Một thẻ tiêu đề cho phần so sánh, với tiêu đề chính là 'Nemotron for Science vs GPT-Rosalind', cùng bốn số liệu thống kê: trọng số mở theo OpenMDW-1.1 mà không cần nộp đơn, GPT-Rosalind ở mức 5,00 USD đầu vào và 25,00 USD đầu ra trên mỗi triệu token, phải qua xét duyệt truy cập tin cậy, khoảng 50.000 câu hỏi hóa học LitmusBench v0.2 có thể huấn luyện, và 81% các bản sửa lỗi GROMACS tại KTH trong một lần chạy DGX Spark qua đêm.
Guides & Insights

Nemotron for Science vs GPT-Rosalind: Trọng số mở đối đầu với cổng truy cập tin cậy

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Hỏi xem mỗi bên trong hai bên này tốn bao nhiêu, và bạn sẽ nhận được câu trả lời gần như chẳng nói gì về bên kia. NVIDIA Nemotron for Science, được công bố tại SC26 vào ngày 16 tháng 11 năm 2026, là một gói có thể tải xuống: checkpoint Nemotron 3.5 Super VL mở theo OpenMDW-1.1, một bộ dữ liệu hóa học khoảng 50.000 câu hỏi có tên LitmusBench v0.2, và các công thức hậu huấn luyện. Chi phí biên của nó chính là chiếc GPU mà bạn đã sở hữu. GPT-Rosalind là một API tính phí theo mức sử dụng nằm sau một đơn đăng ký: chuyên gia khoa học sự sống của công ty, được giới thiệu ngày 16 tháng 4 năm 2026, đã mở trên toàn cầu cho các tổ chức đủ điều kiện vào ngày 11 tháng 9 năm 2026, tính phí $5,00 mỗi triệu token đầu vào và $25,00 mỗi triệu token đầu ra kể từ ngày 5 tháng 10. Một bên là bộ công cụ. Bên kia là dịch vụ có một bước thẩm định trước. Sự khác biệt đó quyết định nhiều hơn về việc phòng thí nghiệm của bạn nên dùng bên nào so với bất kỳ điểm benchmark nào ở cả hai bên.

Cả hai nhãn đều ghi “science,” và từ đó đang gánh rất nhiều nghĩa trong cả hai trường hợp. Không mô hình nào là một nhà khoa học đa năng; mỗi mô hình đều nhắm vào một lát cắt cụ thể của công việc nghiên cứu, được xây dựng bởi một công ty có lợi ích thương mại cụ thể trong lát cắt đó, và được chính công ty đó đánh giá. Vì vậy, so sánh này tách ra ba câu hỏi thường bị gộp lại trong các bài đưa tin ra mắt: mỗi mô hình thực sự có thể được hướng tới điều gì, ai được phép hướng nó tới, và một thí nghiệm tốn bao nhiêu trên mỗi mô hình.

Hai sản phẩm khác nhau, không phải hai phiên bản của cùng một sản phẩm

GPT-Rosalind là một mô hình suy luận được tinh chỉnh cho sinh học — phân tử, protein, gen, con đường sinh học, cơ chế bệnh — với hệ sinh thái plugin đã được ghi nhận gồm hơn 50 công cụ khoa học sự sống và thành tích ghi chú nghiên cứu bao gồm một lần chạy tác nhân phân tán sàng lọc hơn 700 tài liệu tham khảo xuống còn 11. Mô hình này được truy cập qua ChatGPT, Codex và API, và tuyến API yêu cầu phải vượt qua chương trình truy cập tin cậy của OpenAI. Đó là rào cản đối với chính mô hình, không phải đối với một tính năng. Năng lực là có thật; câu hỏi là liệu bạn có được dùng nó hay không.

