GPT-Rosalind vs Qwen 4 Max: 3.000 tác nhân, một hóa đơn và một mô hình chưa được phát hành

Ba mươi hai phút, và hơn 700 tài liệu tham khảo. Vào ngày 21 tháng 10 năm 2026, O​penAI công bố một sự hợp tác với PerturbAI và Scripps Research, trong đó hàng nghìn tác nhân chạy trên GPT-Rosalind đã xử lý một atlas CRISPR toàn não của hàng triệu tế bào chuột, mỗi tác nhân đảm nhận một đột biến gen, tìm kiếm tài liệu xung quanh nó và viết một báo cáo — một công việc mà các tác giả ước tính mất từ vài tháng đến một năm nếu làm từng đột biến một. Bản thân mô hình không mới: O​penAI giới thiệu GPT-Rosalind vào ngày 16 tháng 4 năm 2026, mở rộng nó ra ngoài danh sách đối tác được nêu tên vào ngày 11 tháng 9, và bắt đầu tính phí $5.00 mỗi triệu token đầu vào và $25.00 mỗi triệu token đầu ra vào ngày 5 tháng 10. Điều mới là lần đầu tiên công chúng thấy mô hình vận hành như một đội thay vì một lệnh gọi, và điều đó thay đổi việc so sánh với Q​wen 4 Max nên xoay quanh điều gì. Q​wen 4 Max được công bố tại hội nghị Apsara của A​libaba vào ngày 22 tháng 9 năm 2026 và vẫn chưa có giá, chưa có cửa sổ ngữ cảnh và chưa có thẻ mô hình. Vậy phiên bản trung thực của cuộc so tài này có ba phía: một chuyên gia có chi phí đơn vị thực tế tính theo từng tác nhân, một đối thủ chưa được phát hành, và mô hình Q​wen mà bạn thực sự có thể thuê ngay hôm nay — Qwen3.8-Max, với giá $2.00/$6.00 mỗi triệu token. Các thông báo không bao giờ trở thành một điểm cuối có thể gọi được sẽ được ghi lại cùng ngày tháng và nguồn trong the AI Incident Archive, cùng với phần còn lại của các sự cố mô hình và nhà cung cấp mà chúng tôi theo dõi.

Điều mà buổi chạy ngày 21 tháng 10 thực sự cho thấy

Bộ dữ liệu là một atlas Perturb-seq: các gen bị làm gián đoạn, mỗi lần một guide RNA, trên khắp não chuột, với bộ phiên mã của từng tế bào được đọc ra sau đó. Đầu ra là một ma trận gồm hàng nghìn phép can thiệp đối chiếu với hàng triệu tế bào, nhiều hơn mức bất kỳ phòng thí nghiệm nào có thể đọc kỹ — chính là nút thắt mà bài báo nhắm tới.

Phương pháp mà các tác giả gọi là suy luận sinh học phân tán không phải là một lần gọi mô hình lớn duy nhất trên một bảng lớn. Mỗi tác nhân nhận một đột biến gen đơn lẻ, xem xét phản ứng của tế bào, truy xuất tài liệu xung quanh và tạo ra một báo cáo có cấu trúc đề xuất một cơ chế. Những báo cáo này sau đó được tập hợp thành cái mà bài báo gọi là bản đồ suy luận: một đồ thị liên kết các gen, hiệu ứng theo loại tế bào, các bài báo và các cơ chế ứng viên. Thời gian chạy mà OpenAI báo cáo cho toàn bộ đợt quét là 32 phút.

Phát hiện quan trọng nhất đối với bất kỳ ai đang cân nhắc chọn một mô hình không phải là khía cạnh sinh học. Mà là phép đối chứng mà nhóm nghiên cứu đã tiến hành trên chính phương pháp của mình, bởi phép đối chứng đó gắn với một con số cụ thể. Họ giữ nguyên mô hình và năng lực tính toán, rồi giao toàn bộ tập dữ liệu cho một tác tử duy nhất thay vì chia nhỏ cho hàng nghìn tác tử. Khi khối lượng công việc tăng lên, độ phủ tài liệu của tác tử đơn lẻ sụp giảm: ở mức khối lượng lớn nhất, nó chỉ trích dẫn 11 tài liệu tham khảo, so với hơn 700 của các tác tử phân tán. Các chuyên gia con người đánh giá trong điều kiện làm mù đã ưu tiên chọn các báo cáo của phương án phân tán trong 75% trường hợp.

Đọc những điều đó cùng nhau và kết quả là nói về việc phân tách, không phải về IQ của mô hình. Một cửa sổ ngữ cảnh duy nhất sẽ suy giảm khi bạn đổ cả một tập bản đồ vào đó; còn vài nghìn tác nhân hẹp, mỗi tác nhân có một công cụ truy xuất, thì không. Cách diễn đạt của chính các tác giả cũng ủng hộ điều này — họ trình bày giả thuyết vận chuyển cholesterol DCTN1 như một câu hỏi cho các thí nghiệm tiếp theo, chứ không phải một phát hiện — và bài báo là một bản thảo trước được đăng ngày 16 tháng 10 năm 2026, do các nhân viên OpenAI và PerturbAI đồng tác giả, vẫn chưa được bình duyệt. Hãy coi 32 phút là thời gian chạy thực tế và phép so sánh với con người là một bậc độ lớn.

Đối với một trang so sánh đối đầu, hệ quả là cụ thể. Nếu chiến thắng đến từ kiến trúc, thì thuộc tính quyết định của mô hình bên dưới không phải là điểm chuẩn của nó — mà là chi phí để gọi nó ba nghìn lần trong nửa giờ, và liệu bạn có được phép làm vậy hay không.

Con số quyết định cuộc so tài này là chi phí trên mỗi agent

Các so sánh đã công bố về hai mô hình này thường chỉ đặt các mức giá công bố cạnh nhau rồi dừng lại. Mức giá công bố là đơn vị sai cho khối lượng công việc mà bài báo ngày 21 tháng 10 vừa cụ thể hóa, vì một lượt chạy phân tán nhân lời gọi mô hình với số lượng nhiễu. Hãy tính cụ thể với các giả định đã nêu: một agent đọc phần mở đầu atlas dùng chung, lấy một vài bài báo và viết báo cáo có thể tiêu thụ 60.000 token đầu vào và 4.000 token đầu ra. Theo mức giá công bố của OpenAI, agent này tốn $0.40 — $0.30 cho đầu vào và $0.10 cho đầu ra. Cùng agent đó trên Qwen3.8-Max với mức $2.00/$6.00 tốn $0.14. Ba nghìn agent: khoảng $1.200 so với khoảng $432.

Cache tiền tố dùng chung thì khoảng cách sẽ nới rộng chứ không thu hẹp, vì mức giá đầu vào được cache chênh lệch nhiều hơn so với các mức giá công bố. Đặt 50.000 trong số 60.000 token đầu vào đó vào một tiền tố được cache thì agent Rosalind giảm xuống còn khoảng $0,18 trong khi agent Q​wen giảm xuống còn khoảng $0,06 — rẻ hơn chỉ hơn ba lần, vì đầu vào được cache là $0,50 mỗi triệu ở một bên và $0,25 ở bên kia. Đó là phép tính của chúng tôi, không phải con số của nhà cung cấp, và nó nhạy cảm với việc có bao nhiêu phần trong prompt của bạn thực sự được dùng chung; còn hướng thì không.

Hãy đặt hai bên đối chiếu với nhau theo những khía cạnh quyết định một lần vận hành đội xe:

• Giá đầu vào — GPT-Rosalind $5.00 mỗi 1M so với Qwen3.8-Max $2.00. Q​wen 4 Max: chưa công bố.

• Giá đầu ra — GPT-Rosalind 25,00 USD cho mỗi 1 triệu so với Qwen3.8-Max 6,00 USD. Qwen 4 Max: chưa công bố.

• Đầu vào đã lưu trong bộ nhớ đệm — GPT-Rosalind 0,50 USD mỗi 1 triệu, và trang định giá của OpenAI nêu rõ giá ghi bộ nhớ đệm không áp dụng cho mô hình này; Qwen3.8-Max 0,25 USD. Qwen 4 Max: chưa công bố.

• Chi phí cho mỗi đợt quét 3.000 tác nhân — khoảng 1.200 USD trên GPT-Rosalind so với khoảng 432 USD trên Qwen3.8-Max theo các giả định ở trên. Qwen 4 Max: không thể tính được.

• Ngữ cảnh — 1M token ở cả hai bên. Q​wen 4 Max: không được công bố, và đặc biệt là không được kế thừa từ cửa sổ của Qwen3.8 chỉ nhờ vào việc tên hạng vẫn được giữ nguyên.

