การ์ดชื่อเรื่องสำหรับการเปรียบเทียบ หัวข้อ 'Nemotron for Science vs GPT-Rosalind' พร้อมสถิติสี่รายการ: น้ำหนักแบบเปิดภายใต้ OpenMDW-1.1 โดยไม่ต้องสมัคร, GPT-Rosalind ในราคาอินพุต $5.00 และเอาต์พุต $25.00 ต่อล้านโทเคนหลังการตรวจสอบสิทธิ์การเข้าถึงแบบเชื่อถือได้, คำถามเคมี LitmusBench v0.2 ประมาณ 50,000 ข้อที่ฝึกได้ และ 81% ของการแก้ไข GROMACS ที่ KTH ในการรัน DGX Spark หนึ่งครั้งตลอดคืน
Guides & Insights

Nemotron for Science เทียบกับ GPT-Rosalind: โมเดลน้ำหนักเปิดกับการเข้าถึงผ่านด่านที่เชื่อถือได้

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ถามถึงค่าใช้จ่ายของทั้งสองสิ่งนี้ แล้วคุณจะได้คำตอบที่แทบไม่ได้บอกอะไรเกี่ยวกับอีกสิ่งเลย NVIDIA Nemotron for Science ซึ่งประกาศเปิดตัวที่ SC26 เมื่อวันที่ 16 พฤศจิกายน 2026 เป็นแพ็กเกจที่ดาวน์โหลดได้: เช็กพอยต์ Nemotron 3.5 Super VL แบบเปิดภายใต้ OpenMDW-1.1 ชุดข้อมูลเคมีประมาณ 50,000 คำถามชื่อ LitmusBench v0.2 และสูตรการทำ post-training ต้นทุนส่วนเพิ่มของมันก็คือ GPU ที่คุณมีอยู่แล้ว GPT-Rosalind เป็น API แบบคิดค่าตามการใช้งานที่ต้องผ่านการสมัคร: ผู้เชี่ยวชาญด้านวิทยาศาสตร์ชีวภาพของบริษัท ซึ่งเปิดตัวเมื่อวันที่ 16 เมษายน 2026 ได้เปิดให้องค์กรที่มีคุณสมบัติใช้งานได้ทั่วโลกเมื่อวันที่ 11 กันยายน 2026 โดยคิดค่าบริการ $5.00 ต่อล้านโทเค็นอินพุต และ $25.00 ต่อล้านโทเค็นเอาต์พุต ตั้งแต่วันที่ 5 ตุลาคม อันหนึ่งเป็นชุดเครื่องมือ อีกอันเป็นบริการที่มีขั้นตอนการตรวจสอบคุณสมบัติก่อน ความแตกต่างนี้ชี้ขาดได้มากกว่าคะแนน benchmark ใด ๆ ของทั้งสองฝ่ายว่าห้องแล็บของคุณควรใช้ตัวไหน

ทั้งสองป้ายกำกับเขียนว่า "วิทยาศาสตร์" และคำนั้นรับภาระหนักมากในทั้งสองกรณี โมเดลทั้งสองไม่ใช่นักวิทยาศาสตร์เอนกประสงค์ แต่ละโมเดลมุ่งเป้าไปที่งานวิจัยเพียงบางส่วนโดยเฉพาะ ถูกสร้างโดยบริษัทที่มีผลประโยชน์เชิงพาณิชย์เฉพาะในส่วนนั้น และได้รับการประเมินโดยบริษัทนั้น ดังนั้นการเปรียบเทียบนี้จึงแยกคำถามสามข้อที่มักถูกรวมเข้าด้วยกันในการรายงานข่าวเปิดตัว ได้แก่ โมเดลแต่ละตัวสามารถชี้ไปที่อะไรได้จริง ใครได้รับอนุญาตให้ชี้มัน และการทดลองหนึ่งครั้งมีค่าใช้จ่ายเท่าใดในแต่ละโมเดล

