GPT-Rosalind so với Grok 4.7: Một chuẩn đánh giá sức khỏe không phải là cổng sinh học

Grok 4.7 đi kèm một con số mà thoạt nhìn giống như câu trả lời cho GPT-Rosalind: 56,7% trên HealthBench Professional, tăng từ 48,5% của Grok 4.6. Đó là một benchmark kiến thức lâm sàng, được SpaceXAI báo cáo trong bảng ra mắt của một mô hình phát hành ngày 21 tháng 9 năm 2026, và đây là thứ gần nhất với một đánh giá y tế trong tài liệu của cả hai công ty. GPT-Rosalind, được bán rộng rãi từ ngày 5 tháng 10 năm 2026 sau khi ra mắt vào tháng 4 năm 2026, không công bố bất cứ thứ gì tương đương — các con số của nó là benchmark hóa học và phòng thí nghiệm ướt, và bạn cần một quy trình đánh giá truy cập tin cậy để tự mình chạy chúng. Vậy nên câu hỏi trung thực không phải là mô hình nào đạt điểm cao hơn về sức khỏe; mà là benchmark sức khỏe đo lường điều gì so với việc một cổng sinh học bảo vệ điều gì, và tại sao một trong hai mô hình này lại có giá bằng một phần ba trên mỗi token so với mô hình kia trong khi ai cũng có thể dùng nó.Các tranh chấp benchmark và thay đổi cổng truy cập sau một so sánh như thế này được ghi lại kèm ngày tháng và nguồn trong AI Incident Archive, cùng với phần còn lại của các sự cố mô hình và nhà cung cấp mà chúng tôi theo dõi.

Sự chồng lấn hóa ra lại hẹp

HealthBench Professional đặt ra cho mô hình những câu hỏi thuộc kiểu mà một bác sĩ lâm sàng sẽ trả lời. Nó thưởng cho khả năng ghi nhớ, hiệu chuẩn và khả năng giữ được khung lâm sàng. Nó không yêu cầu mô hình thiết kế một thí nghiệm nhiễu loạn, đọc một quy trình phòng thí nghiệm ướt, hay lý luận về mối quan hệ cấu trúc – hoạt tính. Bộ kiểm thử đã công bố của GPT-Rosalind là kiểu kiểm thử khác: MedChemBench bao gồm dự đoán hiệu lực và ADME cùng tổng hợp ngược; GeneBench bao gồm genomics tầm xa; LabWorkBench bao gồm việc liên kết các nhiễu loạn với kết quả trong các quy trình thực tế. Những công cụ khác nhau, những mục tiêu khác nhau.

• Điều gì đang được đo lường — Grok 4.7: kiến thức và khả năng phán đoán lâm sàng, 56.7% trên HealthBench Professional. GPT-Rosalind: hóa học và suy luận trong phòng thí nghiệm ướt, 27.5% trên MedChemBench và 63.2% trên LabWorkBench.

• Ai đã chạy nó — Grok 4.7: SpaceXAI, so với mô hình trước đó của chính họ. GPT-Rosalind: OpenAI, so với GPT-5.5.

• Tái tạo độc lập — Không có cho cả hai benchmark.

• Điều mà cả hai con số đều không cho bạn biết — Liệu có thể tin tưởng mô hình với một kết quả được đưa vào hồ sơ nộp hay không. Đó là câu hỏi về các kiểu lỗi, không phải điểm số.

Đặt hai bảng cạnh nhau và không có hàng nào chúng chia sẻ. Đó không phải là một lỗ hổng trong báo cáo; đó là hình thái của thị trường. Một mô hình tổng quát được đo bằng độ rộng, một mô hình chuyên biệt được đo bằng độ sâu, và các nhà cung cấp chọn những bài kiểm tra thể hiện thế mạnh của chính họ.

Phần envelope, đây chính là điểm mà hai cái này thực sự khác nhau.

Thông số kỹ thuật là phần kém hào nhoáng nhất của một phép so sánh và cũng là phần quyết định liệu một quy trình làm việc có khả thi hay không. Ở đây, hai mô hình khác biệt nhau nhiều hơn mức mà cuộc trao đổi về điểm chuẩn gợi ra.

