GPT-Rosalind กับ Grok 4.7: เกณฑ์วัดด้านสุขภาพไม่ใช่ด่านสำหรับชีววิทยา

Grok 4.7 มาพร้อมตัวเลขที่เมื่อมองแวบแรกดูเหมือนเป็นคำตอบสำหรับ GPT-Rosalind: 56.7% บน HealthBench Professional เพิ่มขึ้นจาก 48.5% ของ Grok 4.6 นี่คือเบนช์มาร์กความรู้ทางคลินิกที่ SpaceXAI รายงานในตารางเปิดตัวของโมเดลซึ่งเปิดตัวเมื่อวันที่ 21 กันยายน 2026 และเป็นสิ่งที่ใกล้เคียงที่สุดกับการประเมินทางการแพทย์ในเนื้อหาของบริษัททั้งสอง GPT-Rosalind ซึ่งวางจำหน่ายทั่วไปตั้งแต่ 5 ตุลาคม 2026 หลังการเปิดตัวในเดือนเมษายน 2026 ไม่ได้เผยแพร่สิ่งใดที่เทียบได้ — ตัวเลขของมันคือเบนช์มาร์กด้านเคมีและห้องปฏิบัติการเปียก และคุณต้องผ่านการตรวจสอบสิทธิ์การเข้าถึงสำหรับผู้ใช้ที่เชื่อถือได้เพื่อรันด้วยตัวเอง ดังนั้น คำถามที่ซื่อตรงจึงไม่ใช่โมเดลไหนทำคะแนนด้านสุขภาพได้สูงกว่า แต่เป็นว่าเบนช์มาร์กสุขภาพวัดอะไร เทียบกับสิ่งที่ด่านด้านชีววิทยาปกป้อง และทำไมโมเดลหนึ่งในนี้มีค่าใช้จ่ายต่อโทเค็นเพียงหนึ่งในสามของอีกโมเดล ขณะที่ทุกคนสามารถเข้าถึงได้ข้อพิพาทเรื่องเบนช์มาร์กและการเปลี่ยนแปลงของด่านการเข้าถึงที่เกิดขึ้นหลังการเปรียบเทียบเช่นนี้ จะถูกบันทึกพร้อมวันที่และแหล่งที่มาไว้ใน the AI Incident Archive พร้อมกับเหตุการณ์อื่น ๆ เกี่ยวกับโมเดลและผู้ขายที่เราติดตาม

ส่วนที่ทับซ้อนกันซึ่งกลับกลายเป็นแคบ

HealthBench Professional ถามคำถามแบบที่แพทย์ผู้ปฏิบัติงานจะตอบได้ มันให้คะแนนกับการเรียกคืนข้อมูล การปรับเทียบความมั่นใจ และความสามารถในการคงกรอบการคิดเชิงคลินิกไว้ ไม่ได้กำหนดให้โมเดลต้องออกแบบการทดลองแบบรบกวน อ่านโพรโทคอลในห้องปฏิบัติการเปียก หรือให้เหตุผลเกี่ยวกับความสัมพันธ์ระหว่างโครงสร้างกับฤทธิ์ ชุดการทดสอบที่เผยแพร่ของ GPT-Rosalind เป็นการทดสอบอีกแบบหนึ่ง: MedChemBench ครอบคลุมการทำนาย potency และ ADME และการสังเคราะห์ย้อนกลับ GeneBench ครอบคลุม genomics ระยะยาว LabWorkBench ครอบคลุมการเชื่อมโยงการรบกวนเข้ากับผลลัพธ์ในโพรโทคอลจริง เครื่องมือต่างกัน เป้าหมายต่างกัน

• สิ่งที่กำลังวัด — Grok 4.7: ความรู้ทางคลินิกและการตัดสินใจทางคลินิก 56.7% ใน HealthBench Professional; GPT-Rosalind: การให้เหตุผลทางเคมีและห้องปฏิบัติการเปียก 27.5% ใน MedChemBench และ 63.2% ใน LabWorkBench

• ใครเป็นผู้รัน — Grok 4.7: SpaceXAI เทียบกับโมเดลก่อนหน้าของตัวเอง GPT-Rosalind: O​penAI เทียบกับ GPT-5.5

• การจำลองผลโดยอิสระ — ไม่มีสำหรับทั้งสองเกณฑ์มาตรฐาน

• สิ่งที่ตัวเลขทั้งสองไม่ได้บอกคุณ — ว่าโมเดลจะเชื่อถือได้หรือไม่กับผลลัพธ์ที่ต้องนำไปใส่ในเอกสารยื่น นั่นเป็นคำถามเกี่ยวกับรูปแบบความล้มเหลว ไม่ใช่คะแนน

