GPT-Rosalind vs Grok 4.7: Ett hälsobenchmark är inte en biologisk grind

Grok 4.7 levereras med en siffra som vid en hastig blick ser ut som svaret på GPT-Rosalind: 56,7 % på HealthBench Professional, upp från 48,5 % för Grok 4.6. Det är ett benchmark för klinisk kunskap, rapporterat av SpaceXAI i lanseringstabellen för en modell som släpptes den 21 september 2026, och det är det närmaste en medicinsk utvärdering som finns i något av företagens material. GPT-Rosalind, som har varit i allmän försäljning sedan den 5 oktober 2026 efter en introduktion i april 2026, publicerar inget jämförbart – dess siffror är benchmark inom kemi och våtlabbsarbete, och du behöver en granskning för betrodd åtkomst för att kunna köra dem själv. Så den ärliga frågan är inte vilken modell som får högre poäng inom hälsa; det är vad ett hälsobenchmark mäter kontra vad en biologisk åtkomstspärr skyddar, och varför en av dessa modeller kostar en tredjedel så mycket per token som den andra samtidigt som den är tillgänglig för alla. Benchmarktvister och ändringar av åtkomstspärrar som följer på en jämförelse som denna registreras med datum och källor i the AI Incident Archive, tillsammans med resten av de modell- och leverantörsincidenter vi följer.

Överlappningen som visar sig vara snäv

HealthBench Professional ställer frågor till en modell av det slag som en kliniker skulle besvara. Det belönar återgivning, kalibrering och förmågan att hålla en klinisk ram. Det kräver inte att modellen utformar ett perturbationsexperiment, läser ett våtlabbsprotokoll eller resonerar om en struktur-aktivitetsrelation. GPT-Rosalinds publicerade svit är den andra typen av test: MedChemBench täcker potens- och ADME-prediktion samt retrosyntes; GeneBench täcker långsiktig genomik; LabWorkBench täcker att koppla perturbationer till utfall i verkliga protokoll. Olika instrument, olika mål.

• Vad som mäts — Grok 4.7: klinisk kunskap och omdöme, 56,7 % på HealthBench Professional. GPT-Rosalind: kemi- och våtlabbsresonemang, 27,5 % på MedChemBench och 63,2 % på LabWorkBench.

• Vem som genomförde det — Grok 4.7: SpaceXAI, mot sin egen tidigare modell. GPT-Rosalind: OpenAI, mot GPT-5.5.

• Oberoende reproduktion — Ingen för någon av benchmarkarna.

• Vad ingen av siffrorna säger dig — Om modellen kan litas på med ett resultat som hamnar i en inlämning. Det är en fråga om felsätt, inte om poäng.

Ställ de två tabellerna sida vid sida så finns det ingen rad de har gemensam. Det är inte en lucka i rapporteringen; det är marknadens form. En generell modell mäts på bredd, en specialist på djup, och leverantörerna väljer de tester som visar deras egen styrka.

Kuvertet, vilket är där dessa två faktiskt skiljer sig åt

Specifikationerna är den minst glamorösa delen av en jämförelse och den del som avgör om ett arbetsflöde överhuvudtaget är möjligt. Här skiljer sig de två modellerna åt mer än vad benchmark-samtalet antyder.

• Kontextfönster — Grok 4.7: 500 000 tokens, hälften av GPT-Rosalinds 1 000 000.

• Max utdata — Grok 4.7: 450 000 token, och SpaceXAI:s egen dokumentation anger att det inte finns någon gräns för textutdata, vilket inte stämmer överens med siffran 450K på vårt modellkort. Vi flaggar meningsskiljaktigheten i stället för att ta ställning; leverantören är auktoriteten för sin egen modell. GPT-Rosalind: publiceras inte separat som ett utdatatak.

• Indata — Grok 4.7: text och bilder, JPG eller PNG upp till 20 MiB vardera, ingen dokumenterad gräns för antalet bilder, vilken ordning som helst. GPT-Rosalind: vetenskapliga filindata via ChatGPT, Codex och API:et; inget allmänt påstående om bildindata har publicerats.

• Resonemangsstyrning — Grok 4.7: reasoning_effort på low, medium, high eller xhigh, med de publicerade benchmarkvärdena angivna vid xhigh. GPT-Rosalind: en styrning i stil med reasoning-effort i API:et, med verktygsanvändning i modellens kärna.

