GPT-Rosalind против Qwen 4 Max: 3 000 агентов, один счёт и модель, которая ещё не вышла

Тридцать две минуты и более 700 ссылок. 21 октября 2026 года OpenAI опубликовала информацию о сотрудничестве с PerturbAI и Scripps Research, в рамках которого тысячи агентов, работающих на GPT-Rosalind, проработали полномозговой CRISPR-атлас миллионов клеток мышей: каждый агент брал один нокаут гена, искал посвящённую ему литературу и писал отчёт — по оценке авторов, на такую работу ушло бы от нескольких месяцев до года, если выполнять её по одному воздействию за раз. Сама модель не нова: OpenAI представила GPT-Rosalind 16 апреля 2026 года, 11 сентября расширила доступ за пределы списка названных партнёров, а 5 октября начала брать плату в размере $5,00 за миллион входных токенов и $25,00 за миллион выходных. Новое здесь — первый публичный взгляд на модель, работающую как флот, а не как отдельный вызов, и это меняет то, каким должно быть сравнение с Qwen 4 Max. Qwen 4 Max был анонсирован на конференции Apsara компании Alibaba 22 сентября 2026 года и до сих пор не имеет ни цены, ни контекстного окна, ни карточки модели. Так что честная версия этого противостояния имеет три стороны: специалист, реальная удельная стоимость которого считается на одного агента; соперник, который так и не вышел; и модель Qwen, которую действительно можно арендовать сегодня, — Qwen3.8-Max по $2,00/$6,00 за миллион токенов. Анонсы, которые так и не становятся вызываемой конечной точкой, фиксируются с указанием дат и источников в AI Incident Archive, наряду с остальными инцидентами моделей и поставщиков, за которыми мы следим.

Что на самом деле показал прогон 21 октября

Набор данных представляет собой атлас Perturb-seq: гены по одному нарушаются с помощью направляющей РНК по всему мозгу мыши, после чего считывается транскриптом каждой клетки. Результат — матрица из тысяч возмущений против миллионов клеток, гораздо больше, чем любая лаборатория может внимательно проанализировать, — и именно это узкое место и пытается преодолеть статья.

Метод, который авторы называют распределённым биологическим рассуждением, не является одним большим вызовом модели по большой таблице. Каждый агент получает единичное нарушение гена, изучает клеточный ответ, извлекает соответствующую литературу и формирует структурированный отчёт с предложением механизма. Затем эти отчёты собираются в то, что в статье называется атласом рассуждений: граф, связывающий гены, эффекты типов клеток, статьи и кандидатные механизмы. Сообщаемое OpenAI время выполнения для всего прогона — 32 минуты.

Наиболее важный для любого, кто выбирает модель, вывод — не биология. Это контрольный эксперимент, который команда провела для собственного метода, потому что к нему привязана конкретная цифра. Они зафиксировали модель и вычислительные ресурсы и передали одному агенту весь набор данных, а не разделили его между тысячами. По мере роста нагрузки охват литературы у одиночного агента рушился: при самой большой нагрузке он сослался на 11 источников против более чем 700 у распределённых агентов. Эксперты, оценивавшие вслепую, предпочитали распределённые отчёты в 75% случаев.

Прочитайте это вместе, и результат окажется связан с декомпозицией, а не с IQ модели. Единое контекстное окно деградирует, когда вы вливаете в него атлас; несколько тысяч узкоспециализированных агентов, у каждого из которых есть свой инструмент поиска, — нет. Собственная формулировка авторов это подтверждает — они представляют гипотезу о транспорте холестерина с участием DCTN1 как вопрос для последующих экспериментов, а не как открытие — и статья является препринтом, опубликованным 16 октября 2026 года, в соавторстве с сотрудниками O​penAI и PerturbAI, пока без рецензирования. Воспринимайте 32 минуты как реальное время работы, а сравнение с человеком — как порядок величины.

Для страницы сравнения следствие вполне конкретно. Если победа обусловлена архитектурой, то решающим свойством модели, лежащей в основе, оказывается не её результат в бенчмарке, а то, во сколько обходится вызвать её три тысячи раз за полчаса — и позволено ли вам это.