• Cửa sổ ngữ cảnh — Grok 4.7: 500.000 token, bằng một nửa mức 1.000.000 của GPT-Rosalind.

• Đầu ra tối đa — Grok 4.7: 450,000 token, và tài liệu của chính SpaceXAI nêu rằng không có giới hạn đầu ra văn bản, điều này không khớp với con số 450K trên thẻ mô hình của chúng tôi. Chúng tôi nêu ra sự không nhất quán thay vì chọn phe; nhà cung cấp là nguồn có thẩm quyền về mô hình của chính họ. GPT-Rosalind: không được công bố riêng như một giới hạn đầu ra.

• Đầu vào — Grok 4.7: văn bản và hình ảnh, JPG hoặc PNG tối đa 20 MiB mỗi tệp, không có giới hạn được ghi trong tài liệu về số lượng hình ảnh, theo bất kỳ thứ tự nào. GPT-Rosalind: đầu vào tệp khoa học thông qua ChatGPT, Codex và API; chưa công bố tuyên bố chung nào về đầu vào hình ảnh.

• Điều khiển suy luận — Grok 4.7: reasoning_effort ở mức low, medium, high hoặc xhigh, với các số liệu benchmark đã công bố được trích dẫn ở mức xhigh. GPT-Rosalind: một dạng điều khiển kiểu reasoning-effort trong API, với việc sử dụng công cụ là cốt lõi của mô hình.

• Công cụ — Grok 4.7: gọi hàm, tìm kiếm web, tìm kiếm trên X và thực thi mã, tất cả đều diễn ra phía máy chủ. GPT-Rosalind: một plugin công cụ khoa học sự sống với hơn năm mươi công cụ bên trong ChatGPT và Codex.

• Mốc kiến thức — Grok 4.7: tháng 5 năm 2026, mặc định không có khả năng nhận biết theo thời gian thực. GPT-Rosalind: chưa được công bố.

Khoảng trống ngữ cảnh chính là điểm gây đau đầu trong lĩnh vực này. Cửa sổ 1M token không phải là thứ xa xỉ đối với công việc genomics; nó là thứ cho phép một mô hình giữ trọn một atlas hoặc một bộ giao thức đầy đủ trong một lượt. Mức 500K của Grok 4.7 là hào phóng theo tiêu chuẩn chung và chỉ bằng một nửa so với những gì mô hình chuyên biệt này cung cấp. Trong khi đó, trần đầu ra 450K vượt xa bất cứ điều gì một câu trả lời sinh học cần và đúng là thứ mà một hành trình agent dài hoặc một đợt refactor lớn mong muốn.

Mức chênh lệch giá là lớn nhất trong nhóm này.

Grok 4.7 là mô hình rẻ nhất trong bất kỳ so sánh nào trong số này và GPT-Rosalind là mô hình đắt nhất, điều đó khiến phép tính trở nên rõ ràng một cách thẳng thừng.

• Đầu vào — Grok 4.7 $2.00 mỗi 1 triệu so với GPT-Rosalind $5.00. Mô hình chuyên dụng có giá cao gấp 2,5 lần.

• Đầu ra — Grok 4.7 $6.00 so với GPT-Rosalind $25.00. Chênh lệch 4,2×, và là mức chênh lệch giữa hai con số đơn lẻ lớn nhất trong bài viết này.

• Đầu vào bộ nhớ đệm — Grok 4.7 $0.50 so với GPT-Rosalind $0.50. Giống hệt nhau, đây là dòng duy nhất mà chuyên gia không đắt hơn.

• Lời nhắc dài — Grok 4.7 tăng gấp đôi lên $4.00 / $12.00 với $1.00 cho phần được lưu trong bộ nhớ đệm khi một lời nhắc đạt 200K token. GPT-Rosalind không công bố phụ phí ngữ cảnh dài.

• Tính phí theo khu vực — Grok 4.7 có endpoint tại Hoa Kỳ với hệ số 1.1×, tương đương $2.20 / $6.60 cho mức dưới 200K.

