GPT-Rosalind vs Qwen 4 Max: 3 000 agenter, en faktura och en modell som inte har släppts

Trettiotvå minuter, och fler än 700 referenser. Den 21 oktober 2026 publicerade O​penAI ett samarbete med PerturbAI och Scripps Research där tusentals agenter som körde på GPT-Rosalind arbetade sig igenom en CRISPR-atlas över hela hjärnan med miljontals musceller, där varje agent tog sig an en genstörning, sökte i litteraturen kring den och skrev en rapport – ett arbete som författarna uppskattar till månader till ett år om man gör en perturbation i taget. Modellen i sig är inte ny: O​penAI introducerade GPT-Rosalind den 16 april 2026, gjorde den tillgänglig utanför en lista över namngivna partner den 11 september och började debitera $5.00 per miljon indatatokens och $25.00 per miljon utdatatokens den 5 oktober. Det nya är den första offentliga inblicken i modellen när den körs som en flotta i stället för som ett anrop, och det förändrar vad en jämförelse med Q​wen 4 Max borde handla om. Q​wen 4 Max tillkännagavs på A​libabas Apsara-konferens den 22 september 2026 och har fortfarande inget pris, inget kontextfönster och inget modellkort. Så den ärliga versionen av den här jämförelsen har tre sidor: en specialist vars verkliga enhetskostnad är per agent, en motståndare som inte har släppts, och den Q​wen-modell du faktiskt kan hyra i dag – Qwen3.8-Max, till $2.00/$6.00 per miljon tokens. Tillkännagivanden som aldrig blir en anropbar slutpunkt registreras med sina datum och källor i AI Incident Archive, tillsammans med resten av de modell- och leverantörsincidenter vi följer.

Vad körningen den 21 oktober faktiskt visade

Perturb-seq-atlasen är en atlas där gener störs en guide-RNA i taget i hela mushjärnan och varje cells transkriptom läses av efteråt. Resultatet är en matris med tusentals perturbationer mot miljontals celler, långt fler än vad något labb kan granska i detalj – vilket är den flaskhals som artikeln tar sig an.

Metoden, som författarna kallar distribuerat biologiskt resonemang, är inte ett enda stort modellanrop över en stor tabell. Varje agent får en enda genstörning, undersöker cellresponsen, hämtar den omgivande litteraturen och producerar en strukturerad rapport som föreslår en mekanism. Dessa rapporter sammanställs sedan till vad artikeln kallar en resonemangsatlas: en graf som länkar gener, celltypseffekter, artiklar och kandidatmekanismer. Körtiden som OpenAI rapporterar för hela svepet är 32 minuter.

Det fynd som spelar störst roll för alla som väljer en modell är inte biologin. Det är den kontroll som teamet körde på sin egen metod, eftersom den har en siffra kopplad till sig. De höll modellen och beräkningsresurserna fasta och gav en enda agent hela datamängden i stället för att dela upp den över tusentals. I takt med att arbetsbelastningen växte kollapsade den enskilda agentens litteraturtäckning: vid den största arbetsbelastningen citerade den 11 referenser mot över 700 för de distribuerade agenterna. Blinda mänskliga experter föredrog de distribuerade rapporterna 75 % av gångerna.

Läser man dessa tillsammans handlar resultatet om dekomposition, inte om modellens IQ. Ett enda kontextfönster försämras när man häller en atlas i det; några tusen smala agenter med var sitt hämtningsverktyg gör det inte. Författarnas egen inramning stöder detta – de presenterar DCTN1-hypotesen om kolesteroltransport som en fråga för uppföljande experiment, inte som en upptäckt – och artikeln är en preprint publicerad den 16 oktober 2026, medförfattad av anställda hos O​penAI och PerturbAI, utan peer review ännu. Betrakta de 32 minuterna som en verklig körtid och jämförelsen med människan som en storleksordning.

För en jämförelsesida är konsekvensen konkret. Om vinsten kom från arkitekturen är den avgörande egenskapen hos den underliggande modellen inte dess benchmarkpoäng — utan vad det kostar att anropa den tre tusen gånger på en halvtimme, och om du får göra det.

