GPT-Rosalind vs Claude Opus 5.5: Cả hai phòng thí nghiệm đều đặt một cổng kiểm soát trước sinh học

GPT-Rosalind đã có mặt từ ngày 16 tháng 4 năm 2026 và Claude Opus 5.5 từ ngày 22 tháng 9 năm 2026, vì vậy cả hai đều không phải là câu chuyện ra mắt. Điều mới là thủ tục giấy tờ xung quanh chúng. Vào ngày 15 tháng 10, OpenAI đã công bố một kế hoạch học thuật cấp cho các phòng thí nghiệm đủ điều kiện tối đa 30 ghế ChatGPT Business miễn phí trong tối đa mười hai tháng và nêu rõ, trong cùng tài liệu, rằng quyền truy cập API không được bao gồm. Sáu ngày sau, họ công bố một ghi chú nghiên cứu do chính mình thực hiện, trong đó một lượt chạy tác nhân phân tán đã đề xuất một giả thuyết về vận chuyển cholesterol cho một bệnh thoái hóa thần kinh trong vòng ba mươi hai phút. Mô hình chuyên dụng này đang được đẩy vào các trường đại học trong khi API của nó vẫn nằm sau một cuộc đánh giá. Anthropic có sự sắp xếp ngược lại: một mô hình tổng quát mà bạn có thể gọi ngay hôm nay, nhưng các câu trả lời sinh học của nó sẽ âm thầm quay về một mô hình cũ hơn trừ khi tài khoản của bạn được xác minh. Hai phòng thí nghiệm, hai cánh cổng, và câu hỏi duy nhất quan trọng là công trình của bạn đang đứng sau cánh cổng nào. Những thay đổi quyền truy cập và những lần âm thầm quay về mô hình cũ như những gì được mô tả ở đây được ghi lại cùng ngày tháng và nguồn trong the AI Incident Archive, cùng với phần còn lại của các sự cố về mô hình và nhà cung cấp mà chúng tôi theo dõi.

Hai cổng, hai logic

Cách thiết lập của Anthropic được ghi lại trong tài liệu ra mắt Claude Opus 5.5 và rất dễ bị bỏ qua vì nó xuất hiện dưới dạng nhãn cấu hình chứ không phải chính sách: mô hình được phát hành kèm cấp bảo vệ trước đây dành riêng cho Claude Fable 5.1, vì nó được đánh giá là tương đương về sinh học và an ninh mạng. Trên thực tế, hầu hết các yêu cầu về an ninh mạng được chuyển hướng đến Claude Opus 4.8, và các công việc sinh học sẽ được chuyển về Claude Opus 5 trừ khi tài khoản được xác minh thông qua các chương trình Life Sciences hoặc Cyber Verification của Anthropic.

Đó là một phương án dự phòng, và đáng để nói chính xác điều đó có ý nghĩa gì đối với một phòng thí nghiệm. Bạn nhận được một mô hình tổng quát có năng lực trả lời câu hỏi sinh học của bạn — Claude Opus 5, không phải mô hình mới hơn — và trừ khi bạn đã qua kiểm tra xác minh, bạn có thể sẽ không nhận ra sự thay thế đó chút nào. Năng lực đó vẫn có; phiên bản mới nhất của nó bị giữ lại.

Cách sắp xếp của OpenAI là hình ảnh phản chiếu. Có thể truy cập GPT-Rosalind qua ChatGPT, Codex và API, nhưng chỉ những tổ chức đáp ứng chương trình truy cập tin cậy mới có thể truy cập. Kể từ ngày 11 tháng 9 năm 2026, mô hình này đã mở toàn cầu cho các tổ chức đủ điều kiện thay vì cho một danh sách đối tác được nêu tên, và mức giá đã công bố có hiệu lực vào ngày 5 tháng 10 năm 2026. Mô hình bạn nhận được là mô hình chuyên dụng; câu hỏi còn bỏ ngỏ là liệu bạn có nhận được nó hay không.

• Loại cổng — GPT-Rosalind: đơn đăng ký và xét duyệt trước lần gọi đầu tiên. Claude Opus 5.5: thay thế mô hình âm thầm trên các lĩnh vực nhạy cảm, có thể gỡ bỏ bằng xác minh.

• Những gì bị giữ kín — GPT-Rosalind: bản thân mô hình. Claude Opus 5.5: năng lực sinh học của mô hình mới nhất, được thay bằng năng lực của mô hình tiền nhiệm.