ผลิตภัณฑ์ที่แตกต่างกันสองอย่าง ไม่ใช่สองเวอร์ชันของสิ่งเดียวกัน

GPT-Rosalind เป็นโมเดลการให้เหตุผลที่ปรับจูนสำหรับชีววิทยา — โมเลกุล โปรตีน ยีน พาธเวย์ กลไกของโรค — พร้อมระบบนิเวศปลั๊กอินที่มีการบันทึกไว้เป็นเครื่องมือด้านวิทยาศาสตร์ชีวภาพกว่า 50 รายการ และประวัติผลงานด้านบันทึกงานวิจัยที่รวมถึงการรันเอเจนต์แบบกระจายศูนย์ซึ่งคัดกรองเอกสารอ้างอิงกว่า 700 รายการให้เหลือ 11 รายการ เข้าถึงได้ผ่าน ChatGPT, Codex และ API โดยเส้นทาง API ต้องผ่านโปรแกรม trusted-access ของ OpenAI ซึ่งเป็นการกำกับที่ตัวโมเดลเอง ไม่ใช่ที่ฟีเจอร์ ความสามารถมีอยู่จริง คำถามคือคุณจะได้รับมันหรือไม่

Nemotron for Science ไม่ใช่โมเดลในความหมายแบบเดียวกัน โมเดลที่อยู่ภายในคือ Nemotron 3.5 Super VL ซึ่งปล่อยน้ำหนักโมเดลเมื่อวันที่ 12 ตุลาคม 2026 และ NVIDIA ประกาศเมื่อวันที่ 15 ตุลาคม — ห้าสัปดาห์ก่อน SC26 สิ่งที่เปิดตัวในวันที่ 16 พฤศจิกายนคือชุดองค์ประกอบโดยรอบ ได้แก่ ชุดประเมินทางเคมี สูตรการฝึกหลังการฝึก และเอกสารสำหรับเชื่อมต่อโมเดลเข้ากับซอฟต์แวร์วิทยาศาสตร์ CUDA-X ในฐานะเครื่องมือที่เรียกใช้ได้ ไม่มีใครจำกัดการเข้าถึง คุณโคลนมัน คุณกำหนดขนาดฮาร์ดแวร์ คุณปรับแต่งละเอียดด้วยข้อมูลของคุณเอง และขั้นตอนการอนุมัติเดียวคืองบประมาณการประมวลผลของคุณเอง

ความไม่สมมาตรนั้นคือการเปรียบเทียบทั้งหมด และทุกสิ่งด้านล่างคือผลสืบเนื่องของมัน

กระดานคะแนน ทีละมิติ

• รูปแบบการเข้าถึง — Nemotron for Science: น้ำหนักแบบเปิดบน Hugging Face ภายใต้ OpenMDW-1.1 ใช้ได้ทั้งเชิงพาณิชย์และไม่เชิงพาณิชย์ ไม่ต้องยื่นคำขอ GPT-Rosalind: ต้องผ่านการตรวจสอบการเข้าถึงแบบเชื่อถือได้ก่อนเรียก API ครั้งแรก; การเข้าถึงแชทผ่านโครงการวิชาการแยกต่างหากซึ่งไม่รวมการเรียก API อย่างชัดเจน

• ราคาตามรายการ — Nemotron for Science: ไม่มีตารางอัตราค่าบริการจากผู้จำหน่าย ต้นทุนแบบโฮสต์เองคือฮาร์ดแวร์ของคุณ การอนุมานจากบุคคลที่สามระบุราคา Super VL ไว้ที่ $0.20 ต่อล้านโทเค็นอินพุต และ $0.50 ต่อล้านโทเค็นเอาต์พุต พร้อมส่วนลดแคช 75% และอัตราเฉลี่ยรวมที่ $0.13 GPT-Rosalind: $5.00 อินพุต / $25.00 เอาต์พุตต่อล้าน และอินพุตที่แคชไว้ $0.50