• Verktyg — Grok 4.7: funktionsanrop, webbsökning, X-sökning och kodkörning, allt på serversidan. GPT-Rosalind: ett verktygsplugin för livsvetenskap med fler än femtio verktyg i ChatGPT och Codex.

• Kunskapsgräns — Grok 4.7: maj 2026, utan realtidsmedvetenhet som standard. GPT-Rosalind: inte publicerad.

Kontextgapet är det som verkligen ställer till problem i den här domänen. Ett fönster på 1M token är ingen lyx för genomikarbete; det är det som låter en modell hålla en hel atlas eller en fullständig protokolluppsättning i ett enda svep. Grok 4.7:s 500K är generöst enligt allmänna mått och hälften av vad specialisten erbjuder. Samtidigt ligger utdatataket på 450K långt bortom vad ett biologiskt svar behöver och är exakt vad en lång agentbana eller en stor refaktorering efterfrågar.

Prisskillnaden är störst i den här uppsättningen

Grok 4.7 är den billigaste modellen i samtliga av dessa jämförelser och GPT-Rosalind är den dyraste, vilket gör räkningen brutalt enkel.

• Indata — Grok 4.7 $2.00 per 1M mot GPT-Rosalind $5.00. Specialisten kostar 2,5× så mycket.

• Utdata — Grok 4.7 $6.00 vs GPT-Rosalind $25.00. En skillnad på 4,2×, och den största skillnaden mellan två enskilda tal i den här artikeln.

• Cachad indata — Grok 4.7 $0.50 vs GPT-Rosalind $0.50. Identiskt, vilket är den enda raden där specialisten inte är dyrare.

• Långa prompter — Grok 4.7 fördubblas till $4.00 / $12.00 med $1.00 cachat när en prompt når 200K tokens. GPT-Rosalind tar inte ut någon avgift för lång kontext.

• Regional fakturering — Grok 4.7 har en amerikansk slutpunkt med en multiplikator på 1,1×, vilket blir 2,20 $ / 6,60 $ under 200K.

Utdatakvoten är där beslutet faktiskt ligger. Ett discovery-arbetsflöde producerar mycket utdata: kandidatlistor, protokollutkast, kod och långa motiveringar. Med $25 mot $6 per miljon kostar en körning som avger tio miljoner utdatatoken $250 på specialistmodellen och $60 på generalmodellen. Huruvida de där $190 ger dig något är den enda frågan som är värd att ställa, och ingen publicerad benchmark besvarar den.

Vad den oberoende utvärderaren tillför

Grok 4.7 har ett genuint oberoende underlag, och det är mer informativt än leverantörens tabell eftersom det omfattar kostnader som ingen gör reklam för.

• Intelligens — 46 på Artificial Analysis Intelligence Index, v4.3.2, vilket är 21:a av 211 modeller på den listan och väl över indexets median på 26. GPT-Rosalind finns inte med på listan alls; specialiserade modeller omfattas inte.

• Kostnad per indexkörning — 3,74 USD, där utvärderaren registrerar en cacherabatt på 75 % och en in-/utpris som matchar leverantörens egna 2,00 / 6,00 USD. Dess kommentar är att modellen är rimligt prissatt jämfört med konkurrenter i liknande prisklass.

• Mångordighet — 240M utdatatokens i hela indexet, jämfört med en median på 88M. Artificial Analysis kallar det "mycket mångordigt", och det är det enskilt mest användbara talet här för budgetering: en modell som tänker i längre kedjor kostar mer per uppgift vid varje fast tokenpris.

• Hastighet — 82,6 utdatatoken per sekund, 83:a av 211, vilket utvärderaren ändå betecknar som långsammare än genomsnittet.

Det är verbositetsiffran som bör ändra din huvudräkning. Grok 4.7 med $6.00 för output är inte 4,2× billigare än GPT-Rosalind med $25.00 per uppgift om den gör av med nästan tre gånger så många tokens på vägen dit. Per uppgift är den verkliga skillnaden mindre än prislistan säger, och ingen publicerar någon verbositetsiffra för Rosalind att jämföra med — eftersom Rosalind inte finns med på listan.