• Đầu ra tối đa — GPT-Rosalind không công bố giới hạn cho mỗi phản hồi; bản snapshot Qwen3.8-Max 0902 ghi nhận 131.072 token. • Độ trễ — Qwen3.8-Max có thời gian đến token đầu tiên p50 là 6,32 giây trên OrcaRouter và 40,3 token đầu ra mỗi giây theo chỉ số Artificial Analysis. GPT-Rosalind không công bố con số độ trễ nào, mà với một lượt chạy fan-out thì đó chính là con số bạn muốn biết nhất.

• Điểm độc lập — GPT-Rosalind hoàn toàn không được theo dõi trên Artificial Analysis Intelligence Index, vì đây là mô hình chuyên ngành bị hạn chế truy cập; Qwen3.8-Max ghi nhận 45, xếp thứ 33 trong số 214 mô hình, với $5.41 cho mỗi tác vụ chỉ số hoàn thành và 40.3 token đầu ra mỗi giây.

• Truy cập — GPT-Rosalind yêu cầu được phê duyệt thông qua chương trình truy cập tin cậy của OpenAI; Qwen3.8-Max là một API thương mại thông thường với hình thức đăng ký mở.

Hai trong số những dòng đó gánh vác nhiều hơn phần còn lại. Điểm số độc lập là con số duy nhất trong bảng mà không ai liên quan đến một trong hai mô hình cung cấp, và nó cho thấy mẫu chủ lực Q​wen là một mô hình tổng quát đủ năng lực ở mức trung trong nhóm tiên phong, chứ không phải là mô hình dẫn đầu nhóm tiên phong — 45 so với 58 của mô hình tốt nhất trên bảng đó. Và dòng về khả năng truy cập không phải là một chú thích cuối trang: nó quyết định liệu cả đội hình có thể tồn tại hay không.

Vị thế thực sự của Q​wen 4 Max

A​libaba đã dùng hội nghị Apsara của mình vào ngày 22 tháng 9 năm 2026 để đặt tên cho bốn phân hạng — Q​wen 4 Max là mẫu chủ lực, Q​wen 4 Flash cho thông lượng, Q​wen 4 Plus ở phân khúc giữa, và một Q​wen 4 27B trọng số mở — mô tả dòng sản phẩm này là đang được huấn luyện trên một kiến trúc thế hệ mới, và cho biết nó sẽ sớm ra mắt. Họ không gắn ngày cụ thể nào với bất kỳ mẫu nào trong số đó.

Một tháng sau, có ba nơi độc lập mà tại đó một mẫu flagship Q​wen đã phát hành đáng lẽ phải xuất hiện, và nó vắng mặt ở cả ba. Tài liệu Model Studio của chính A​libaba Cloud liệt kê qwen3.8-max là bậc Max cao nhất, không có mục Q​wen 4 nào. Artificial Analysis, đơn vị chấm điểm hầu hết các flagship thương mại Trung Quốc trong vòng vài ngày sau khi phát hành, không có dòng Q​wen 4 Max. Danh mục OrcaRouter, nơi cung cấp hơn 200 mô hình bao gồm mọi bậc Q​wen 3.5 đến 3.8, không có mã định danh qwen4. Đó không phải là bằng chứng của sự chậm trễ. Đó là bằng chứng rằng tính đến ngày 22 tháng 10, không có gì để so sánh.

Con số tham số đi kèm thông báo đó đáng được đính chính một lần, vì nó cứ tiếp tục lan vào các bảng so sánh. Con số 5 nghìn tỷ đến 10 nghìn tỷ đang lưu hành là một phát biểu hướng tới tương lai về các thế hệ sau Qwen 4 — giai đoạn Qwen 4.5 và Qwen 5. Alibaba không gắn bất kỳ số lượng tham số nào cho Qwen 4 Max. Một cỡ cấp Qwen 5 được in bên cạnh tên mô hình Qwen 4 là lỗi vay mượn có chu kỳ bán rã dài.

Điều mà thông báo thực sự cho bạn biết là Alibaba có ý định tiếp tục cạnh tranh ở phân khúc flagship, và đó là lý do để ở lại trong hệ sinh thái thay vì rời bỏ nó. Nó không cho bạn biết bất cứ điều gì mà bạn có thể lập kế hoạch di chuyển dựa vào, bởi vì “sớm” không phải là một ngày và một slide hội nghị không phải là bảng giá.