• Thời gian để truy cập — GPT-Rosalind: bất kể việc xem xét mất bao lâu, không có mức dịch vụ nào được công bố. Claude Opus 5.5: ngay lập tức với công việc không thuộc lĩnh vực sinh học; phụ thuộc vào bước xác minh đối với sinh học.

• Chế độ thất bại nếu bạn chưa được xác minh — GPT-Rosalind: không có quyền truy cập, và một lỗi mà bạn có thể thấy. Claude Opus 5.5: một câu trả lời vẫn hoạt động từ một mô hình khác, mà bạn có thể không thấy.

Câu cuối cùng đó chính là câu nên định hình hoạt động thu mua. Một cổng cứng thì khó chịu nhưng trung thực. Một cổng mềm thì tiện lợi và tạo ra những kết quả mà bạn phải kiểm tra nguồn gốc, đặc biệt nếu pipeline của bạn ghi lại mô hình bạn đã yêu cầu thay vì mô hình đã trả lời.

{{1}}Điều gì đã thay đổi vào tháng 10{{/1}}, và {{2}}tại sao đó mới là câu chuyện thực sự{{/2}}

Kế hoạch học thuật ngày 15 tháng 10 là lần đầu tiên OpenAI tách quyền truy cập trợ lý khỏi quyền truy cập mô hình. Các suất là ChatGPT Business, giới hạn 30 suất mỗi tổ chức, miễn phí tối đa mười hai tháng, và kế hoạch yêu cầu phê duyệt truy cập tin cậy giống như bất kỳ con đường nào khác. Các điều tra viên chính quản lý quyền; xác minh tổ chức là một bước trong quy trình. Các phòng thí nghiệm doanh nghiệp được yêu cầu tự thương lượng thỏa thuận riêng thay vì sử dụng con đường học thuật. Và câu quan trọng nhất đối với bất kỳ ai đang xây dựng bất cứ thứ gì: quyền truy cập API hiện không được bao gồm.

Vậy là một nhóm đại học giờ có thể dùng mô hình trong cửa sổ chat miễn phí mà vẫn không thể gọi nó từ một pipeline. Đó không phải là cách đọc hoài nghi; đó chính là nguyên văn của kế hoạch, và nó tạo ra một sự chia tách kỳ lạ bên trong cùng một phòng thí nghiệm. Các nhà khoa học phòng thí nghiệm ướt có một tab trình duyệt. Nhóm tính toán thì không nhận được gì cho đến khi được duyệt trên tài khoản riêng của mình và bắt đầu trả $5.00 mỗi triệu token đầu vào.

Bản ghi chú nghiên cứu ngày 21 tháng 10 cho thấy con đường trả phí dùng để làm gì. Một lượt chạy gồm hàng nghìn tác nhân hợp tác, được xây dựng với PerturbAI và Scripps, đã sàng lọc hơn 700 tài liệu tham khảo xuống còn 11 và đưa ra một giả thuyết về vận chuyển cholesterol trong một bệnh thoái hóa thần kinh trong 32 phút; các nhà đánh giá mù ưu tiên đầu ra của máy trong khoảng ba phần tư số so sánh, và bản tiền in đã được đăng theo giấy phép CC-BY vào ngày 16 tháng 10. Đây là kết quả của chính bên phát triển, nên hãy coi con số ưu tiên đó là tuyên bố của nhà cung cấp — nhưng đây là lần đầu tiên chứng minh công khai rằng mô hình được kiểm soát quyền truy cập đang được dùng cho thứ gì đó khác ngoài các bảng điểm chuẩn.

Cả hai tài liệu tháng Mười đều không làm thay đổi việc so sánh về giá hay năng lực. Cả hai đều thay đổi đối tượng có thể tham gia.

Bảng giá cước đã không còn là nút thắt nữa.

Cho đến tháng 9, phép so sánh này vẫn rất rõ ràng một cách bất thường: mô hình chuyên biệt của OpenAI và mô hình chủ lực của Anthropic đều ở mức 5,00 USD cho mỗi triệu token đầu vào và 25,00 USD cho mỗi triệu token đầu ra. Rồi Anthropic cắt giảm mô hình chủ lực của mình vào ngày 22 tháng 9 năm 2026 — 4,00 USD đầu vào, 20,00 USD đầu ra, giá đọc bộ nhớ đệm giảm từ 0,50 USD xuống 0,20 USD — và thế cân bằng đã bị phá vỡ. GPT-Rosalind vẫn chưa thay đổi so với mức giá được công bố trong bản cập nhật tháng 9 của mình.

• Đầu vào — GPT-Rosalind $5.00 mỗi 1 triệu so với Claude Opus 5.5 $4.00. Mô hình chuyên biệt tốn thêm 25% cho mỗi token đầu vào.

