который стоит задавать, — окупает ли что-нибудь эта разница в $190, и ни один опубликованный бенчмарк на него не отвечает.

Что добавляет независимый оценщик

У Grok 4.7 есть настоящий независимый отчёт, и он информативнее таблицы вендора, потому что включает затраты, которые никто не афиширует.

• Интеллект — 46 баллов по Индексу интеллекта Artificial Analysis, v4.3.2; это 21-е место из 211 моделей в этом рейтинге и значительно выше медианы индекса, равной 26. GPT-Rosalind в рейтинге вообще отсутствует; специализированные модели не рассматриваются.

• Стоимость за запуск индексации — $3.74, при этом оценщик зафиксировал 75%-ную скидку за кэш и тариф ввода/вывода, совпадающий с собственным тарифом поставщика $2.00 / $6.00. В его комментарии отмечается, что модель имеет разумную цену по сравнению с аналогами в аналогичной ценовой категории.

• Многословность — 240 млн выходных токенов по всему индексу при медиане 88 млн. Artificial Analysis называет её «очень многословной», и это самое полезное число здесь для планирования бюджета: модель, которая размышляет более длинными цепочками, стоит дороже на задачу при любой фиксированной цене за токен.

• Скорость — 82,6 выходных токенов в секунду, 83-е место из 211, что оценщик тем не менее называет медленнее среднего.

Именно показатель многословности должен изменить ваши мысленные расчёты. Grok 4.7 при стоимости вывода $6.00 не в 4,2 раза дешевле GPT-Rosalind при $25.00 за задачу, если для этого он выдаёт почти втрое больше токенов. В расчёте на задачу реальный разрыв уже, чем указано в тарифной сетке, и никто не публикует показатель многословности Rosalind для сравнения — потому что Rosalind нет в рейтинге.

Почему существует гейт, и почему у Grok его нет

Это та асимметрия, которую не может выразить таблица бенчмарков. Grok 4.7 продаётся любому, у кого есть платёжный аккаунт, с контекстом 500K, вводом изображений и выполнением кода на стороне сервера. GPT-Rosalind продаётся только организациям, прошедшим проверку, и эта проверка существует потому, что OpenAI счёл биологические возможности модели тем, что не должно быть доступно по запросу.

Воспринимайте это как заявление о возможностях, а не о показной безопасности. Лаборатория, которая ограничивает доступ к модели, решила, что модель достаточно хороша в чём-то значимом, чтобы её стоило ограничивать. SpaceXAI не приняла аналогичного решения относительно Grok 4.7, а её заявленные сильные стороны — программирование, агентные циклы работы с инструментами, длительная работа над программным обеспечением — не относятся к тому, что обычно ограничивают.

Практическое следствие: если ваша работа вычислительная и смежна с биологией, а не находится внутри неё, Grok 4.7 доступен уже сейчас, дёшев и хорошо соответствует форме задачи. Если ваша работа — сама биология, нужная вам модель скрыта за формой, и никакой объём HealthBench Professional этого не компенсирует. В этом случае ограничение доступа и есть продукт, а не помеха ему.

Маршрутизация пары и то единственное место, где нам нужно быть осторожными

Grok 4.7 доступен на OrcaRouter по каталожной цене SpaceXAI — $2,00 за входные, $6,00 за выходные и $0,50 за кэшированные входные на миллион токенов, с наценкой 0%, а порог 200K проведён как тарифный уровень, чтобы запрос с длинным промптом тарифицировался честно, а не удивлял вас. GPT-Rosalind отсутствует на OrcaRouter и на любом стороннем роутере; работает напрямую через программу доверенного доступа OpenAI. Мы не будем намекать на обратное, и не существует маршрута, который можно настроить, чтобы это изменить.

Что в итоге остаётся — это схема, к которой снова и снова приводит весь этот набор сравнений. Вычислительная половина исследовательской платформы работает на Grok 4.7 и остальных 200+ моделях за одним ключом, с автоматическим переключением между провайдерами при сбое, так что проблема с мощностями переносит запрос, а не обрушивает запуск. Биологическая половина остаётся на прямом ключе. DSL маршрутизации — это то место, где вы делаете границу явной: именованный маршрут для специалиста, который громко падает, когда недоступен, маршрут по умолчанию для всего остального, и никакого тихого продвижения ответа универсальной модели в слот специалиста.

О слиянии моделей полезно знать хотя бы ради граничных случаев. Панель, которая задаёт один и тот же вопрос и дешёвой универсальной модели, и специализированной, а затем сравнивает ответы, — это способ поймать запрос, который был неверно классифицирован: тот, что выглядел как рутинная техническая работа, а на деле требовал предметной экспертизы. Это ещё и честный способ использовать модель, которой вы пока не полностью доверяете.

Что изменило бы ответ?

Три события, и ни одно из них не экзотично. SpaceXAI могла бы опубликовать оценку для предметной области со степенью детализации, как у химического набора Rosalind, — HealthBench Professional это начало, но до неё далеко. OpenAI могла бы расширить октябрьский академический план, включив в него доступ к API, что дало бы бесплатные специализированные мощности именно тем лабораториям, которые сейчас не могут их себе позволить. Или независимый испытательный стенд мог бы прогнать обе модели через один и тот же набор научных задач, что решило бы вопрос, который две таблицы от поставщиков тщательно обходили.

Пока один из них не появится, разрыв не будет небольшим. Если запрос — это код, данные или проза, Grok 4.7 стоит треть цены вывода, имеет более широкий набор инструментов и независимую оценку, и выбор специалиста был бы дорогим способом почувствовать себя осмотрительным. Если запрос — это наука, платите 4.2× и принимайте проверку, потому что единственная модель в этом сравнении, настроенная для этого, — та, которая заставила вас заполнить форму.