Число, которое решает исход этого противостояния, — это стоимость в расчёте на одного агента.

Опубликованные сравнения этих двух моделей обычно сводятся к сопоставлению заявленных тарифов и на этом останавливаются. Заявленные тарифы — неправильная единица для рабочей нагрузки, которую только что конкретизировала статья от 21 октября, потому что распределённый запуск умножает вызов модели на число возмущений. Проведите расчёт с явно указанными допущениями: агент, который читает общую преамбулу атласа, подтягивает несколько статей и пишет отчёт, может потреблять 60 000 входных токенов и 4 000 выходных токенов. При опубликованных тарифах O​penAI этот агент обходится в $0.40 — $0.30 за вход и $0.10 за выход. Тот же агент на Qwen3.8-Max при $2.00/$6.00 стоит $0.14. Три тысячи агентов: около $1,200 против примерно $432.

Закэшируйте общий префикс — и разрыв скорее расширится, чем сократится, потому что тарифы на кэшированный ввод расходятся сильнее, чем заявленные базовые тарифы. Поместите 50 000 из этих 60 000 входных токенов в кэшированный префикс, и стоимость агента Rosalind упадёт примерно до $0,18, а агента Q​wen — примерно до $0,06: чуть более чем в три раза дешевле, потому что кэшированный ввод стоит $0,50 за миллион с одной стороны и $0,25 с другой. Это наши расчёты, а не цифры поставщика, и они чувствительны к тому, какая доля вашего промпта действительно является общей; а вот направление — нет.

Сопоставьте эти два решения по параметрам, которые определяют работу автопарка:

• Цена ввода — GPT-Rosalind $5.00 за 1M против Qwen3.8-Max $2.00. Q​wen 4 Max: не опубликована.

• Цена вывода — GPT-Rosalind $25.00 за 1 млн против Qwen3.8-Max $6.00. Q​wen 4 Max: не опубликовано.

• Кэшированный ввод — GPT-Rosalind $0.50 за 1 млн, и на странице цен O​penAI указано, что цена записи в кэш не применяется к модели; Qwen3.8-Max $0.25. Q​wen 4 Max: не опубликовано.

• Стоимость одного прогона по 3000 агентам — около $1,200 на GPT-Rosalind против около $432 на Qwen3.8-Max при указанных выше допущениях. Q​wen 4 Max: невозможно рассчитать.

• Контекст — 1 млн токенов с обеих сторон. Qwen 4 Max: не опубликован и, в частности, не унаследован от окна Qwen3.8 лишь потому, что название уровня сохранилось.

• Максимальный объём вывода — GPT-Rosalind не публикует лимит на один ответ; в снапшоте Qwen3.8-Max 0902 указано 131,072 токена. • Задержка — Qwen3.8-Max демонстрирует p50 времени до первого токена 6,32 секунды на OrcaRouter и 40,3 выходных токена в секунду по индексу Artificial Analysis. GPT-Rosalind не публикует показатель задержки, а для fan-out-запуска это как раз та цифра, которая нужна больше всего.

• Независимая оценка — GPT-Rosalind вообще не отслеживается в индексе интеллекта Artificial Analysis, поскольку это доменная модель с ограниченным доступом; Qwen3.8-Max набирает 45 баллов, занимая 33-е место среди 214 моделей, при стоимости $5,41 за выполненную задачу индекса и 40,3 выходных токена в секунду.

• Доступ — GPT-Rosalind требует одобрения в рамках программы доверенного доступа OpenAI; Qwen3.8-Max — это обычный коммерческий API с открытой регистрацией.

Две из этих строк делают больше работы, чем остальные. Независимая оценка — единственное число в таблице, которое не предоставил никто из участвовавших в создании обеих моделей, и она говорит, что флагман Qwen — компетентный универсал среднего уровня, а не лидер переднего края: 45 против 58 у лучшей модели в этом рейтинге. А строка о доступе — не сноска: она решает, может ли флот существовать вообще.

Какое место Qwen 4 Max на самом деле занимает

Alibaba использовала конференцию Apsara 22 сентября 2026 года, чтобы назвать четыре уровня — Qwen 4 Max как флагман, Qwen 4 Flash для пропускной способности, Qwen 4 Plus в середине и Qwen 4 27B с открытыми весами — охарактеризовала семейство как обучаемое на архитектуре нового поколения и заявила, что оно появится скоро. Ни к одному из них она не привязала дату.