Tỷ lệ đầu ra chính là nơi quyết định thực sự nằm ở đó. Một quy trình khám phá tạo ra rất nhiều đầu ra: danh sách ứng viên, bản nháp giao thức, mã, những lý giải dài. Với mức $25 so với $6 mỗi triệu token, một lần chạy phát ra mười triệu token đầu ra tốn $250 trên mô hình chuyên biệt và $60 trên mô hình tổng quát. Liệu $190 đó có mua được gì cho bạn hay không là câu hỏi duy nhất đáng đặt ra, và không có bộ đánh giá chuẩn nào được công bố trả lời được điều đó.

Đánh giá viên độc lập bổ sung những gì

Grok 4.7 có một hồ sơ độc lập thực sự, và nó cung cấp nhiều thông tin hơn bảng của nhà cung cấp vì nó bao gồm cả những chi phí mà không ai quảng cáo.

• Trí tuệ — 46 trên Chỉ số Trí tuệ Artificial Analysis, v4.3.2, đứng thứ 21 trong số 211 mô hình trên bảng xếp hạng đó và cao hơn nhiều so với mức trung vị của chỉ số là 26. GPT-Rosalind hoàn toàn không có trên bảng xếp hạng; các mô hình chuyên biệt nằm ngoài phạm vi.

• Chi phí mỗi lần chạy chỉ mục — 3,74 USD, với việc người đánh giá ghi nhận mức giảm giá bộ nhớ đệm 75% và mức giá đầu vào/đầu ra khớp với mức 2,00 USD / 6,00 USD của chính nhà cung cấp. Nhận xét của họ là mô hình có giá hợp lý so với các mô hình cùng tầm giá.

• Độ dài dòng — 240 triệu token đầu ra trên toàn chỉ số, so với mức trung vị là 88 triệu. Artificial Analysis gọi nó là "rất dài dòng", và đó là con số hữu ích nhất ở đây để lập ngân sách: một mô hình suy nghĩ theo chuỗi dài hơn sẽ tốn nhiều hơn cho mỗi tác vụ ở bất kỳ mức giá token cố định nào.

• Tốc độ — 82.6 token đầu ra mỗi giây, thứ 83 trong số 211, mà trình đánh giá dù vậy vẫn gắn nhãn là chậm hơn mức trung bình.

Chỉ số độ dài đầu ra mới là thứ đáng khiến bạn thay đổi cách tính nhẩm. Grok 4.7 với giá đầu ra $6.00 không rẻ hơn 4.2× so với GPT-Rosalind ở mức $25.00 mỗi tác vụ nếu nó phát ra gần gấp ba lần số token để đạt được kết quả đó. Xét theo từng tác vụ, khoảng cách thực tế hẹp hơn so với bảng giá niêm yết, và không ai công bố con số độ dài đầu ra của Rosalind để so sánh — vì Rosalind không có trên bảng xếp hạng.

Tại sao cổng này tồn tại, và tại sao Grok không có cổng như vậy

Đây là sự bất đối xứng mà một bảng điểm chuẩn không thể diễn đạt. Grok 4.7 được bán cho bất kỳ ai có tài khoản thanh toán, với ngữ cảnh 500K, đầu vào hình ảnh và thực thi mã phía máy chủ. GPT-Rosalind chỉ được bán cho các tổ chức vượt qua một cuộc đánh giá, và cuộc đánh giá tồn tại vì OpenAI đánh giá rằng năng lực sinh học của mô hình là loại thứ không nên có sẵn theo yêu cầu.

Hãy đọc đó như một phát biểu về năng lực, chứ không phải về màn diễn an toàn. Một phòng thí nghiệm đặt cổng kiểm soát cho một mô hình đã quyết định rằng mô hình đủ giỏi ở một việc hệ trọng nào đó để đáng bị đặt cổng. SpaceXAI chưa đưa ra phán đoán tương đương nào về Grok 4.7, và những điểm mạnh đã công bố của nó — viết mã, vòng lặp công cụ dạng tác tử, công việc phần mềm chạy dài — không phải kiểu thứ bị đặt cổng kiểm soát.