Gói cao cấp dành cho chuyên gia mang lại những gì, và không mang lại những gì

Lập luận của GPT-Rosalind dựa trên các đánh giá chuyên ngành mà OpenAI đã công bố cùng mô hình: hiệu suất dẫn đầu trên BixBench, thắng 6/11 hạng mục LABBench2 trước GPT-5.4, và mức tăng tính trên mỗi token là 53,7% trên GeneBench, 18,0% trên MedChemBench và 19,6% trên LabWorkBench. Tất cả những con số đó đều do nhà cung cấp báo cáo. Chưa có con số nào được tái lập một cách độc lập, và mô hình không có mục nào trên các bảng xếp hạng trí tuệ tổng quát — điều này là bình thường đối với một mô hình chuyên ngành được kiểm soát truy cập, đồng thời cũng có nghĩa là không thể kiểm chứng các con số từ bên ngoài.

Điều có thể kiểm chứng là bộ công cụ. Life Sciences Research Plugin kết nối mô hình với hơn 50 công cụ và nguồn dữ liệu khoa học dưới dạng các kỹ năng có thể tổ hợp bên trong Codex, và bài báo ngày 21 tháng 10 là minh chứng cho chồng công nghệ đó chứ không phải cho khả năng suy luận thuần túy: hàng nghìn tác nhân, mỗi tác nhân truy xuất tài liệu và viết một báo cáo có cấu trúc, là một kết quả tích hợp công cụ. Qwen3.8-Max không có bộ công cụ sinh học tương đương. Nó có khả năng gọi công cụ và tạo đầu ra có cấu trúc mạnh mẽ nói chung, còn mọi kết nối cơ sở dữ liệu khoa học sẽ do bạn tự xây dựng.

Đó chính là cấu trúc thực sự của khoản phí cao cấp. Bạn không trả gấp 2,5 lần để có một mô hình thông minh hơn; bạn trả cho khả năng suy luận được tinh chỉnh theo miền trên bằng chứng phân tử cùng một lớp công cụ được nối sẵn, và lần chạy ngày 21 tháng 10 là bằng chứng công khai đầu tiên cho thấy sự kết hợp này tạo ra thứ mà một nhà sinh học sẽ đọc. Điểm phản biện khó chịu nằm ngay trong cùng bài báo: vì thí nghiệm đối chứng giữ nguyên mô hình và chỉ thay đổi cách phân rã, kết quả phần lớn sẽ vẫn đứng vững trên một mô hình rẻ hơn. Nghiên cứu không tách bạch được bao nhiêu phần đầu ra là GPT-Rosalind và bao nhiêu là kiến trúc — và các tác giả cũng không khẳng định là có. Nếu bạn đang lập ngân sách cho một đợt quét phân tán, sự mơ hồ đó đáng giá khoảng 770 đô la cho mỗi ba nghìn agent, tức là chênh lệch giữa hai hóa đơn ở trên.

Cổng là một phần của đặc tả.

GPT-Rosalind không được bán rộng rãi. Trang định giá của OpenAI nêu rằng quyền truy cập chỉ giới hạn ở nghiên cứu nội bộ đã được phê duyệt thông qua chương trình truy cập tin cậy, và kể từ ngày 11 tháng 9, chương trình đó đã mở trên toàn cầu cho các tổ chức đủ điều kiện thay vì một danh sách đối tác cố định. Tính đủ điều kiện được đánh giá dựa trên mục đích sử dụng đề xuất, quản trị và truy cập có kiểm soát — một chính sách hợp lý cho một mô hình suy luận trên dữ liệu mầm bệnh và protein, đồng thời là một ràng buộc cứng đối với mô hình triển khai theo đội mà công ty vừa trình diễn.

Một lượt chạy 32 phút trên hàng nghìn agent giả định rằng bạn có thể bùng nổ lên hàng nghìn yêu cầu đồng thời theo nhu cầu. Với một khóa bị giới hạn, ràng buộc không phải là token mỗi phút; mà là bước xét duyệt, cấu trúc tài khoản và bất kỳ mức trần đồng thời nào mà chương trình cấp. Bất kỳ đội ngũ nào dự định thực hiện một đợt quét phân tán nên tính toán điều đó trước khi so sánh mức giá, bởi vì một mô hình rẻ hơn mà bạn có thể gọi thoải mái vẫn tốt hơn một mô hình tốt hơn mà bạn chỉ có thể gọi theo lịch của người khác.