Siffran som avgör den här matchningen är kostnaden per agent

Publicerade jämförelser av dessa två modeller brukar rada upp rubrikpriserna och sedan stanna där. Rubrikpriser är fel enhet för den arbetsbelastning som artikeln från 21 oktober just konkretiserade, eftersom en distribuerad körning multiplicerar modellanropet med antalet perturbationer. Räkna igenom det med angivna antaganden: en agent som läser en delad atlasinledning, hämtar en handfull artiklar och skriver en rapport kan förbruka 60 000 indatatoken och 4 000 utdatatoken. Till OpenAI:s publicerade priser kostar den agenten $0.40 – $0.30 för indata och $0.10 för utdata. Samma agent på Qwen3.8-Max till $2.00/$6.00 kostar $0.14. Tretusen agenter: cirka $1,200 mot cirka $432.

Cacha det delade prefixet så vidgas gapet i stället för att slutas, eftersom priserna för cachad indata skiljer sig mer än rubrikpriserna. Lägg 50 000 av de 60 000 indatatoken i ett cachat prefix, och Rosalind-agenten sjunker till ungefär 0,18 USD medan Q​wen-agenten sjunker till ungefär 0,06 USD – drygt tre gånger billigare, eftersom cachad indata kostar 0,50 USD per miljon på ena sidan och 0,25 USD på den andra. Det är vår beräkning, inte en siffra från leverantören, och den är känslig för hur mycket av din prompt som verkligen delas; riktningen är det inte.

Ställ de två mot varandra utifrån de dimensioner som avgör en fordonsflottas drift:

• Indatapris — GPT-Rosalind $5.00 per 1M mot Qwen3.8-Max $2.00. Q​wen 4 Max: ej publicerat.

• Pris för utdata — GPT-Rosalind $25.00 per 1M vs Qwen3.8-Max $6.00. Qwen 4 Max: ej publicerat.

• Cachad indata — GPT-Rosalind $0.50 per 1 miljon, och OpenAI:s prissättningssida anger att prissättning för cacheskrivning inte gäller för modellen; Qwen3.8-Max $0.25. Qwen 4 Max: inte publicerad.

• Kostnad per svep med 3 000 agenter — cirka 1 200 USD på GPT-Rosalind jämfört med cirka 432 USD på Qwen3.8-Max under antagandena ovan. Qwen 4 Max: ej beräkningsbart.

• Kontext — 1M tokens på båda sidor. Q​wen 4 Max: inte publicerat, och specifikt inte nedärvt från Qwen3.8-fönstret i kraft av att nivånamnet lever vidare.

• Maximal utdata — GPT-Rosalind publicerar inget tak per svar; ögonblicksbilden Qwen3.8-Max 0902 dokumenterar 131 072 token. • Latens — Qwen3.8-Max uppmäter en p50-tid till första token på 6,32 sekunder på OrcaRouter och 40,3 utdata-token per sekund på Artificial Analysis-indexet. GPT-Rosalind publicerar ingen latenssiffra, vilket för en fan-out-körning är den siffra man helst skulle vilja ha.

• Oberoende poäng — GPT-Rosalind finns inte alls med i Artificial Analysis Intelligence Index, eftersom det är en behörighetsstyrd domänmodell; Qwen3.8-Max uppnår 45, rankas på 33:e plats av 214 modeller, till en kostnad av $5.41 per slutförd indexuppgift och 40,3 utdatatoken per sekund.

• Access — GPT-Rosalind kräver godkännande genom OpenAIs program för betrodd åtkomst; Qwen3.8-Max är ett vanligt kommersiellt API med öppen registrering.

Två av de raderna gör mer arbete än resten. Den oberoende poängen är det enda talet i tabellen som ingen inblandad i någon av modellerna har tillhandahållit, och den säger att Q​wens flaggskepp är en kompetent generalist på mellannivå inom frontier snarare än en frontier-ledare — 45 mot 58 för den bästa modellen på den tavlan. Och åtkomstraden är inte en fotnot: den avgör om flottan kan existera överhuvudtaget.

Var Q​wen 4 Max faktiskt står

Alibaba använde sin Apsara-konferens den 22 september 2026 för att namnge fyra nivåer – Qwen 4 Max som flaggskepp, Qwen 4 Flash för genomströmning, Qwen 4 Plus i mellanskiktet och en Qwen 4 27B med öppna vikter – beskrev familjen som tränad på en arkitektur av ny generation och sade att den skulle komma snart. Inget datum angavs för någon av dem.