Varför grinden finns, och varför Grok inte har någon

Det här är asymmetrin som en benchmarktabell inte kan uttrycka. Grok 4.7 säljs till vem som helst med ett faktureringskonto, med 500K-kontext, bildinmatning och kodkörning på serversidan. GPT-Rosalind säljs endast till organisationer som klarar en granskning, och granskningen finns eftersom O​penAI bedömde att modellens biologiska förmåga är den typ av sak som inte bör vara tillgänglig på begäran.

Läs det som ett uttalande om kapacitet, inte om säkerhetsteater. Ett labb som inför en spärr för en modell har beslutat att modellen är tillräckligt bra på något betydelsefullt för att vara värd att spärra. SpaceXAI har inte fattat något motsvarande beslut om Grok 4.7, och dess publicerade styrkor – kodning, agentiska verktygsloopar, långvarigt programvaruarbete – är inte den typ av sak som får en spärr.

Den praktiska konsekvensen: om ditt arbete är beräkningsmässigt och angränsar till biologi snarare än ligger inom den, är Grok 4.7 tillgänglig nu, billig och väl lämpad för uppgiftens form. Om ditt arbete är själva biologin, är modellen du vill ha bakom ett formulär, och ingen mängd HealthBench Professional stänger det gapet. I det fallet är grinden produkten, inte ett hinder för den.

Routning av paret, och den enda platsen där vi måste vara försiktiga

Grok 4.7 finns på OrcaRouter till SpaceXAI:s listpris – 2,00 USD för indata, 6,00 USD för utdata och 0,50 USD för cachad indata per miljon tokens, med 0 % påslag, och 200K-tröskeln förs vidare som en prisnivå så att en begäran med lång prompt faktureras ärligt i stället för att överraska dig. GPT-Rosalind finns inte på OrcaRouter och inte på någon tredjepartsrouter; det körs direkt genom OpenAI:s program för betrodd åtkomst. Vi kommer inte att antyda något annat, och det finns ingen väg att konfigurera som skulle ändra det.

Det som återstår är det mönster som hela den här uppsättningen jämförelser ständigt landar i. Den beräkningsmässiga halvan av en forskningsplattform körs på Grok 4.7 och de övriga 200+ modellerna bakom en enda nyckel, med automatisk failover mellan leverantörer så att ett kapacitetsproblem flyttar begäran i stället för att körningen misslyckas. Biologidelen ligger kvar på en direkt nyckel. Det är i routing-DSL:en som du gör gränsen explicit: en namngiven rutt för specialisten som ger ett tydligt fel när den inte är tillgänglig, en standardrutt för allt annat, och ingen tyst uppflyttning av ett svar från en allmän modell till en specialistplats.

Modellfusion är värt att känna till för gränsfallen. En panel som ställer samma fråga till både en billig generell modell och en specialist och sedan jämför är ett sätt att fånga upp den förfrågan som klassificerats fel — den som såg ut som rutinarbete och visade sig kräva domänbedömning. Det är också det ärliga sättet att använda en modell som du ännu inte litar helt på.

Vad skulle ändra svaret

Tre utvecklingar, ingen av dem exotisk. SpaceXAI skulle kunna publicera en domänutvärdering med samma specificitet som Rosalinds kemisvit — HealthBench Professional är en början men inte ens nära. O​penAI skulle kunna utöka den akademiska oktoberplanen till att omfatta API-åtkomst, vilket skulle ge gratis specialistkapacitet till exakt de labb som för närvarande inte har råd med den. Eller så skulle en oberoende testrigg kunna låta båda modellerna genomgå samma uppsättning vetenskapliga uppgifter, vilket skulle avgöra en fråga som två leverantörstabeller noggrant har undvikit.

Tills en av dem dyker upp är valet inte jämnt. Om förfrågan gäller kod, data eller prosa är Grok 4.7 en tredjedel av priset för utdata, med en större verktygsyta och en oberoende poäng, och att välja specialisten skulle vara ett dyrt sätt att känna sig noggrann. Om det gäller vetenskapen betalar du 4,2× och accepterar granskningen, eftersom den enda modellen i den här jämförelsen som har finjusterats för det är den som fick dig att fylla i ett formulär.