ลองวางสองตารางไว้ข้างกัน แล้วจะเห็นว่าไม่มีแถวไหนที่ทั้งสองตารางมีร่วมกัน นั่นไม่ใช่ช่องโหว่ของการรายงาน แต่คือรูปร่างของตลาด โมเดลทั่วไปถูกวัดกันที่ความกว้าง ส่วนโมเดลเฉพาะทางวัดกันที่ความลึก และผู้ขายแต่ละรายก็เลือกการทดสอบที่โชว์จุดแข็งของตัวเอง

ซอง ซึ่งเป็นจุดที่สองสิ่งนี้แตกต่างกันจริง ๆ

ข้อมูลจำเพาะเป็นส่วนที่ไม่มีอะไรน่าตื่นเต้นที่สุดของการเปรียบเทียบ และเป็นส่วนที่ชี้ขาดว่าเวิร์กโฟลว์หนึ่งๆ จะเป็นไปได้หรือไม่เลยทีเดียว ในจุดนี้ สองโมเดลแตกต่างกันมากกว่าที่บทสนทนาเรื่อง benchmark บ่งชี้

• หน้าต่างบริบท — Grok 4.7: 500,000 โทเค็น ซึ่งเป็นครึ่งหนึ่งของ 1,000,000 ของ GPT-Rosalind

• เอาต์พุตสูงสุด — Grok 4.7: 450,000 โทเค็น และเอกสารของ SpaceXAI เองระบุว่าไม่มีขีดจำกัดเอาต์พุตข้อความ ซึ่งไม่สอดคล้องกับตัวเลข 450K บนการ์ดโมเดลของเรา เราแจ้งความไม่สอดคล้องนี้แทนการเลือกข้าง ผู้จำหน่ายเป็นผู้มีอำนาจเกี่ยวกับโมเดลของตนเอง GPT-Rosalind: ไม่ได้เผยแพร่แยกต่างหากในฐานะเพดานเอาต์พุต

• อินพุต — Grok 4.7: ข้อความและรูปภาพ, JPG หรือ PNG ขนาดไม่เกิน 20 MiB ต่อไฟล์, ไม่มีเอกสารระบุขีดจำกัดจำนวนรูปภาพ, ลำดับใดก็ได้ GPT-Rosalind: อินพุตไฟล์วิทยาศาสตร์ผ่าน ChatGPT, Codex และ API; ไม่มีการเผยแพร่ข้อความอ้างเกี่ยวกับอินพุตรูปภาพทั่วไป

• การควบคุมการให้เหตุผล — Grok 4.7: reasoning_effort ที่ระดับ low, medium, high หรือ xhigh โดยอ้างอิงตัวเลข benchmark ที่เผยแพร่ไว้ที่ระดับ xhigh GPT-Rosalind: การควบคุมแบบ reasoning-effort ใน API โดยมี tool use เป็นแกนหลักของโมเดล

• เครื่องมือ — Grok 4.7: การเรียกใช้ฟังก์ชัน การค้นหาเว็บ การค้นหา X และการรันโค้ด ทั้งหมดทำงานฝั่งเซิร์ฟเวอร์ GPT-Rosalind: ปลั๊กอินเครื่องมือสำหรับวิทยาศาสตร์ชีวภาพที่มีเครื่องมือมากกว่าห้าสิบรายการภายใน ChatGPT และ Codex

• ขีดจำกัดความรู้ — Grok 4.7: พฤษภาคม 2026 โดยค่าเริ่มต้นจะไม่มีการรับรู้แบบเรียลไทม์ GPT-Rosalind: ยังไม่เผยแพร่

ช่องว่างด้านบริบทคือสิ่งที่สร้างปัญหาในโดเมนนี้ หน้าต่าง 1M โทเคนไม่ใช่ของฟุ่มเฟือยสำหรับงานจีโนมิกส์ แต่เป็นสิ่งที่ทำให้โมเดลเก็บแอตลาสทั้งชุดหรือชุดโพรโทคอลทั้งหมดไว้ได้ในครั้งเดียว 500K ของ Grok 4.7 ถือว่าใจกว้างตามมาตรฐานทั่วไป และเป็นครึ่งหนึ่งของสิ่งที่โมเดลเฉพาะทางมีให้ ในขณะที่เพดานเอาต์พุต 450K นั้นไกลเกินกว่าสิ่งที่คำตอบทางชีววิทยาต้องการมาก และเป็นสิ่งที่เส้นทางการทำงานของเอเจนต์แบบยาวหรือการรีแฟกเตอร์ขนาดใหญ่ต้องการพอดี