Спустя месяц есть три независимых источника, где был бы виден выпущенный флагман Qwen, и его нет ни в одном из трёх. В собственной документации Alibaba Cloud Model Studio qwen3.8-max указан как высший уровень Max, без записи о Qwen 4. Artificial Analysis, который оценивает большинство коммерческих китайских флагманов в течение нескольких дней после выпуска, не имеет строки Qwen 4 Max. В каталоге OrcaRouter, который содержит более 200 моделей, включая каждый уровень Qwen 3.5–3.8, нет идентификатора qwen4. Это не доказательство задержки. Это доказательство того, что по состоянию на 22 октября сравнивать нечего.

Цифра по параметрам, сопровождавшая анонс, заслуживает одной поправки, потому что она продолжает проникать в сравнительные таблицы. Число от 5 до 10 триллионов, находящееся в обращении, — это прогнозное утверждение о поколениях после Qwen 4, то есть о временном горизонте Qwen 4.5 и Qwen 5. Alibaba не привязала никакого количества параметров к Qwen 4 Max. Размер класса Qwen 5, напечатанный рядом с названием модели Qwen 4, — это ошибка заимствования с долгим периодом полураспада.

Что это объявление действительно сообщает вам, так это то, что Alibaba намерена продолжать бороться за флагманский уровень, а это причина оставаться внутри семьи, а не покидать её. Оно не даёт вам ничего, на чём можно было бы построить план миграции, потому что «скоро» — это не дата, а слайд с конференции — не прайс-лист.

Что дает премия специалиста, а чего она не дает

Позиция GPT-Rosalind опирается на доменные оценки, которые O​penAI опубликовала вместе с моделью: лидирующие результаты в BixBench, шесть из одиннадцати побед в LABBench2 против GPT-5.4 и прирост на токен в 53,7% на GeneBench, 18,0% на MedChemBench и 19,6% на LabWorkBench. Все они заявлены производителем. Ни один из них не был независимо воспроизведён, а у модели нет записи в рейтингах общего интеллекта — что нормально для доменной модели с ограниченным доступом и также означает, что эти числа нельзя проверить извне.

Что можно проверить — это инструментарий. Life Sciences Research Plugin подключает модель к более чем 50 научным инструментам и источникам данных как к композируемым навыкам внутри Codex, а статья от 21 октября демонстрирует этот стек, а не способность к чистому рассуждению: тысячи агентов, каждый из которых ищет литературу и пишет структурированный отчёт, — это результат интеграции инструментов. У Qwen3.8-Max нет эквивалентного биологического стека. У него сильные общие возможности вызова инструментов и структурированного вывода, и каждое подключение к научной базе данных вам придётся создавать самостоятельно.

Вот из чего на самом деле складывается премиальная наценка. Вы платите в 2,5 раза больше не за более умную модель; вы платите за рассуждения, настроенные под предметную область, на основе молекулярных данных, плюс за заранее подключённый слой инструментов, и запуск 21 октября — первое публичное свидетельство того, что эта комбинация выдаёт результат, который биолог будет читать. Неудобный контраргумент приведён в той же статье: поскольку в контрольном эксперименте модель оставалась неизменной, а менялась только декомпозиция, результат в основном сохранился бы и на более дешёвой модели. Исследование не позволяет выделить, какая доля результата приходится на GPT-Rosalind, а какая — на архитектуру, и авторы этого не утверждают. Если вы рассчитываете бюджет распределённого перебора, эта неоднозначность стоит около $770 на каждые три тысячи агентов — это и есть разница между двумя счетами выше.

Шлюз является частью спецификации.

GPT-Rosalind в целом недоступна для покупки. На странице цен OpenAI указано, что доступ ограничен одобренными внутренними исследованиями в рамках программы доверенного доступа, и с 11 сентября эта программа открыта по всему миру для соответствующих критериям организаций, а не для фиксированного списка партнёров. Соответствие критериям оценивается по предполагаемому использованию, управлению и контролируемому доступу — разумная политика для модели, которая рассуждает на основе данных о патогенах и белках, и жёсткое ограничение для той схемы парка, которую компания только что продемонстрировала.