• พารามิเตอร์ — Nemotron 3.5 Super VL: รวม 120B, เปิดใช้งาน 12B ต่อโทเคน, MoE แบบไฮบริด Mamba-2 และ Transformer ที่มีผู้เชี่ยวชาญแบบ routed 512 รายต่อเลเยอร์ MoE GPT-Rosalind: ไม่เปิดเผย

• บริบทและโมดัลลิตี — ทั้งคู่รองรับ 1M โทเคน Super VL รับข้อความ รูปภาพ และวิดีโอ MP4 ความยาวสูงสุดสองนาที แล้วส่งออกเป็นข้อความ ส่วน GPT-Rosalind รับข้อความและไฟล์ทางวิทยาศาสตร์ผ่าน ChatGPT, Codex และ API โดยไม่มีการเผยแพร่ข้อมูลอ้างอิงเกี่ยวกับการรับภาพทั่วไป

• หลักฐานเชิงโดเมน — Nemotron for Science: พันธมิตรและสถาบันที่ระบุชื่อเจ็ดแห่ง รวมถึงอัตราการกู้คืนปฏิกิริยา 76% บน RxnScribe ที่ Terray, 81% ของการติดตั้ง GROMACS ที่เสียหายได้รับการซ่อมแซมโดยเอเจนต์ KTH ในการรัน DGX Spark ข้ามคืนหนึ่งครั้ง และความแม่นยำการสังเคราะห์ควอนตัมดอท 61% เทียบกับ 54% เมื่อเทียบกับ GPT-6 Astra ที่ Lila Sciences GPT-Rosalind: นำใน BixBench, MedChemBench 27.5%, GeneBench 21.6%, LabWorkBench 63.2% และประสิทธิภาพต่อโทเค็นเพิ่มขึ้น 4.42% บน LifeSciBench ข้อมูลทั้งหมดมาจากการรายงานของผู้ขายทั้งสองฝ่าย

• คะแนนอิสระ — Nemotron 3.5 Super VL: ดัชนี Intelligence Index ของ Artificial Analysis อยู่ที่ 14, 291 โทเคนต่อวินาที, 11.85 วินาทีถึงโทเคนคำตอบแรก ส่วน GPT-Rosalind: ไม่ได้ติดตามในดัชนีนั้น

A two-column comparison scoreboard for Nemotron for Science and GPT-Rosalind across six dimensions: access, list price, parameters, context and modality, domain evidence, and independent score. Nemotron is open weights at 120B total and 12B active with an Artificial Analysis Intelligence Index of 14; GPT-Rosalind is trusted-access reviewed, priced at $5.00 input and $25.00 output per million with 27.5% on MedChemBench and 63.2% on LabWorkBench, and is not tracked on that index.

เคมีและชีววิทยาไม่ใช่เกณฑ์มาตรฐานเดียวกัน

นี่คือความไม่สอดคล้องที่การอ่านแบบไล่ทีละสเปกซ่อนไว้ หลักฐานที่เผยแพร่ของ GPT-Rosalind นั้นเป็นชีววิทยาแทบทั้งหมด: ช่วงการแสดงออกของโปรตีน การให้เหตุผลระดับยีน เคมีเภสัช และงานตามโพรโทคอลในห้องปฏิบัติการ ขณะที่หลักฐานที่เผยแพร่ของ Nemotron for Science นั้นเป็นเคมีและการคำนวณแทบทั้งหมด: การสกัดรูปแบบปฏิกิริยา การทำนายการละลาย ชะตากรรมทางเมแทบอลิซึม การสังเคราะห์ควอนตัมดอท และการซ่อมแซมการจำลองพลวัตโมเลกุล ทั้งสองเป็น "วิทยาศาสตร์" และกลุ่มเคมีเชิงคำนวณกับกลุ่มมะเร็งวิทยาเชิงแปลผลไม่ได้อยู่ในตลาดเดียวกัน