En månad senare finns det tre oberoende platser där en levererad Qwen-flaggskeppsmodell skulle synas, och den saknas på alla tre. Alibaba Clouds egen Model Studio-dokumentation listar qwen3.8-max som den högsta Max-nivån, utan någon Qwen 4-post. Artificial Analysis, som betygsätter de flesta kommersiella kinesiska flaggskeppsmodeller inom dagar från lansering, har ingen Qwen 4 Max-rad. OrcaRouter-katalogen, som innehåller fler än 200 modeller inklusive varje Qwen 3.5 till och med 3.8-nivå, har ingen qwen4-identifierare. Det är inte bevis på en försening. Det är bevis på att det per den 22 oktober inte finns något att jämföra.

Parametrsiffran som följde med tillkännagivandet förtjänar en rättelse, eftersom den fortsätter att spridas till jämförelsetabeller. Siffran 5 till 10 biljoner som cirkulerar är ett framåtblickande uttalande om generationerna efter Qwen 4 – tidsramen för Qwen 4.5 och Qwen 5. Alibaba har inte kopplat något parameterantal till Qwen 4 Max. En storlek i Qwen 5-klass som anges bredvid ett Qwen 4-modellnamn är ett fel som lånats in och har lång halveringstid.

Det tillkännagivandet faktiskt säger dig är att Alibaba avser att fortsätta utmana i flaggskeppsklassen, vilket är ett skäl att stanna kvar inom familjen snarare än att lämna den. Det säger dig ingenting som du kan planera en migrering kring, eftersom ”snart” inte är ett datum och en konferensbild inte är ett prisblad.

Vad specialistpremien ger, och vad den inte ger

Argumentet för GPT-Rosalind vilar på domänutvärderingar som OpenAI publicerade tillsammans med modellen: ledande BixBench-prestanda, sex av elva segrar i LABBench2 mot GPT-5.4 och per-token-förbättringar på 53,7 % på GeneBench, 18,0 % på MedChemBench och 19,6 % på LabWorkBench. Alla dessa är rapporterade av leverantören. Inget av det har reproducerats oberoende, och modellen finns inte med på de allmänna intelligenslistorna – vilket är normalt för en åtkomstbegränsad domänmodell och också innebär att siffrorna inte kan kontrolleras utifrån.

Det som går att kontrollera är verktygsstödet. Life Sciences Research Plugin kopplar modellen till fler än 50 vetenskapliga verktyg och datakällor som komponerbara färdigheter i Codex, och artikeln från 21 oktober är en demonstration av den stacken snarare än av rå resonemangsförmåga: att tusentals agenter var och en hämtar litteratur och skriver en strukturerad rapport är ett resultat av verktygsintegration. Qwen3.8-Max har ingen motsvarande biologistack. Den har stark allmän verktygsanropning och strukturerade utdata, och varje anslutning till vetenskapliga databaser skulle du behöva bygga själv.

Det är den verkliga formen av premien. Du betalar inte 2.5× för en smartare modell; du betalar det för domänanpassat resonemang utifrån molekylära bevis plus ett förkopplat verktygsskikt, och körningen den 21 oktober är det första offentliga beviset på att kombinationen producerar något som en biolog kommer att läsa. Det obekväma motargumentet finns i samma artikel: eftersom kontrollförsöket höll modellen fast och endast ändrade dekompositionen, skulle resultatet till stor del kvarstå även med en billigare modell. Studien isolerar inte hur mycket av utdata som är GPT-Rosalind och hur mycket som är arkitekturen — och författarna hävdar inte att den gör det. Om du budgeterar för en distribuerad svepning är den oklarheten värd ungefär $770 per tre tusen agenter, vilket är skillnaden mellan de två fakturorna ovan.

Grinden är en del av specifikationen

GPT-Rosalind går inte att köpa allmänt. OpenAI:s prissättningssida anger att åtkomst är begränsad till godkänd intern forskning genom programmet för betrodd åtkomst, och sedan den 11 september har det programmet varit öppet globalt för kvalificerade organisationer i stället för en fast partnerlista. Behörighet bedöms utifrån den föreslagna användningen, styrning och kontrollerad åtkomst – vilket är en rimlig policy för en modell som resonerar kring patogen- och proteindata, och en hård begränsning för det mönster för modellflottan som företaget just har demonstrerat.