Hệ quả thực tế: nếu công việc của bạn mang tính tính toán và liền kề với sinh học thay vì nằm trong sinh học, thì Grok 4.7 hiện đã có sẵn, rẻ và rất phù hợp với hình thái của nhiệm vụ. Nếu công việc của bạn chính là sinh học, thì mô hình bạn muốn nằm sau một biểu mẫu, và HealthBench Professional có nhiều đến đâu cũng không khỏa lấp được điều đó. Trong trường hợp đó, cổng chính là sản phẩm, chứ không phải vật cản đối với sản phẩm.

Định tuyến cặp đó, và một điểm chúng ta phải cẩn thận

Grok 4.7 có trên OrcaRouter với giá niêm yết của SpaceXAI — 2,00 USD đầu vào, 6,00 USD đầu ra và 0,50 USD đầu vào đã lưu bộ nhớ đệm mỗi triệu token, với 0% tăng giá, và ngưỡng 200K được duy trì như một bậc giá để một yêu cầu có lời nhắc dài được tính phí minh bạch thay vì khiến bạn bất ngờ. GPT-Rosalind không có trên OrcaRouter và không có trên bất kỳ bộ định tuyến bên thứ ba nào; nó chạy trực tiếp qua chương trình truy cập tin cậy của O​penAI. Chúng tôi sẽ không ngụ ý điều ngược lại, và không có tuyến nào để cấu hình có thể thay đổi điều đó.

Điều còn lại là mô thức mà toàn bộ loạt so sánh này luôn dẫn đến. Phần tính toán của một nền tảng nghiên cứu chạy trên Grok 4.7 và hơn 200 mô hình khác phía sau một khóa, với tự động chuyển đổi dự phòng giữa các nhà cung cấp để khi có vấn đề về năng lực, yêu cầu được chuyển đi thay vì làm hỏng lượt chạy. Phần sinh học vẫn dùng một khóa trực tiếp. DSL định tuyến là nơi bạn làm rõ ranh giới: một tuyến có tên cho chuyên gia sẽ báo lỗi rõ ràng khi không khả dụng, một tuyến mặc định cho mọi thứ còn lại, và không âm thầm nâng câu trả lời của mô hình tổng quát vào ô chuyên gia.

Hợp nhất mô hình đáng để biết đến với các trường hợp biên. Một hội đồng cùng hỏi một mô hình tổng quát rẻ tiền và một chuyên gia cùng một câu hỏi, rồi so sánh, là một cách để bắt được yêu cầu bị phân loại sai — yêu cầu trông như việc đường ống nhưng hóa ra lại cần phán đoán chuyên môn. Đó cũng là cách trung thực để dùng một mô hình mà bạn chưa hoàn toàn tin tưởng.

Điều gì sẽ làm thay đổi câu trả lời

Ba bước phát triển, không có bước nào quá xa lạ. SpaceXAI có thể công bố một đánh giá theo lĩnh vực với mức độ cụ thể như bộ công cụ hóa học của Rosalind — HealthBench Professional là một khởi đầu nhưng còn cách xa. OpenAI có thể mở rộng kế hoạch học thuật tháng 10 để bao gồm quyền truy cập API, điều này sẽ mang năng lực chuyên gia miễn phí đến đúng những phòng thí nghiệm hiện không đủ khả năng chi trả. Hoặc một khung kiểm thử độc lập có thể đưa cả hai mô hình qua cùng một bộ nhiệm vụ khoa học, qua đó giải quyết một câu hỏi mà hai bảng của nhà cung cấp đã cẩn thận né tránh.

Cho đến khi một trong số đó xuất hiện, khoảng cách không hề sát. Nếu yêu cầu là code, dữ liệu hay văn xuôi, Grok 4.7 có giá đầu ra bằng một phần ba, phạm vi công cụ rộng hơn và điểm độc lập, còn chọn mô hình chuyên dụng sẽ là một cách tốn kém để cảm thấy mình cẩn thận. Nếu yêu cầu là khoa học, hãy trả gấp 4.2× và chấp nhận việc đánh giá, vì mô hình duy nhất trong so sánh này được tinh chỉnh cho việc đó chính là mô hình đã khiến bạn phải điền vào một biểu mẫu.