จุดที่ทั้งสองทับซ้อนกันอย่างแท้จริงคือชั้นการทำงานแบบเอเจนต์ และในจุดนี้หลักฐานของ NVIDIA ก็เป็นรูปธรรมอย่างผิดปกติ โมเดลที่อ่านชุดอินพุต GROMACS ที่เสียหาย วิเคราะห์ว่าเหตุใด topology กับไฟล์พิกัดจึงไม่สอดคล้องกัน และสร้างการแก้ไขที่เอนจินยอมรับในภายหลัง กำลังใช้เครื่องมือแบบหลายขั้นตอนพร้อมรางวัลที่ตรวจสอบได้ — และ KTH รายงานความสำเร็จ 81% ในกรณีทดสอบที่พวกเขาสร้างขึ้น หลักฐาน Rosalind ที่เทียบเคียงได้คือการรันสมมติฐานเรื่องการขนส่งคอเลสเตอรอลที่ใช้เวลา 32 นาทีจากเดือนตุลาคม ซึ่งเอเจนต์ที่ร่วมมือกันหลายพันตัวคัดกรองเอกสารอ้างอิงกว่า 700 รายการให้เหลือ 11 รายการ และผู้ตรวจทานแบบปกปิดตัวตนชอบผลลัพธ์ในประมาณสามในสี่ของการเปรียบเทียบ ทั้งสองเป็นข้อมูลจากเจ้าของผลิตภัณฑ์เอง ทั้งสองอธิบายลูปที่วางแผน ดำเนินการ และตรวจสอบ ไม่มีฝ่ายใดเผยแพร่อัตราการทำเสร็จภายใต้ภาระการผลิต ซึ่งเป็นตัวเลขที่จะทำให้คุณเปรียบเทียบทั้งสองได้จริง

อ่านฐานหลักฐานทั้งสองชุดว่าเป็นสิ่งที่เสริมกัน ไม่ใช่สิ่งที่แข่งขันกัน ถ้างานของคุณคือชีววิทยาแบบ wet-lab ชุดข้อมูลเคมีของ NVIDIA แทบจะไม่เกี่ยวข้องกับคุณ และแถวข้อมูล MedChemBench กับ LabWorkBench ของ Rosalind คือแถวที่คุณควรอ่าน ถ้างานของคุณคือเคมีเชิงคำนวณหรือการจำลองโมเลกุล ผลลัพธ์ GROMACS และควอนตัมดอตจะสะท้อนสัปดาห์การทำงานจริงของคุณ และการปรับแต่งทางชีววิทยาของ Rosalind คือสิ่งที่คุณจะจ่ายในราคาพรีเมียมแต่ไม่ได้ใช้

ค่าใช้จ่ายของการทดลองที่คำนวณไว้แล้ว

การกำหนดราคาต่อโทเคนเป็นหน่วยที่ผิดสำหรับทั้งสองกรณีนี้ ดังนั้นนี่คือเลขคณิตที่สำคัญ ลองพิจารณาการรันหลังการฝึกบน Nemotron for Science: โมเดล 120B ที่ BF16 ต้องใช้ H100 4 ตัว หรือ GB200 2 ตัว หรือ DGX Spark เพียงเครื่องเดียวบนบิลด์ NVFP4 การรันข้ามคืนเพียงครั้งเดียวบน DGX Spark หนึ่งเครื่อง — การกำหนดค่า KTH — เป็นค่าใช้จ่ายคงที่ที่ทราบได้แน่นอน เมื่อเทียบกับฮาร์ดแวร์ที่คุณเป็นเจ้าของหรือเช่าเป็นรายชั่วโมง ชุดข้อมูลนั้นฟรี และเรซิปีได้รับการเผยแพร่แล้ว คุณสามารถรันลูปได้ร้อยครั้ง และต้นทุนส่วนเพิ่มของการรันครั้งที่ 99 ก็เท่ากับการรันครั้งแรก