• Đầu ra — GPT-Rosalind $25.00 mỗi 1M so với Claude Opus 5.5 $20.00. Cũng nhiều hơn 25%.

• Đầu vào được lưu đệm — GPT-Rosalind $0,50 so với Claude Opus 5.5 $0,20. Đây chính là hạng mục tích lũy dần qua các lượt chạy agent dài, và ở đây khoảng cách lên tới 2,5×.

• Ghi bộ nhớ đệm — Trang định giá của OpenAI không có dòng ghi bộ nhớ đệm nào cho GPT-Rosalind. Claude Opus 5.5 tính $5 mỗi 1M cho lượt ghi năm phút và $8 cho một giờ.

• Ngữ cảnh và đầu ra — Cả hai đều có cửa sổ ngữ cảnh 1M token; Claude Opus 5.5 ghi nhận đầu ra tối đa 128K, với 300K khả dụng trên Batch API thông qua một beta header.

• Phương thức — Claude Opus 5.5 nhận đầu vào là văn bản, hình ảnh và tệp, rồi trả về văn bản. GPT-Rosalind xử lý đầu vào tệp khoa học thông qua ChatGPT, Codex và API; O​penAI không công bố tuyên bố chung nào về khả năng nhận đầu vào hình ảnh cho mô hình này.

Dòng về bộ nhớ đệm xứng đáng được nhấn mạnh hơn mức nó thường nhận được. Một quy trình khám phá là một cuộc hội thoại dài với một system prompt lớn — lược đồ atlas, các định nghĩa công cụ, giao thức nội bộ — được gửi lại ở mỗi lượt. Ở mức 0,20 đô la so với 0,50 đô la cho mỗi triệu token được lưu trong bộ nhớ đệm, một lượt chạy dựa vào bộ nhớ đệm rẻ hơn đáng kể trên mô hình tổng quát trước khi một token sinh học nào được tạo ra. Việc đó có quan trọng hay không phụ thuộc vào việc chất lượng câu trả lời trên mỗi token của mô hình chuyên biệt có thu hẹp được khoảng cách hay không, và đó là phần tiếp theo.

Những gì chuyên gia thực sự đã đo lường

Tất cả những điều sau đây là đánh giá của chính O​penAI, được công bố cùng với bản cập nhật năng lực của mô hình, và không có nội dung nào trong đó được tái tạo độc lập. Các so sánh là với GPT-5.5, mô hình tổng quát của chính O​penAI, không phải với bất kỳ thứ gì Anthropic tạo ra.

• MedChemBench — 27,5% cho GPT-Rosalind so với 25,1% của GPT-5.5, sử dụng ít hơn 7,2% token. Một benchmark do OpenAI thiết kế để bao quát quan hệ cấu trúc - hoạt tính, dự đoán hiệu lực và ADME, cùng tổng hợp ngược.

• GeneBench — 21,6% so với 20,4%, với số token ít hơn 31%, trong các phân tích genomics và sinh học định lượng dài hạn.

• LabWorkBench — 63.2% so với 55.8%, dùng ít hơn 5.3% token, về việc liên kết các nhiễu loạn với kết quả trong các quy trình phòng thí nghiệm ướt thực tế. Dữ liệu thuộc sở hữu độc quyền, đây là một điểm có lợi: nó không thể đã bị rò rỉ vào quá trình huấn luyện.

• BixBench — OpenAI tuyên bố đạt điểm cao nhất trong số các mô hình có kết quả được công bố, và không nêu con số cụ thể trong phần văn bản. Hai bài viết thứ cấp trích dẫn 0.751 và 0.761, nên hãy coi con số chính xác là chưa được xác định.

• LifeSciBench — điểm nhấn của nhà cung cấp là mức tăng 4,42% hiệu năng trên mỗi token, trên một bài đánh giá chuẩn được chuyên gia bên ngoài chấm điểm ở sáu lĩnh vực quy trình công việc.

Hãy đọc các con số tuyệt đối, không phải mức chênh lệch. Điểm 27.5% trên một bài đánh giá hóa dược không phải là một mô hình thực hiện khám phá thuốc; đó là một mô hình vượt qua phiên bản tiền nhiệm trên một bài kiểm tra khó mà cả hai đều đạt điểm thấp. Con số tiêu đề 4.42% là tỷ lệ độ chính xác trên token, một thước đo hiệu quả hợp lý và là một thứ kỳ lạ để đặt ở đầu trang ra mắt. Điều mà những con số này thực sự chứng minh là việc tinh chỉnh là có thật và cụ thể: mức cải thiện xuất hiện ở các tác vụ hóa học và phòng thí nghiệm ướt, không phải ở suy luận tổng quát.