Nemotron for Science không phải là một mô hình theo cùng nghĩa đó. Mô hình bên trong nó, Nemotron 3.5 Super VL, đã phát hành trọng số vào ngày 12 tháng 10 năm 2026 và được NVIDIA công bố vào ngày 15 tháng 10 — năm tuần trước SC26. Thứ ra mắt vào ngày 16 tháng 11 là bộ công cụ đi kèm: một bộ đánh giá hóa học, các công thức hậu huấn luyện và tài liệu để kết nối mô hình với phần mềm khoa học CUDA-X như những công cụ có thể gọi được. Không ai giới hạn quyền truy cập vào nó. Bạn clone nó, bạn chọn cấu hình phần cứng, bạn tinh chỉnh nó trên dữ liệu của riêng mình, và bước phê duyệt duy nhất là ngân sách tính toán của chính bạn.

Sự bất đối xứng đó chính là toàn bộ phép so sánh, và mọi thứ bên dưới đều là hệ quả của nó.

Bảng điểm, từng khía cạnh một

• Mô hình truy cập — Nemotron for Science: trọng số mở trên Hugging Face theo OpenMDW-1.1, được sử dụng cho mục đích thương mại và phi thương mại, không cần nộp đơn. GPT-Rosalind: đánh giá truy cập tin cậy trước lần gọi API đầu tiên; truy cập trò chuyện thông qua một chương trình học thuật riêng, chương trình này loại trừ rõ ràng các lần gọi API.

• Giá niêm yết — Nemotron for Science: không có bảng giá nhà cung cấp; chi phí tự vận hành chính là phần cứng của bạn. Suy luận bên thứ ba niêm yết Super VL ở mức 0,20 USD mỗi triệu token đầu vào và 0,50 USD mỗi triệu token đầu ra, với chiết khấu bộ nhớ đệm 75% và mức giá kết hợp 0,13 USD. GPT-Rosalind: 5,00 USD đầu vào / 25,00 USD đầu ra mỗi triệu token, 0,50 USD cho đầu vào đã lưu bộ nhớ đệm.

• Tham số — Nemotron 3.5 Super VL: tổng 120B, 12B hoạt động mỗi token, MoE lai Mamba-2 và Transformer với 512 chuyên gia định tuyến mỗi lớp MoE. GPT-Rosalind: không được tiết lộ.

• Ngữ cảnh và phương thức — Cả hai đều có 1 triệu token. Super VL nhận văn bản, hình ảnh và video MP4 dài tối đa hai phút và xuất ra văn bản. GPT-Rosalind nhận đầu vào là văn bản và tệp khoa học thông qua ChatGPT, Codex và API; chưa có công bố nào về khả năng nhận đầu vào hình ảnh nói chung.

• Bằng chứng theo lĩnh vực — Nemotron for Science: bảy đối tác và tổ chức được nêu tên, bao gồm 76% độ khôi phục phản ứng trên RxnScribe tại Terray, 81% các thiết lập GROMACS bị lỗi được một tác nhân KTH sửa chữa trong một lần chạy DGX Spark qua đêm, và độ chính xác tổng hợp chấm lượng tử 61% so với 54% khi đối đầu GPT-6 Astra tại Lila Sciences. GPT-Rosalind: dẫn đầu BixBench, MedChemBench 27,5%, GeneBench 21,6%, LabWorkBench 63,2%, và mức tăng hiệu năng trên mỗi token 4,42% trên LifeSciBench. Cả hai bên đều do nhà cung cấp báo cáo.

• Điểm độc lập — Nemotron 3.5 Super VL: Chỉ số Trí tuệ Artificial Analysis 14, 291 token mỗi giây, 11,85 giây để có token trả lời đầu tiên. GPT-Rosalind: không được theo dõi trên chỉ số đó.

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.

Hóa học và sinh học không phải là cùng một thước đo chuẩn.

Đây là sự không khớp mà việc đọc từng đặc tả sẽ che khuất. Bằng chứng công bố của GPT-Rosalind chủ yếu mang tính sinh học: các dải biểu hiện protein, lập luận ở cấp độ gen, hóa dược, công việc quy trình phòng thí nghiệm. Bằng chứng công bố của Nemotron for Science chủ yếu mang tính hóa học và tính toán: trích xuất sơ đồ phản ứng, dự đoán độ hòa tan, số phận chuyển hóa, tổng hợp chấm lượng tử, sửa chữa động lực học phân tử. Cả hai đều là “khoa học”, và một nhóm hóa học tính toán với một nhóm ung thư học chuyển dịch không nằm trong cùng một thị trường.

Điểm thực sự trùng nhau là lớp agentic, và ở đây bằng chứng của NVIDIA đặc biệt cụ thể. Một mô hình đọc một bộ đầu vào GROMACS bị hỏng, tìm ra lý do vì sao tệp cấu trúc liên kết và tệp tọa độ không khớp nhau, rồi tạo ra bản sửa mà sau đó engine chấp nhận, đang thực hiện việc dùng công cụ nhiều bước với phần thưởng có thể xác minh — và KTH báo cáo tỷ lệ thành công 81% trên các ca kiểm thử do họ xây dựng. Bằng chứng tương đương của Rosalind là lần chạy giả thuyết về vận chuyển cholesterol kéo dài 32 phút từ tháng Mười, trong đó hàng nghìn tác tử phối hợp đã sàng lọc hơn 700 tài liệu tham khảo xuống còn 11, và những người đánh giá mù ưu tiên đầu ra trong khoảng ba phần tư số so sánh. Cả hai đều là nguồn gốc chính thức. Cả hai đều mô tả một vòng lặp lập kế hoạch, thực thi và kiểm tra. Không bên nào công bố tỷ lệ hoàn thành dưới tải sản xuất, mà đó mới là con số thực sự cho phép bạn so sánh chúng.

Hãy đọc hai cơ sở bằng chứng này như bổ trợ cho nhau thay vì cạnh tranh. Nếu công việc của bạn là sinh học wet-lab, thì bộ dữ liệu hóa học của NVIDIA gần như không liên quan đến bạn, và các dòng MedChemBench và LabWorkBench của Rosalind mới là những thứ cần đọc. Nếu công việc của bạn là hóa học tính toán hoặc mô phỏng phân tử, thì kết quả GROMACS và chấm lượng tử mô tả đúng tuần thực tế của bạn, còn phần tinh chỉnh sinh học của Rosalind là thứ bạn sẽ phải trả phí cao để có mà không dùng đến.

Chi phí của một thử nghiệm, đã được tính toán

Định giá theo token là đơn vị sai cho cả hai trường hợp này, nên đây là phép tính quan trọng. Lấy một lần chạy hậu huấn luyện trên Nemotron for Science: một mô hình 120B ở BF16 cần 4× H100 hoặc 2× GB200, hoặc một DGX Spark duy nhất trên bản dựng NVFP4. Một lần chạy qua đêm trên một DGX Spark — cấu hình KTH — là một chi phí cố định, biết trước đối với phần cứng mà bạn sở hữu hoặc thuê theo giờ. Tập dữ liệu là miễn phí và các công thức đã được công bố. Bạn có thể chạy vòng lặp một trăm lần và chi phí biên của lần chạy thứ chín mươi chín bằng với lần chạy đầu tiên.

Giờ đến lượt lặp lại tương tự với một chuyên gia tính phí theo mức dùng. Với mức $5.00 cho đầu vào và $25.00 cho đầu ra mỗi triệu token, một lượt xử lý ngữ cảnh dài duy nhất trên một kho ngữ liệu khoa học lớn không phải là chuyện nhỏ, và chi phí của một lần thử thất bại được tính cùng mức giá như một lần thành công. Đó là lý do vì sao đầu vào được lưu đệm với giá $0.50 lại quan trọng đến vậy ở phía Rosalind: nếu các prompt của bạn chia sẻ một tiền tố lớn, mức giảm giá là 90% và bài toán kinh tế thay đổi hoàn toàn. Nếu không chia sẻ, thì không.