ตอนนี้ก็ทำแบบเดียวกันกับโมเดลเฉพาะทางที่คิดค่าบริการตามการใช้งาน ด้วยราคาอินพุต $5.00 และเอาต์พุต $25.00 ต่อหนึ่งล้านโทเค็น การประมวลผลบริบทยาวเพียงครั้งเดียวบนคลังข้อมูลวิทยาศาสตร์ขนาดใหญ่จึงไม่ใช่ตัวเลขเล็กน้อยที่มองข้ามได้ และต้นทุนของความพยายามที่ล้มเหลวก็ถูกคิดในอัตราเดียวกับความพยายามที่สำเร็จ นั่นคือเหตุผลว่าทำไมอินพุตแคชที่ราคา $0.50 จึงสำคัญมากในฝั่ง Rosalind: หากพรอมต์ของคุณแชร์คำนำหน้าขนาดใหญ่ร่วมกัน ส่วนลดจะอยู่ที่ 90% และเศรษฐศาสตร์เปลี่ยนไปโดยสิ้นเชิง หากไม่เป็นเช่นนั้น ก็ไม่เป็นเช่นนั้น

ข้อสรุปที่ตรงไปตรงมาจากการคำนวณนั้นไม่ใช่ "แบบเปิดถูกกว่า" แต่เป็นว่ารูปแบบการคิดราคาสองแบบให้ผลตอบแทนกับงานที่แตกต่างกัน การปรับแต่งแบบทำซ้ำให้ผลตอบแทนกับน้ำหนักแบบเปิด เพราะคุณจ่ายเฉพาะค่าประมวลผลและไม่มีอย่างอื่น ส่วนการประเมินสมมติฐานหนึ่งร้อยข้อแบบเร่งรัดกับโมเดลแนวหน้าจะให้ผลตอบแทนกับ API ที่คิดตามการใช้งาน เพราะคุณจ่ายเฉพาะสิ่งที่ใช้และไม่มีอย่างอื่น กลุ่มวิจัยส่วนใหญ่ทำทั้งสองอย่าง ซึ่งนั่นคือส่วนที่ชวนลำบากใจ

A two-column cost card titled 'What one experiment costs, worked out', comparing a self-hosted Nemotron run against a metered GPT-Rosalind call across unit of cost, cost of run ninety-nine, cost of a failed attempt, shared prompt prefix discount, hardware requirement, and the kind of work each pricing shape rewards.

จุดที่เลเยอร์การกำหนดเส้นทางเหมาะสม และจุดที่มันไม่เหมาะสม

ไม่มีเช็กพอยต์ใดอยู่ในแคตตาล็อกของเรา เราไม่ได้ให้บริการ Nemotron 3.5 Super VL และเราไม่ได้ให้บริการ GPT-Rosalind และบทความที่แสร้งทำเป็นว่าเป็นอย่างอื่นคงเป็นเรื่องแปลก — คำตอบในทางปฏิบัติสำหรับตัวแรกคือคุณดาวน์โหลดมันมา และสำหรับตัวที่สองคือคุณสมัครกับ OpenAI