ช่องว่างราคากว้างที่สุดในชุดนี้

Grok 4.7 เป็นโมเดลที่ถูกที่สุดในการเปรียบเทียบใด ๆ เหล่านี้ และ GPT-Rosalind เป็นโมเดลที่แพงที่สุด ซึ่งทำให้การคำนวณออกมาตรงไปตรงมา

• อินพุต — Grok 4.7 ราคา 2.00 ดอลลาร์ต่อ 1M เทียบกับ GPT-Rosalind 5.00 ดอลลาร์ โมเดลเฉพาะทางมีค่าใช้จ่ายสูงกว่า 2.5 เท่า

• เอาต์พุต — Grok 4.7 $6.00 เทียบกับ GPT-Rosalind $25.00 ช่องว่าง 4.2× และเป็นความแตกต่างของตัวเลขเดียวที่มากที่สุดในบทความนี้

• อินพุตแคช — Grok 4.7 $0.50 vs GPT-Rosalind $0.50 เหมือนกัน ซึ่งเป็นบรรทัดเดียวที่ผู้เชี่ยวชาญไม่ได้มีราคาสูงกว่า

• พรอมต์แบบยาว — Grok 4.7 เพิ่มเป็นสองเท่าเป็น $4.00 / $12.00 โดยมีราคาแคช $1.00 เมื่อพรอมต์ถึง 200K โทเค็น ขณะที่ GPT-Rosalind ไม่ประกาศค่าธรรมเนียมเพิ่มสำหรับบริบทแบบยาว

• การคิดค่าบริการตามภูมิภาค — Grok 4.7 มี endpoint ในสหรัฐฯ ที่ตัวคูณ 1.1× ซึ่งคิดออกมาเป็น $2.20 / $6.60 สำหรับปริมาณต่ำกว่า 200K

อัตราส่วนเอาต์พุตคือจุดที่การตัดสินใจอยู่จริง เวิร์กโฟลว์การค้นพบสร้างเอาต์พุตจำนวนมาก ทั้งรายการผู้สมัคร แบบร่างโปรโตคอล โค้ด และเหตุผลประกอบยาว ๆ ที่ $25 เทียบกับ $6 ต่อล้านโทเค็น การรันหนึ่งครั้งที่ปล่อยโทเค็นเอาต์พุตสิบล้านโทเค็นมีค่าใช้จ่าย $250 สำหรับโมเดลเฉพาะทาง และ $60 สำหรับโมเดลทั่วไป คำถามเดียวที่คุ้มค่าถามคือ $190 นั้นซื้ออะไรให้คุณได้บ้าง และไม่มีเบนช์มาร์กที่เผยแพร่ใดตอบคำถามนี้

สิ่งที่ผู้ประเมินอิสระเพิ่มเข้ามา

Grok 4.7 มีบันทึกผลอิสระที่เป็นของจริง และให้ข้อมูลมากกว่าตารางของผู้จำหน่าย เพราะรวมต้นทุนที่ไม่มีใครโฆษณาไว้ด้วย

• ความฉลาด — ได้ 46 คะแนนบน Artificial Analysis Intelligence Index, v4.3.2 ซึ่งเป็นอันดับที่ 21 จาก 211 โมเดลบนบอร์ดดังกล่าว และสูงกว่าค่ามัธยฐานของดัชนีที่ 26 อย่างมาก GPT-Rosalind ไม่ได้อยู่บนบอร์ดนี้เลย โมเดลเฉพาะทางอยู่นอกขอบเขต

• ต้นทุนต่อการรันดัชนี — 3.74 ดอลลาร์ โดยผู้ประเมินบันทึกส่วนลดแคชไว้ที่ 75% และอัตราอินพุต/เอาต์พุตที่ตรงกับอัตราของผู้ขายเองที่ 2.00 / 6.00 ดอลลาร์ ความเห็นของระบุว่าโมเดลนี้มีราคาที่สมเหตุสมผลเมื่อเทียบกับคู่แข่งในระดับราคาใกล้เคียงกัน