Không có benchmark sinh học công khai nào mà trên đó cả GPT-Rosalind và Claude Opus 5.5 đều đã được chấm điểm. Bất kỳ ai đưa ra một con số đối đầu trực tiếp đều hoặc là đang so sánh các benchmark khác nhau, hoặc là đang so sánh một lần chạy do nhà cung cấp thực hiện với một lần chạy độc lập, và cả hai đều không hợp lệ. Sự thiếu vắng đó là sự thật quan trọng nhất trong cuộc đối đầu này.

Điều mà chuyên gia tổng quát thực sự đã đo lường

Claude Opus 5.5 đang giữ kỷ lục độc lập, và kỷ lục đó mang tính toàn diện. Trên Intelligence Index của Artificial Analysis — bản sửa đổi v4.3.2, được ghi nhận vào cuối tháng 10 năm 2026 — nó đạt 57,6 điểm, đưa nó vượt lên trên mọi mô hình khác trên bảng xếp hạng đó. Điểm số ngày ra mắt trên phiên bản trước của chỉ số là 54, vì vậy con số đã thay đổi theo cả phương pháp lẫn mô hình; hãy nêu rõ phiên bản khi bạn trích dẫn điểm số.

Bảng công bố ra mắt của chính Anthropic bổ sung chi tiết theo từng lĩnh vực, tất cả đều do nhà cung cấp tự báo cáo: Terminal-Bench 4.0 đạt 66,4%, FrontierCode v1.1 đạt 54,4%, CursorBench 4.0 đạt 57,8%, GDPval-AA v2.1 đạt 1846 Elo, OSWorld 2.0 đạt 81,8%. Anthropic cũng lưu ý, ngay trong tài liệu của mình, rằng ở mức năng lực này, các khoảng cách điểm chuẩn là "một chỉ dẫn kém tin cậy hơn cho những khác biệt trong thực tế" — một câu đáng ghi nhớ vào lần tới khi có ai đó dẫn ra một khoảng cách trên bảng xếp hạng cho bạn.

Không có gì trong số đó là sinh học. Đó là hồ sơ của một mô hình được xây dựng để giỏi mọi thứ, và đó là lý do việc so sánh không chỉ đơn giản là “chuyên gia đánh bại mô hình tổng quát trong các tác vụ chuyên ngành”. Chi tiêu token của một công ty công nghệ sinh học phần lớn không phải là sinh học: đó là mã, đường ống dữ liệu, rà soát tài liệu và phần khung tác nhân xung quanh khoa học. Trên phần lớn khối lượng công việc đó, Claude Opus 5.5 rẻ hơn, được đo lường độc lập và có sẵn mà không cần đăng ký.

Điều duy nhất quyết định: liệu công trình sinh học của bạn có được tính là sinh học hay không

Đây là sự bất đối xứng mà không ai đưa vào bảng so sánh. Cổng kiểm soát của GPT-Rosalind xoay quanh việc bạn là ai. Cổng kiểm soát của Claude Opus 5.5 xoay quanh việc bạn yêu cầu điều gì. Một phòng thí nghiệm đại học đang thực hiện xét nghiệm vận chuyển cholesterol trong tế bào thần kinh chính là đúng trường hợp sử dụng mà quy trình đánh giá truy cập tin cậy của O​penAI được tạo ra để phục vụ, và cũng chính là trường hợp sử dụng mà tầng bảo vệ của Anthropic chuyển hướng khỏi, trừ khi tài khoản được xác minh.

Hệ quả thực tế: nếu bạn vượt qua xác minh ở cả hai bên, bạn có lựa chọn thực sự giữa một chuyên gia ở mức $5/$25 và một mô hình tổng quát ở mức $4/$20, và việc tinh chỉnh theo lĩnh vực của chuyên gia chính là lý do để trả mức phụ trội 25%. Nếu bạn không vượt qua được cả hai, bạn không có lựa chọn nào cả — bạn nhận được Claude Opus 5 trả lời các câu hỏi sinh học và không có GPT-Rosalind, và so sánh này chỉ mang tính lý thuyết.

Có một trường hợp thứ ba, và có lẽ đó là trường hợp phổ biến nhất bên trong một công ty: nhóm sinh học đã được xác minh còn nhóm nền tảng thì chưa. Khi đó, hai mô hình không phải là các phương án thay thế cho nhau, mà là những công cụ khác nhau cho những hàng đợi khác nhau, và bài toán kỹ thuật thú vị là giữ cho việc định tuyến trung thực — bảo đảm rằng một yêu cầu cần đến chuyên gia không âm thầm rơi vào một mô hình tổng quát chỉ vì khóa của chuyên gia bị giới hạn tốc độ.

Vận hành cả hai mà không giả vờ rằng chúng có thể thay thế cho nhau

Claude Opus 5.5 có trên OrcaRouter với giá niêm yết của nhà cung cấp — $4.00 cho đầu vào, $20.00 cho đầu ra, $0.20 cho đầu vào đã lưu trong bộ nhớ đệm trên mỗi triệu token, với mức cộng thêm 0%, nên đợt giảm giá tháng 9 của Anthropic đã có trong danh mục của chúng tôi ngay ngày được công bố. GPT-Rosalind không có trên OrcaRouter; nó không có trên bất kỳ router bên thứ ba nào, và quyền truy cập được thực hiện trực tiếp qua chương trình truy cập tin cậy của OpenAI. Chúng tôi sẽ không ngụ ý điều ngược lại.

Điều mà sự kết hợp đó thực sự hữu ích chính là mô hình hàng đợi tách ở trên. Nửa tổng quát của một nền tảng nghiên cứu — phần mã phân tích đầu ra atlas, điều phối tác nhân, tóm tắt tài liệu không cần tinh chỉnh theo miền, tạo báo cáo — chạy trên Claude Opus 5.5 qua một khóa cùng với hơn 200 mô hình khác, với chuyển đổi dự phòng tự động để một trục trặc nhỏ từ nhà cung cấp sẽ chuyển yêu cầu đi thay vì làm hỏng lượt chạy. Nửa sinh học vẫn dùng khóa Rosalind trực tiếp. DSL định tuyến là thứ cho phép bạn diễn đạt điều đó như một quy tắc thay vì một quy ước: một tuyến có tên cho chuyên biệt, một tuyến dự phòng cho mọi thứ còn lại, và không có sự thay thế âm thầm theo bất kỳ hướng nào.

Phần cuối đó chính là nguyên tắc thiết kế mà toàn bộ màn so sánh này lập luận ủng hộ. Cổng mềm của Anthropic tồn tại vì việc thay thế âm thầm là tiện lợi. Nếu bạn đang xây dựng một pipeline chịu quản lý, bạn muốn việc thay thế là một quyết định do bạn cấu hình, ghi log và có thể bảo vệ — chứ không phải điều nhà cung cấp đã làm thay bạn.

Điều gì sẽ thay đổi sự so sánh này?

Ba điều, theo thứ tự khả năng xảy ra. OpenAI có thể mở rộng gói học thuật để bao gồm quyền truy cập API, điều này sẽ đưa năng lực chuyên biệt miễn phí vào mọi trường đại học đủ điều kiện và biến mô hình tổng quát thành lựa chọn trả phí. Anthropic có thể mở rộng xác minh nhanh hơn tốc độ OpenAI mở rộng quyền truy cập tin cậy, điều này sẽ biến mô hình tổng quát thành con đường thực dụng để có năng lực sinh học tiên phong đối với một phòng thí nghiệm quy mô vừa. OpenAI có thể cắt giảm giá GPT-Rosalind để đáp ứng hạng flagship mới, điều này sẽ xóa bỏ mức cao hơn 25% và làm cho việc tinh chỉnh theo lĩnh vực gần như miễn phí. Hoặc một đơn vị đánh giá độc lập có thể công bố một benchmark sinh học mà cả hai mô hình đều tham gia, điều này sẽ thay thế toàn bộ cuộc tranh luận này bằng một con số.

Cho đến khi một trong những điều đó xảy ra, quy tắc quyết định vẫn hẹp và không hào nhoáng. Nếu công việc của bạn là sinh học phân tử và bạn có thể vượt qua đánh giá, GPT-Rosalind là mô hình tiên phong duy nhất được tinh chỉnh cho lĩnh vực này, và mức phụ trội 25% không phải là cao đối với một chuyên gia trong lĩnh vực. Nếu công việc của bạn là bất cứ thứ gì khác, hoặc công việc sinh học của bạn chỉ mang tính phụ, Claude Opus 5.5 rẻ hơn, được đánh giá độc lập và không bị giới hạn cổng — và cơ chế dự phòng bảo vệ là một tính năng cần hiểu chứ không phải lý do để tránh nó, miễn là bạn biết khi nào nó kích hoạt.