สิ่งที่อยู่ฝั่งเราของเส้นแบ่งคือส่วนของเอเจนต์วิทยาศาสตร์ที่ไม่ใช่โมเดลวิทยาศาสตร์ เอเจนต์ KTH GROMACS, ไปป์ไลน์การสกัดของ Terray และตัวสร้างโปรโตคอล Lila ล้วนเป็นเอเจนต์ที่ห่อหุ้มโมเดลเฉพาะโดเมนไว้: พวกมันวางแผน เรียกใช้เครื่องมือ อ่านผลลัพธ์ และตัดสินใจว่าจะทำอะไรต่อไป และชั้นการวางแผนมักเป็นโมเดลทั่วไปมากกว่าโมเดลเฉพาะทาง ชั้นนี้คือจุดที่คีย์เดียวที่ใช้ได้กับ มากกว่า 200 โมเดลในราคาตามรายการของผู้ให้บริการโดยมีมาร์กอัป 0% คุ้มค่าที่จะใช้ และเป็นจุดที่ การสลับไปใช้ระบบสำรองอัตโนมัติมีความสำคัญ — การรันแบบเอเจนต์ที่ใช้เวลาหกชั่วโมงคือการรันที่คุณไม่อยากสูญเสียตอนชั่วโมงที่ห้าเพราะผู้ให้บริการต้นทางรายหนึ่งมีวันที่แย่ DSL สำหรับกำหนดเส้นทางประกอบการเรียกเหล่านั้น ส่วนโมเดลเฉพาะทางยังคงอยู่ตรงที่ที่มันควรอยู่

เลือกอันไหนดี

หากคุณเป็นกลุ่มเคมีเชิงคำนวณหรือการจำลองระดับโมเลกุลที่มีกำลังประมวลผล GPU อยู่แล้ว Nemotron for Science แทบจะเป็นตัวเลือกที่ไม่ต้องคิดให้มาก: สัญญาอนุญาตแบบเปิดกว้าง ชุดคำถามเคมี 50,000 ข้อที่คุณใช้ได้ทั้งประเมินและฝึกโมเดล และลูปเครื่องมือที่มีเอกสารประกอบซึ่งได้รับการสาธิตกับโหมดความล้มเหลวแบบเดียวกับที่คุณต้องรับมือทุกสัปดาห์ การไม่มีตารางราคาจากผู้ขายจึงไม่ใช่ปัญหา เมื่อคุณจะโฮสต์เองอยู่แล้ว

หากคุณทำงานด้านชีววิทยาเชิงแปลและต้องการโมเดลที่ให้เหตุผลเกี่ยวกับโปรตีนและกลไกของโรค Rosalind เป็นเพียงหนึ่งเดียวในสองตัวที่มุ่งเป้ามาที่งานของคุณ และการตรวจทานการเข้าถึงแบบเชื่อถือได้คือราคาที่ต้องจ่ายเพื่อให้ได้เข้าใช้ จัดสรรเวลาในแผนโครงการของคุณสำหรับกรอบเวลาการตรวจทาน และโปรดทราบว่าที่นั่งฟรีของโครงการวิชาการไม่รวมการเข้าถึง API — กลุ่มมหาวิทยาลัยที่ต้องการไปป์ไลน์ต้องมีข้อตกลงเชิงพาณิชย์ของตนเอง

และหากคุณกำลังสร้างเอเจนต์ ไม่ใช่ตัวโมเดล การเลือกก็มีผลน้อยกว่าที่ดูเหมือน ทั้งสองเรียกใช้ได้จากลูป ทั้งสองมีโหมดความล้มเหลว ไม่มีรายใดเผยแพร่อัตราการทำสำเร็จที่จะช่วยตัดสินคำถามนี้ได้ ทางที่สมเหตุสมผลคือสร้างลูปให้โมเดลที่อยู่ข้างใต้เป็นค่าคอนฟิกูเรชัน แล้วจึงวัด นั่นคือการเปรียบเทียบเดียวที่ผู้จำหน่ายทั้งสองรายเหลือไว้ให้คุณ

A screenshot of the Artificial Analysis model page for Nemotron 3.5 Super VL, showing the model title, the NVIDIA open-weights label with an October 2026 release date, and the performance and price analysis panel with Intelligence Index 14, 291 output tokens per second, $0.20 input and $0.50 output per million tokens, a 75% cache discount, 11.85 seconds to first token and $0.56 per task, above the site's written analysis and a technical specifications sidebar.
© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube