GPT-Rosalind vs Muse Wonder: Ngữ cảnh 1M mang lại cho bạn những gì trong phòng thí nghiệm sinh học

Muse Wonder và GPT-Rosalind là hai mô hình trong so sánh này gần nhau nhất trên giấy tờ và xa nhau nhất về mục đích. Meta Superintelligence Labs phát hành Muse Wonder vào ngày 12 tháng 10 năm 2026 với giá 4,00 USD mỗi triệu token đầu vào và 20,00 USD mỗi triệu token đầu ra, với ngữ cảnh 1 triệu token và Chỉ số Artificial Analysis là 56 — tức cùng mức giá và cùng kích thước ngữ cảnh với GPT-Rosalind, mô hình mà OpenAI đã bán từ ngày 16 tháng 4 năm 2026 với giá 5,00 USD và 25,00 USD. Năm đô la và năm đô la chênh lệch không phải là phần thú vị. Phần thú vị là một trong hai mô hình sẽ trả lời bất kỳ câu hỏi nào bạn đặt ra, còn mô hình kia chỉ trả lời câu hỏi từ những tổ chức đã vượt qua một cuộc đánh giá, và mô hình thứ hai là mô hình duy nhất trong hai được tinh chỉnh trên chính những việc mà một phòng thí nghiệm sinh học thực sự làm. Khi một bản phát hành có kiểm soát được mở hoặc một điểm số được sửa đổi, thay đổi đó được ghi lại kèm ngày tháng và nguồn trong AI Incident Archive, bên cạnh các sự cố về mô hình và nhà cung cấp khác mà chúng tôi theo dõi.

Cùng một cửa sổ ngữ cảnh, nhưng lý do có nó lại khác nhau.

Cả hai mô hình đều có một triệu token, và điều đáng hiểu là đây chỉ là sự trùng hợp của hai quyết định thiết kế không liên quan đến nhau chứ không phải một năng lực chung.

Lý do của Meta là độ bao quát. Muse Wonder nhận đầu vào văn bản, hình ảnh, giọng nói và video, trả về văn bản, và được xây dựng cho những gì Meta gọi là các tác vụ tác nhân cá nhân và chuyên môn. Sản phẩm cùng dòng Muse Wonder Full bị khóa trong gói đăng ký Muse Code — $50 một tháng cho gói Power Usage, $200 cho Maximum Usage — khiến nó trở thành một quyết định sản phẩm thay vì một hạng API. Một triệu token là thứ bạn cần khi một phiên tác nhân duy nhất phải chứa đồng thời bản ghi màn hình, một tài liệu, lịch sử hội thoại và bản ghi công cụ.

Lý do của OpenAI là độ sâu. GPT-Rosalind mang theo một triệu token để một phòng thí nghiệm có thể đưa toàn bộ một atlas tham chiếu, một thư viện giao thức và một mô tả bộ dữ liệu vào trong một lượt. Bề mặt công cụ của nó là một plugin khoa học sự sống với hơn năm mươi công cụ; các benchmark được công bố của nó là hóa học và genomics; cơ chế cổng kiểm soát của nó tồn tại vì mô hình được đánh giá là đủ giỏi về sinh học để cần đến nó.

• Cửa sổ ngữ cảnh — Muse Wonder 1.000.000 token so với GPT-Rosalind 1.000.000 token. Một sự hòa thực sự.

• Các phương thức đầu vào — Muse Wonder: văn bản, hình ảnh, giọng nói và video. GPT-Rosalind: đầu vào văn bản và tệp khoa học thông qua ChatGPT, Codex và API; chưa công bố tuyên bố nào về đầu vào hình ảnh nói chung.

• Đầu ra — Chỉ văn bản, cả hai.

• Giá — Muse Wonder $4,00 đầu vào / $0,20 bộ nhớ đệm / $20,00 đầu ra trên mỗi 1M so với GPT-Rosalind $5,00 / $0,50 / $25,00. Mô hình chuyên dụng này đắt hơn 25% ở mọi dòng và đắt hơn gấp 2,5 lần khi đọc bộ nhớ đệm.

• Truy cập — Muse Wonder có thể gọi hôm nay dưới dạng muse-wonder-1.0 trên Meta Model API và bên trong Muse Code. GPT-Rosalind yêu cầu đánh giá truy cập tin cậy.

• Điểm số độc lập — Muse Wonder 56 trên Chỉ số Artificial Analysis, v4.3.2. GPT-Rosalind: không được theo dõi trên bảng đó.

Cặp cuối cùng đó chính là mấu chốt. Trên mọi trục mà một đội mua sắm có thể đo lường mà không cần làm khoa học, Muse Wonder đều thắng: nó rẻ hơn, có sẵn mà không cần đăng ký, nhận được nhiều loại đầu vào hơn và có điểm số độc lập. Trục duy nhất mà GPT-Rosalind thắng là trục không bảng xếp hạng nào đo được, và đó chính là trục mà bài viết này nói đến.

Những điểm số không thể so sánh được, được trình bày rõ ràng

Điểm 56 của Muse Wonder và 27,5% của Rosalind không phải là hai cách đọc của cùng một thứ, và bất kỳ bảng nào đặt chúng ở các cột liền kề đều gây hiểu nhầm. Điểm 56 là một điểm tổng hợp độc lập trên mười đánh giá tổng quát: AA-Briefcase, GDPval-AA, AutomationBench, Terminal-Bench, SciCode, Humanity's Last Exam, GDP.pdf và những đánh giá khác. Còn 27,5% là benchmark hóa dược của chính OpenAI, được chấm so với GPT-5.5, chưa được tái lập.

• Muse Wonder — 56 trên Chỉ số Artificial Analysis; bảng của chính Meta báo cáo Terminal-Bench 4.0-AA đạt 85,6, SWE-Marathon đạt 78,8, OSWorld V2.1 đạt 72,6, HealthBench Pro đạt 56,6 và DeepSWE 1.1 đạt 52,0. Tất cả các hàng của Meta đều do nhà cung cấp báo cáo; con số chỉ số là độc lập.

• GPT-Rosalind — MedChemBench 27,5% so với 25,1%, GeneBench 21,6% so với 20,4%, LabWorkBench 63,2% so với 55,8%, và mức tăng hiệu năng trên mỗi token 4,42% trên LifeSciBench. Tất cả do OpenAI báo cáo, không có kết quả nào được tái lập độc lập.

• Điểm trùng lặp duy nhất đáng lưu ý — HealthBench Pro là một benchmark kiến thức lâm sàng, và GPT-Rosalind không công bố gì về nó. Con số 56,6 của Meta ở đó không nói lên điều gì về việc liệu Muse Wonder có thể thiết kế một thí nghiệm nhiễu loạn hay không.

Không có bộ đánh giá chuẩn sinh học công khai nào mà cả hai mô hình này đều đã được chấm điểm. Sự thiếu vắng đó là sự thật quan trọng nhất trong phép so sánh, và nó sẽ không được khắc phục bởi bất kỳ nhà cung cấp nào.

Muse Wonder Full tác động thế nào đến việc so sánh giá

Meta đã phát hành hai checkpoint vào ngày 12 tháng 10 và sự phân tách này làm thay đổi ý nghĩa của “Muse Wonder” tùy theo cánh cửa mà bạn bước vào.

• Muse Wonder — muse-wonder-1.0, trên Meta Model API và trong Muse Code, $4.00 / $0.20 / $20.00.

• Muse Wonder Full — một checkpoint riêng biệt, có điểm số cao hơn mà Meta cho biết chỉ những người đăng ký Muse Code mới có thể sử dụng. Không phải một cờ (flag) trên mô hình API; mà là một mô hình khác nằm sau một sản phẩm có giá 50 đến 200 đô la mỗi tháng.

• Mức chênh lệch — bảng của chính Meta cho thấy Muse Wonder Full đạt 75.3 trên JobBench so với 30.8 của Muse Wonder, và 59.1 so với 10.0 trên Vals Finance Agent V2. Khoảng cách 44 điểm giữa hai checkpoint từ cùng một phòng thí nghiệm trên một benchmark hoặc là sự phân tách năng lực thực sự, hoặc là một artefact của harness, và chỉ bên thứ ba mới có thể phân định điều nào.

Đối với một phòng thí nghiệm, cách hiểu thực tế là mô hình bạn có thể mua qua API và mô hình mà Meta công bố những con số tốt nhất cho nó không phải là cùng một mô hình. Bất kỳ ai so sánh "Muse Wonder" với GPT-Rosalind dựa trên điểm số của Full đều đang so sánh một sản phẩm đăng ký với một mô hình API.

Một triệu token thực sự được dùng ở đâu

Mối liên hệ về ngữ cảnh là lý do hai mô hình này được đem ra so sánh với nhau ngay từ đầu, nên đáng để nói cụ thể một phòng thí nghiệm làm gì với một triệu token so với những gì một tác nhân tổng quát làm với chúng.

Một tác nhân tổng quát nắm giữ một triệu token đang lưu giữ trạng thái: cuộc hội thoại, ảnh chụp màn hình, đầu ra công cụ, tệp hiện tại. Ngữ cảnh là một không gian làm việc. Một quy trình sinh học nắm giữ một triệu token đang lưu giữ tài liệu tham chiếu: atlas, bảng chú giải, kho giao thức, tài liệu nghiên cứu trước đây. Ngữ cảnh là một thư viện.

Đó là những khối lượng công việc khác nhau và chúng gây áp lực lên những thứ khác nhau. Một không gian làm việc thưởng cho các vòng lặp công cụ nhanh và việc đọc bộ nhớ đệm rẻ; một thư viện thưởng cho khả năng giữ một khối lượng lớn văn bản chuyên ngành trong tầm nhìn và suy luận xuyên suốt nó mà không mất mạch. Meta tối ưu cho loại thứ nhất — Active Memory của Muse Wonder duy trì trạng thái qua một phiên, và Active Focus quản lý sự chú ý của chính mô hình trên các tác vụ dài, cả hai đều là những tính năng chỉ có ý nghĩa khi dùng theo kiểu tác nhân. OpenAI tối ưu cho loại thứ hai, đó là lý do vì sao những mức cải thiện được công bố nằm ở các tác vụ mà mô hình phải nắm đồng thời một giao thức và một nhiễu trong đầu.

• Kinh tế bộ nhớ đệm — Muse Wonder $0.20 mỗi triệu token được lưu đệm so với GPT-Rosalind $0.50. Trong một phiên tác tử dài có gửi lại một prompt hệ thống lớn ở mỗi lượt, mô hình phổ thông rẻ hơn 2,5× ở dòng chi phí chiếm ưu thế.

• Thiết kế phiên — Trạng thái bền vững của Muse Wonder qua các phiên là tuyên bố làm thay đổi cách bạn kiến trúc một ứng dụng nhiều nhất, và cũng là điều mà một thẻ mô hình không thể chứng minh.

• Văn bản chuyên ngành — Cả hai nhà cung cấp đều không công bố bộ đánh giá truy xuất ngữ cảnh dài cho văn bản khoa học, vì vậy thế hòa chưa được xác minh theo hướng quan trọng ở đây.

Cổng là yếu tố tạo khác biệt, không phải điểm chuẩn.

Đây là sự bất đối xứng định hình cuộc trao đổi về mua sắm. {{1}}Muse Wonder{{/1}} được bán cho bất kỳ ai có thẻ. {{2}}GPT-Rosalind{{/2}} chỉ được bán cho các tổ chức vượt qua một cuộc đánh giá, và cuộc đánh giá này tồn tại vì OpenAI kết luận rằng năng lực sinh học của mô hình không nên có sẵn theo yêu cầu. Kể từ ngày 11 tháng 9 năm 2026, cổng đó đã mở trên toàn cầu cho các tổ chức đủ điều kiện thay vì một danh sách đối tác được nêu tên; kể từ ngày 15 tháng 10, cũng đã có một lộ trình học thuật cung cấp cho các phòng thí nghiệm đủ điều kiện tối đa 30 ghế ChatGPT Business miễn phí trong tối đa mười hai tháng và loại trừ rõ ràng quyền truy cập API.

Có hai cách đọc điều đó, và cả hai đều có lý. Cách đọc hoài nghi: một cổng kiểm soát là thứ thuế đánh vào các nhà nghiên cứu hợp pháp mà chẳng ngăn được ai khác. Cách đọc hữu ích: một nhà cung cấp đặt cổng cho mô hình đã cho bạn biết họ nghĩ năng lực đang tập trung ở đâu, và một nhà cung cấp bán mô hình tổng quát cho tất cả mọi người cũng đã nói với bạn điều tương tự bằng cách không nhắc tới. Những điểm mạnh được Meta công bố cho Muse Wonder là công việc tác nhân, lập trình và các tác vụ chuyên môn. Sinh học không nằm trong bài giới thiệu, và không có cổng vì không có gì để gác cổng.

Vậy nên quyết định không phải là “mô hình nào tốt hơn”. Mà là “yêu cầu của tôi thuộc về thư viện hay không gian làm việc”, và câu trả lời thường rõ ràng ngay khi câu hỏi được đặt theo những thuật ngữ đó.

Vận hành cặp đó, và thành thật về việc chúng ta phục vụ nửa nào.

Cả Muse Wonder lẫn GPT-Rosalind đều không có mặt trên OrcaRouter. Muse Wonder có thể truy cập qua API riêng của Meta và trong Muse Code; GPT-Rosalind thì chỉ qua chương trình truy cập tin cậy của OpenAI. Chúng tôi sẽ không hàm ý rằng mình định tuyến cho bất kỳ bên nào trong hai.

Những gì chúng tôi cung cấp từ dòng mô hình đó là dòng Muse Spark — Muse Spark 1.2 và Muse Spark 1.1 với giá $1,25 đầu vào và $4,25 đầu ra trên mỗi triệu token, ngữ cảnh 1.048.576 token, một checkpoint cập nhật với mức giá giữ nguyên, và bề mặt đầu vào rộng hơn bao gồm video và âm thanh cũng như văn bản, hình ảnh và PDF. Đối với một phòng thí nghiệm đang kiểm tra xem một mô hình Meta có phù hợp với pipeline của mình trước khi cam kết đăng ký Muse Code hay không, thì đó là cách rẻ để tìm hiểu. Bên cạnh đó là hơn 200 mô hình khác chỉ qua một khóa theo giá niêm yết của nhà cung cấp với mức tăng giá 0%, nên khi nhà cung cấp giảm giá, bên chúng tôi sẽ áp dụng ngay trong cùng ngày công bố.

Kiến trúc hợp lý ở đây chính là cách tách mà các so sánh này vẫn luôn hướng tới. Phần workspace — điều phối, phân tích cú pháp, phần mã quanh phần khoa học, phần xử lý tài liệu — chạy trên một mô hình bạn có thể gọi ngay hôm nay, với cơ chế chuyển đổi dự phòng tự động để khi nhà cung cấp gặp sự cố thì yêu cầu được chuyển đi thay vì làm hỏng cả lượt chạy. Phần library vẫn dùng khóa chuyên biệt trực tiếp, nằm sau một tuyến được đặt tên trong DSL định tuyến, tuyến này báo lỗi rõ ràng khi chuyên gia không khả dụng thay vì âm thầm trả lời bằng một mô hình tổng quát. Nếu bạn muốn có ý kiến thứ hai về một kết quả sát ngưỡng mà không phải trả mức giá chuyên biệt cho mọi yêu cầu, thì hợp nhất mô hình trên một bảng là cơ chế: nhiều mô hình cùng trả lời, bạn so sánh, và sự bất đồng chính là tín hiệu.

Điều gì sẽ giải quyết được nó?

Ba điều. Một bộ khung đánh giá độc lập có thể chạy lại JobBench của Meta và các spread Vals Finance, qua đó cho bạn biết khoảng cách 44 điểm giữa hai checkpoint Muse Wonder là năng lực thực sự hay chỉ là tạo tác. Một muse-wonder-full đường API sẽ khiến mô hình có điểm cao hơn có thể mua được thay vì bị ràng buộc vào gói đăng ký. Và bất kỳ đánh giá sinh học độc lập nào bao trùm cả hai mô hình sẽ thay thế toàn bộ cuộc tranh luận này bằng một con số, điều mà lĩnh vực này đã cần từ tháng Tư.

Nếu không có những điều đó, quy tắc đủ đơn giản để viết lên một tấm thẻ. Nếu yêu cầu mang tính tác tử, đa phương thức, hoặc liên quan đến việc giữ cho một phiên dài mạch lạc, thì Muse Wonder ở mức $4.00 / $20.00 với ngữ cảnh 1M và điểm độc lập 56 là lựa chọn mua tốt hơn, và bạn có thể bắt đầu ngay hôm nay. Nếu yêu cầu thuộc về sinh học, mô hình duy nhất ở đây được tinh chỉnh cho lĩnh vực đó đang nằm sau một quy trình đánh giá, đắt hơn 25% ở mọi hạng mục, và không xuất hiện trên bất kỳ bảng xếp hạng nào bạn có thể kiểm tra — và sự kết hợp đó chính là diện mạo của một chuyên gia trước khi các benchmark bắt kịp.