En 32-minuterskörning över tusentals agenter förutsätter att du kan bursta till tusentals samtidiga förfrågningar på begäran. Med en åtkomstbegränsad nyckel är begränsningen inte tokens per minut; det är granskningen, kontostrukturen och vilket samtidighetstak programmet än beviljar. Alla team som planerar en distribuerad genomgång bör räkna med det innan de jämför priser, eftersom en billigare modell som du kan anropa fritt slår en bättre som du bara kan anropa enligt någon annans schema.

Det är här ett routinglager förtjänar sin plats, och där det inte gör det. GPT-Rosalind finns inte på OrcaRouter – åtkomst sker via O​penAI:s ansökan om betrodd åtkomst, och ingen router ändrar på det. Vad en router däremot förändrar är allt runt specialistsanropet. En körning som den som publicerades den 21 oktober är till största delen inte biologi: det är orkestrering, rapporttolkning, deduplicering över tusentals utdata och koden som gör en atlas till något frågbart. De stegen behöver ingen domänmodell för $25 per miljon utdata, och att placera dem där är hur ett 32-minutersexperiment blir ett dyrt sådant. Qwen3.8-Max finns på OrcaRouter till Alibabas listpris på $2,00/$6,00 med 0 % påslag, bakom samma OpenAI-kompatibla endpoint som fler än 200 andra modeller, så bulkbenet och specialistbenet sitter på en och samma nyckel med automatisk failover mellan leverantörer och routingpolicyn skriven som konfiguration i stället för som ett modellnamn inbakat i applikationen.

När Q​wen 4 Max släpps är det också det billigaste sättet att ta reda på om det spelar någon roll: en routingregel som skickar en del av trafiken till den nya nivån, med failover tillbaka till modellen du redan litar på, är ett test som inte kan ta ner produktionen. Fram till dess har katalogen helt enkelt ingen post för den, vilket är precis så en annonserad men ännu inte släppt modell bör se ut.

Vad skulle vända den här jämförelsen?

Fyra publicerade siffror skulle förvandla Qwen 4 Max från ett namn till en motståndare, och de förtjänar att nämnas vid namn så att det verkliga går att känna igen när det dyker upp.

• Prislistan. Ett Q​wen-flaggskepp som underbjuder $2,00/$6,00 ändrar kalkylen i den här artikeln med en faktor snarare än en procent. Ett som matchar den ändrar ingenting, eftersom den köpbara Q​wen-modellen redan sitter där.

• Långkontextbeteende, angivet som en policy. Om 1M-fönstret har ett tilläggsband och vid vilken tröskel. En stegvis taxa över en viss indatastorlek skulle ha större betydelse för en atlas-körning än rubriksiffran, eftersom varje agent i det mönstret passerar bandet.

• Ett resultat för agentisk förmåga och verktygsanvändning på en resultattavla som ingen på A​libaba administrerar. Klyftan som den här artikeln beskriver gäller inte allmän resonemangsförmåga – Qwen3.8-Max är kompetent där – utan vetenskaplig verktygsanvändning. Ett publicerat, oberoende administrerat resultat på den axeln skulle vara det första riktiga testet av specialistpremien.

• Om Max-nivån levererar vikter. Qwen3.8-Max gjorde det inte, men 27B-nivån i samma generation gjorde det, och en Qwen 4 Max med nedladdningsbara vikter skulle vara det enda som GPT-Rosalind strukturellt sett inte kan erbjuda ett reglerat labb som behöver granska vad som händer med proprietära sekvensdata.

Det beslut som den här sidan faktiskt underbygger väntar inte på någon av dem. Sätt specialisten där det är dyrt att ha fel – målprioritering, mekanismförslag, rapporten som en biolog kommer att läsa – och sätt flottan på modellen som kostar 0,14 dollar per agent och svarar utan ansökningsformulär. Resultatet från den 21 oktober är ett bra argument för att bedriva distribuerad biologi i atlasskala. Det är ett svagare argument för att köra allt på den dyraste modellen i rummet, och artikelns eget kontrollexperiment är anledningen till att säga det.