Прогон длительностью 32 минуты по тысячам агентов предполагает, что вы можете по требованию выйти на тысячи одновременных запросов. Для ключа с ограниченным доступом ограничением являются не токены в минуту, а проверка, структура аккаунта и тот потолок параллелизма, который предоставляет программа. Любая команда, планирующая распределённый прогон, должна учитывать это до сравнения тарифов, потому что более дешёвая модель, которую можно вызывать свободно, лучше более качественной, которую можно вызывать по чужому графику.

Вот где слой маршрутизации оправдывает своё место, а где — нет. GPT-Rosalind нет на OrcaRouter — доступ предоставляется через программу доверенного доступа OpenAI, и никакой роутер этого не меняет. Что роутер действительно меняет, так это всё вокруг вызова специализированной модели. Запуск вроде опубликованного 21 октября — это по большей части не биология: это оркестрация, разбор отчётов, дедупликация тысяч выходных данных и код, превращающий атлас в нечто, по чему можно выполнять запросы. Этим шагам не нужна доменная модель за $25 за миллион выходных единиц, и именно так 32-минутный эксперимент становится дорогим. Qwen3.8-Max доступна на OrcaRouter по каталожной цене Alibaba $2.00/$6.00 с наценкой 0%, за тем же OpenAI-совместимым эндпоинтом, что и более 200 других моделей, поэтому массовый сегмент и специализированный сегмент работают на одном ключе с автоматическим переключением при сбое между провайдерами и политикой маршрутизации, заданной как конфигурация, а не как имя модели, вшитое в приложение.

Когда Qwen 4 Max выйдет, это также будет самый дешёвый способ выяснить, имеет ли это значение: правило маршрутизации, направляющее часть трафика на новый уровень, с отказоустойчивым переключением обратно на модель, которой вы уже доверяете, — это испытание, которое не может вывести продакшен из строя. А до тех пор в каталоге для неё просто нет записи — именно так и должна выглядеть анонсированная, но ещё не выпущенная модель.

Что перевернуло бы это сравнение?

Четыре опубликованных числа превратили бы Qwen 4 Max из названия в противника, и их стоит назвать, чтобы настоящий продукт можно было узнать, когда он появится.

• Тарифная карта. Флагман Q​wen, который предлагает цену ниже $2.00/$6.00, меняет арифметику в этой статье в разы, а не на проценты. Модель с такой же ценой ничего не изменит, потому что доступная для покупки модель Q​wen уже есть.

• Поведение при длинном контексте, сформулированное как политика.Предусматривает ли окно в 1M диапазон надбавки и при каком пороге. Ступенчатый тариф при превышении определённого размера входных данных был бы важнее для прогона atlas, чем цифра из заголовка, потому что каждый агент в этом паттерне пересекает этот диапазон.

• Результат в агентных задачах и использовании инструментов на лидерборде, который никто в Alibaba не ведёт. Разрыв, о котором говорится в этой статье, — не общие рассуждения (Qwen3.8-Max здесь компетентен), а использование научных инструментов. Опубликованный, независимо проведённый результат по этой оси стал бы первой настоящей проверкой премии за специализацию.

• Поставляется ли уровень Max с весами. Qwen3.8-Max — нет, но уровень 27B того же поколения — да, а Qwen 4 Max с загружаемыми весами стал бы тем единственным, чего GPT-Rosalind структурно не может предложить регулируемой лаборатории, которой необходимо проводить аудит того, что происходит с проприетарными данными секвенирования.

Решение, в пользу которого на самом деле говорит эта страница, не требует ждать ни одного из них. Специалиста ставьте туда, где ошибка дорого стоит, — приоритизация целей, предложения по механизмам, отчёт, который будет читать биолог, — а флот переводите на модель, которая стоит $0.14 за агента и отвечает без заявки. Результат от 21 октября — хороший аргумент в пользу запуска распределённой биологии в масштабе атласа. Это более слабый аргумент в пользу того, чтобы запускать всё это на самой дорогой модели в комнате, и собственный контрольный эксперимент статьи даёт основание так говорить.