• ความเยิ่นเย้อ — 240M โทเค็นเอาต์พุตทั่วทั้งดัชนี เทียบกับค่ามัธยฐานที่ 88M Artificial Analysis เรียกสิ่งนี้ว่า "very verbose" และนั่นคือตัวเลขที่มีประโยชน์ที่สุดเพียงตัวเดียวตรงนี้สำหรับการจัดทำงบประมาณ: โมเดลที่คิดเป็นลูกโซ่ยาวขึ้นจะมีต้นทุนต่องานสูงขึ้นที่อัตราโทเค็นคงที่ใด ๆ

• ความเร็ว — 82.6 โทเค็นเอาต์พุตต่อวินาที อันดับที่ 83 จาก 211 ซึ่งแม้กระนั้นผู้ประเมินก็ยังระบุว่าช้ากว่าค่าเฉลี่ย

ตัวเลขความละเอียดของคำตอบคือสิ่งที่ควรทำให้การคิดเลขในใจของคุณเปลี่ยนไป Grok 4.7 ที่ราคาเอาต์พุต $6.00 ไม่ได้ถูกกว่า GPT-Rosalind ที่ $25.00 ต่องานถึง 4.2 เท่า หากมันปล่อยโทเค็นออกมาเกือบสามเท่าเพื่อไปให้ถึงจุดนั้น เมื่อคิดต่องาน ช่องว่างที่แท้จริงจึงแคบกว่าที่ตารางราคาบอก และไม่มีใครเผยแพร่ตัวเลขความละเอียดของ Rosalind ให้เทียบได้ เพราะ Rosalind ไม่ได้อยู่ในกระดานนั้น

ทำไมเกตนี้จึงมีอยู่ และทำไม Grok จึงไม่มีเกตดังกล่าว

นี่คือความไม่สมมาตรที่ตาราง benchmark ไม่สามารถแสดงออกมาได้ Grok 4.7 ถูกขายให้ใครก็ตามที่มีบัญชีเรียกเก็บเงิน โดยมีบริบท 500K อินพุตรูปภาพ และการเรียกใช้โค้ดฝั่งเซิร์ฟเวอร์ GPT-Rosalind ถูกขายเฉพาะองค์กรที่ผ่านการตรวจสอบ และการตรวจสอบนี้มีอยู่เพราะ OpenAI พิจารณาว่าความสามารถด้านชีววิทยาของโมเดลเป็นสิ่งประเภทที่ไม่ควรพร้อมใช้งานตามความต้องการ

จงอ่านสิ่งนั้นเป็นคำแถลงเกี่ยวกับความสามารถ ไม่ใช่เกี่ยวกับละครความปลอดภัย แล็บที่ตั้งเกณฑ์กั้นการเข้าถึงโมเดลได้ตัดสินใจว่าโมเดลเก่งพอในเรื่องที่มีนัยสำคัญจนคุ้มค่าที่จะกั้น SpaceXAI ยังไม่ได้ตัดสินใจในลักษณะเทียบเท่ากันเกี่ยวกับ Grok 4.7 และจุดแข็งที่ประกาศไว้ ได้แก่ การเขียนโค้ด ลูปเครื่องมือแบบเอเจนต์ และงานซอฟต์แวร์ที่ใช้เวลานาน ไม่ใช่ประเภทของสิ่งที่ถูกกั้นด้วยเกณฑ์

ผลที่ตามมาในทางปฏิบัติคือ หากงานของคุณเป็นการคำนวณและอยู่ใกล้เคียงกับชีววิทยามากกว่าจะอยู่ภายในนั้น Grok 4.7 พร้อมใช้งานแล้ว ราคาถูก และเหมาะอย่างยิ่งกับลักษณะของงานนั้น หากงานของคุณคือตัวชีววิทยาเอง โมเดลที่คุณต้องการอยู่หลังแบบฟอร์ม และไม่ว่า HealthBench Professional จะมากเพียงใดก็ปิดช่องว่างนั้นไม่ได้ ในกรณีนั้น ด่านนั้นคือตัวผลิตภัณฑ์ ไม่ใช่อุปสรรคต่อผลิตภัณฑ์

การจัดเส้นทางให้คู่นี้ และจุดเดียวที่เราต้องระมัดระวัง

Grok 4.7 อยู่บน OrcaRouter ในราคาตามรายการของ SpaceXAI — อินพุต $2.00 เอาต์พุต $6.00 และอินพุตแคช $0.50 ต่อหนึ่งล้านโทเค็น โดยมีมาร์กอัป 0% และเกณฑ์ 200K ถูกนำมาใช้เป็นระดับราคา เพื่อให้คำขอที่มีพรอมป์ยาวถูกเรียกเก็บเงินอย่างตรงไปตรงมาแทนที่จะทำให้คุณประหลาดใจ GPT-Rosalind ไม่ได้อยู่บน OrcaRouter และไม่ได้อยู่บนเราเตอร์ของบุคคลที่สามรายใดเลย; มันทำงานผ่านโครงการ trusted-access ของ O​penAI โดยตรง เราไม่มีเจตนาจะสื่อเป็นนัยเป็นอย่างอื่น และไม่มีเส้นทางใดที่กำหนดค่าแล้วจะเปลี่ยนสิ่งนั้นได้

สิ่งที่เหลืออยู่คือรูปแบบที่การเปรียบเทียบทั้งชุดนี้วนกลับมาถึงอยู่เสมอ ครึ่งด้านการคำนวณของแพลตฟอร์มวิจัยทำงานบน Grok 4.7 และโมเดลอื่น ๆ อีกกว่า 200 โมเดลผ่านคีย์เดียว โดยมีการสลับสำรองอัตโนมัติระหว่างผู้ให้บริการเพื่อให้ปัญหาด้านความจุย้ายคำขอไปแทนที่จะทำให้การรันล้มเหลว ครึ่งด้านชีววิทยายังคงใช้คีย์โดยตรง DSL การกำหนดเส้นทางคือจุดที่คุณกำหนดขอบเขตให้ชัดเจน: เส้นทางที่ตั้งชื่อไว้สำหรับผู้เชี่ยวชาญเฉพาะทางซึ่งจะล้มเหลวอย่างชัดเจนเมื่อไม่พร้อมใช้งาน เส้นทางเริ่มต้นสำหรับทุกอย่างที่เหลือ และไม่มีการยกระดับคำตอบของโมเดลทั่วไปเข้าสู่ช่องของผู้เชี่ยวชาญเฉพาะทางอย่างเงียบ ๆ

การหลอมรวมโมเดล (model fusion) น่าศึกษาไว้สำหรับกรณีขอบเขต การตั้งคณะที่ถามทั้งโมเดลทั่วไปราคาถูกและผู้เชี่ยวชาญด้วยคำถามเดียวกัน แล้วเปรียบเทียบกัน เป็นวิธีจับคำขอที่ถูกจัดประเภทผิด — คำขอที่ดูเหมือนงานระบบทั่วไปแต่กลับต้องใช้วิจารณญาณเฉพาะด้าน และยังเป็นวิธีที่ซื่อตรงในการใช้โมเดลที่คุณยังไม่ไว้วางใจเต็มที่

อะไรจะเปลี่ยนคำตอบ

มีพัฒนาการสามประการ ซึ่งไม่มีข้อใดแปลกใหม่ SpaceXAI อาจเผยแพร่การประเมินเฉพาะโดเมนที่มีความจำเพาะระดับเดียวกับชุดทดสอบเคมีของ Rosalind — HealthBench Professional เป็นเพียงจุดเริ่มต้นและยังห่างไกล O​penAI อาจขยายแผนวิชาการเดือนตุลาคมให้รวมถึงการเข้าถึง API ซึ่งจะมอบขีดความสามารถของผู้เชี่ยวชาญแบบฟรีให้กับห้องปฏิบัติการที่ไม่สามารถจ่ายค่าดังกล่าวได้ในปัจจุบันพอดี หรือฮาร์เนสอิสระอาจนำทั้งสองโมเดลไปผ่านชุดภารกิจทางวิทยาศาสตร์ชุดเดียวกัน ซึ่งจะยุติคำถามที่ตารางจากผู้ขายสองเจ้าหลีกเลี่ยงอย่างระมัดระวังมาโดยตลอด

จนกว่าหนึ่งในนั้นจะมาถึง ความแตกต่างยังไม่สูสี หากคำขอเป็นโค้ด ข้อมูล หรือร้อยแก้ว Grok 4.7 มีราคาเอาต์พุตเพียงหนึ่งในสาม พร้อมพื้นผิวเครื่องมือที่ใหญ่กว่าและคะแนนที่เป็นอิสระ และการเลือกผู้เชี่ยวชาญจะเป็นวิธีที่แพงในการทำให้รู้สึกว่ารอบคอบ หากคำขอเป็นงานวิทยาศาสตร์ จ่าย 4.2× และยอมรับการตรวจสอบ เพราะโมเดลเดียวในการเปรียบเทียบนี้ที่ถูกปรับแต่งมาเพื่องานนี้คือโมเดลที่ทำให้คุณต้องกรอกแบบฟอร์ม