Đây là nơi một lớp định tuyến chứng minh được giá trị của mình, và cũng là nơi nó không làm được vậy. GPT-Rosalind không có trên OrcaRouter — quyền truy cập đi qua đơn xin truy cập tin cậy của O​penAI, và không bộ định tuyến nào thay đổi được điều đó. Điều mà bộ định tuyến thay đổi là mọi thứ xoay quanh lời gọi tới mô hình chuyên biệt. Một lần chạy như lần được công bố ngày 21 tháng 10 phần lớn không phải sinh học: đó là điều phối, phân tích báo cáo, khử trùng lặp trên hàng nghìn đầu ra, và đoạn mã biến một atlas thành thứ có thể truy vấn. Những bước đó không cần một mô hình chuyên ngành giá 25 USD cho mỗi triệu đầu ra, và đưa chúng vào đó chính là cách một thí nghiệm 32 phút trở nên đắt đỏ. Qwen3.8-Max có trên OrcaRouter với mức giá niêm yết $2.00/$6.00 của Alibaba và markup 0%, nằm sau cùng một endpoint tương thích O​penAI như hơn 200 mô hình khác, nên chặng xử lý hàng loạt và chặng chuyên biệt nằm trên cùng một khóa với tính năng tự động chuyển đổi dự phòng giữa các nhà cung cấp và chính sách định tuyến được viết dưới dạng cấu hình thay vì một tên mô hình được gắn cứng vào ứng dụng.

Khi Qwen 4 Max được phát hành, đó cũng là cách rẻ nhất để biết liệu nó có quan trọng hay không: một quy tắc định tuyến gửi một phần lưu lượng đến tầng mới, với cơ chế chuyển đổi dự phòng trở lại mô hình bạn đã tin tưởng, là một thử nghiệm không thể làm sập môi trường sản xuất. Cho đến lúc đó, danh mục đơn giản là không có mục nào cho nó, đó chính là diện mạo mà một mô hình đã công bố nhưng chưa phát hành nên có.

Điều gì sẽ làm đảo ngược phép so sánh này?

Bốn con số được công bố sẽ biến Q​wen 4 Max từ một cái tên thành một đối thủ, và chúng đáng được nêu rõ để có thể nhận ra thứ thật sự khi nó xuất hiện.

• Bảng giá.Một mẫu flagship Qwen định giá dưới $2.00/$6.00 sẽ thay đổi phép tính trong bài viết này theo bội số chứ không phải theo tỷ lệ phần trăm. Một mẫu có mức giá tương đương thì không thay đổi gì, vì mô hình Qwen có thể mua được vốn đã nằm ở đó.

• Hành vi ngữ cảnh dài, được nêu như một chính sách. Liệu cửa sổ 1M có đi kèm một dải phụ phí hay không, và ở ngưỡng nào. Mức giá theo bậc trên một kích thước đầu vào nào đó sẽ quan trọng hơn đối với một lượt chạy atlas so với con số tiêu đề, vì mọi tác nhân trong mẫu đó đều vượt qua dải này.

• Một kết quả về năng lực tác tử và sử dụng công cụ trên một bảng đánh giá mà không ai tại A​libaba vận hành. Khoảng cách mà bài viết này mô tả không phải là lập luận tổng quát — Qwen3.8-Max đủ năng lực ở lĩnh vực đó — mà là việc sử dụng công cụ khoa học. Một kết quả đã được công bố, do bên độc lập quản lý trên trục đó sẽ là phép thử thực sự đầu tiên đối với phần phụ trội dành cho chuyên gia.

• Việc gói Max có phát hành trọng số hay không. Qwen3.8-Max thì không, nhưng gói 27B cùng thế hệ thì có, và một Qwen 4 Max với trọng số có thể tải xuống sẽ là thứ duy nhất mà GPT-Rosalind về mặt cấu trúc không thể cung cấp cho một phòng thí nghiệm được quản lý chặt chẽ cần kiểm toán những gì xảy ra với dữ liệu chuỗi độc quyền.

Quyết định mà trang này thực sự hậu thuẫn không chờ bất kỳ mô hình nào trong số đó. Hãy đặt chuyên gia ở nơi mà việc sai là tốn kém — ưu tiên mục tiêu, đề xuất cơ chế, báo cáo mà một nhà sinh học sẽ đọc — và đặt đội mô hình trên mô hình chỉ tốn $0.14 một tác nhân và trả lời mà không cần mẫu đăng ký. Kết quả ngày 21 tháng 10 là một lập luận tốt cho việc chạy sinh học phân tán ở quy mô atlas. Đó là một lập luận yếu hơn cho việc chạy toàn bộ trên mô hình đắt nhất trong phòng, và thí nghiệm đối chứng của chính bài báo là lý do để nói như vậy.