Kết luận trung thực từ phép tính đó không phải là "mở rẻ hơn." Mà là hai hình thái định giá thưởng cho những công việc khác nhau. Tinh chỉnh lặp lại thưởng cho trọng số mở, vì bạn trả tiền cho compute và không gì khác. Đánh giá theo đợt một trăm giả thuyết với một mô hình tiên phong thưởng cho API tính theo mức dùng, vì bạn trả tiền cho những gì bạn dùng và không gì khác. Hầu hết các nhóm nghiên cứu làm cả hai, và đó là phần khó xử.

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.

Lớp định tuyến phù hợp ở đâu và không phù hợp ở đâu

Cả hai checkpoint đều không có trong danh mục của chúng tôi. Chúng tôi không cung cấp Nemotron 3.5 Super VL và cũng không cung cấp GPT-Rosalind, và sẽ thật kỳ lạ nếu một bài viết lại giả vờ điều ngược lại — câu trả lời thực tế cho cái đầu tiên là bạn tải nó về, còn với cái thứ hai là bạn nộp đơn cho OpenAI.

Phần nằm về phía chúng tôi của ranh giới là phần của một agent khoa học không phải là mô hình khoa học. KTH GROMACS agent, pipeline trích xuất Terray và trình tạo giao thức Lila đều là những agent được bọc quanh một mô hình miền: chúng lập kế hoạch, gọi công cụ, đọc đầu ra và quyết định làm gì tiếp theo, và lớp lập kế hoạch thường là một mô hình tổng quát chứ không phải một mô hình chuyên biệt. Lớp đó là nơi một khóa duy nhất dùng xuyên suốt hơn 200 mô hình theo giá niêm yết của nhà cung cấp với mức cộng thêm 0% chứng tỏ được giá trị của nó, và là nơi chuyển đổi dự phòng tự động trở nên quan trọng — một lượt chạy agent kéo dài sáu giờ là lượt chạy bạn không muốn mất ở giờ thứ năm chỉ vì một nhà cung cấp thượng nguồn gặp một buổi chiều tồi tệ. DSL định tuyến tổ hợp các lệnh gọi đó; mô hình chuyên biệt vẫn ở đúng chỗ của nó.

Chọn cái nào?

Nếu bạn là một nhóm hóa học tính toán hoặc mô phỏng phân tử có tài nguyên GPU, thì Nemotron for Science gần như là lựa chọn hiển nhiên: giấy phép thoáng, một bộ 50.000 câu hỏi hóa học mà bạn có thể vừa dùng để đánh giá vừa để huấn luyện, và một vòng lặp công cụ có tài liệu đã được chứng minh trên đúng kiểu lỗi mà bạn xử lý hàng tuần. Việc không có bảng giá của nhà cung cấp không phải vấn đề khi dù sao bạn cũng định tự triển khai.

Nếu bạn đang làm sinh học chuyển dịch và cần một mô hình có thể lập luận về protein và cơ chế bệnh tật, Rosalind là mô hình duy nhất trong hai mô hình hướng đến công việc của bạn, và quy trình xét duyệt truy cập tin cậy chính là cái giá phải trả để được tham gia. Hãy tính đến thời gian xét duyệt trong kế hoạch dự án của bạn, và lưu ý rằng các suất miễn phí của chương trình học thuật không bao gồm quyền truy cập API — một nhóm đại học muốn có pipeline sẽ cần thỏa thuận thương mại riêng.

Và nếu bạn đang xây dựng agent chứ không phải mô hình, thì lựa chọn này ít hệ quả hơn vẻ ngoài của nó. Cả hai đều có thể gọi từ một vòng lặp; cả hai đều có các chế độ lỗi; không bên nào công bố tỷ lệ hoàn thành có thể giải quyết câu hỏi. Nước đi hợp lý là xây dựng vòng lặp sao cho mô hình bên dưới nó là một giá trị cấu hình, rồi đo lường. Đó là phép so sánh duy nhất mà cả hai nhà cung cấp còn để lại cho bạn.

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.