GPT-Rosalind 与 Muse Wonder 对比：100 万上下文能为生物实验室带来什么

Muse Wonder 和 GPT-Rosalind 是本次对比中纸面上最接近、用途上却相距最远的两个模型。Meta Superintelligence Labs 于 2026 年 10 月 12 日发布 Muse Wonder，价格为每百万输入 token 4.00 美元、每百万输出 token 20.00 美元，具有 100 万 token 上下文，Artificial Analysis Index 为 56——这与 GPT-Rosalind 处于相同价格档位、具有相同上下文大小；后者是 OpenAI 自 2026 年 4 月 16 日起以每百万输入 token 5.00 美元、每百万输出 token 25.00 美元出售的模型。这五美元和五美元的差异并不是有趣之处。有趣之处在于，其中一个模型会回答你向它提出的任何问题，而另一个只回答通过审核的组织提出的问题，并且两者中只有后者针对生物实验室实际从事的工作进行了调优。 当某项受限发布开放或某个分数被修订时，变更会连同日期和来源记录在 AI Incident Archive 中，与我们追踪的其他模型和厂商事件并列。

相同的上下文窗口，不同的存在理由

两个模型都承载着一百万个 token，而值得理解的是，这只是两个互不相关的设计决策的巧合，并不是它们共享的能力。

Meta 的理由在于广度。{{1}}Muse Wonder 接受文本、图像、语音和视频输入，返回文本，并专为 Meta 所谓的个人与专业智能体任务而构建。{{/1}} 其兄弟产品 {{2}}Muse Wonder Full 被限定在 Muse Code 订阅之内——Power Usage 套餐每月 50 美元，Maximum Usage 为 200 美元——这使其成为一项产品决策，而非 API 层级。{{/2}} 当单个智能体会话必须同时容纳屏幕录制、文档、对话历史和工具记录时，一百万 token 正是你所需要的。

OpenAI 的理由在于深度。GPT-Rosalind 具备一百万 token 的上下文容量，使实验室能够一次性载入整套参考图谱、实验方案库和数据集描述。它的工具界面是一个生命科学插件，拥有五十多个工具；其公开基准测试涵盖化学和基因组学；之所以设有准入门槛，是因为该模型在生物学方面被认为足够出色，因而需要这样一道门槛。

• 上下文窗口 — Muse Wonder 1,000,000 tokens 对比 GPT-Rosalind 1,000,000 tokens。势均力敌，真正的平手。

• 输入模态 — Muse Wonder：文本、图像、语音和视频。GPT-Rosalind：通过 ChatGPT、Codex 和 API 接收文本与科学文件输入；未发布通用图像输入的相关声明。

• 输出 — 仅文本，两者。

• 价格 — Muse Wonder 每 100 万 token 输入 $4.00 / 缓存 $0.20 / 输出 $20.00，而 GPT-Rosalind 为 $5.00 / $0.50 / $25.00。该专用模型每一项都贵 25%，缓存读取则贵 2.5 倍。

• 访问 — Muse Wonder 今日起可调用，模型为 muse-wonder-1.0，可在 Meta Model API 和 Muse Code 中使用。GPT-Rosalind 需要可信访问审查。

• 独立评分 — Muse Wonder 在 Artificial Analysis Index（v4.3.2）上得 56 分。GPT-Rosalind：未在该榜单中收录。

最后一对才是关键所在。在采购团队无需做科学研究就能衡量的每一个维度上，Muse Wonder 都胜出：它更便宜，无需申请即可使用，支持更多输入类型，并且拥有独立评分。GPT-Rosalind 唯一胜出的维度，是任何排行榜都不衡量的那个维度，而这正是本文要讨论的内容。

那些不可比较的分数，说得直白些

Muse Wonder 的 56 和 Rosalind 的 27.5% 并不是同一事物的两种读数，任何把它们放在相邻列中的表格都会产生误导。56 是一个独立的综合分数，涵盖十项通用评测：AA-Briefcase、GDPval-AA、AutomationBench、Terminal-Bench、SciCode、Humanity's Last Exam、GDP.pdf 等。27.5% 是 OpenAI 自己的药物化学基准，以 GPT-5.5 为对照进行评分，且尚未被复现。

• Muse Wonder — 在 Artificial Analysis Index 上为 56；Meta 自己的表格报告 Terminal-Bench 4.0-AA 为 85.6、SWE-Marathon 为 78.8、OSWorld V2.1 为 72.6、HealthBench Pro 为 56.6，DeepSWE 1.1 为 52.0。Meta 的所有行均为厂商报告；该指数数值是独立的。

• GPT-Rosalind — MedChemBench 27.5% 对 25.1%，GeneBench 21.6% 对 20.4%，LabWorkBench 63.2% 对 55.8%，以及在 LifeSciBench 上每 token 性能提升 4.42%。以上数据均由 OpenAI 报告，均未经独立复现。

• 唯一值得注意的重叠点——HealthBench Pro 是一个临床知识基准，而 GPT-Rosalind 并未公布其在该基准上的任何成绩。Meta 在此的 56.6 分，并不能说明 Muse Wonder 是否具备设计扰动实验的能力。

没有任何一项公开的生物学基准测试同时给这两款模型评过分。这一缺失是比较中最重要的一个事实，而且两家供应商都不会去弥补它。

Muse Wonder Full 对价格比较有何影响

Meta 于 10 月 12 日发布了两个检查点，而这一拆分使得“Muse Wonder”的含义取决于你从哪扇门进来。

• Muse Wonder — muse-wonder-1.0，在 Meta Model API 和 Muse Code 中，$4.00 / $0.20 / $20.00。

• Muse Wonder Full——Meta 表示，这是一个单独的、得分更高的检查点，仅向 Muse Code 订阅用户提供。它不是 API 模型上的一个标志；而是每月 50 至 200 美元的产品背后的一款不同模型。

• 这一差距——Meta 自己的表格显示，Muse Wonder Full 在 JobBench 上得分为 75.3，而 Muse Wonder 为 30.8；在 Vals Finance Agent V2 上则为 59.1 对 10.0。同一实验室的两个检查点在同一基准上相差 44 分，要么是真实的能力分化，要么是测试框架的伪影，只有第三方才能裁定究竟是哪一种。

对于一个实验室来说，实际的解读是：你能通过 API 购买到的模型，和 Meta 公布其最佳数据所对应的模型，并不是同一个模型。任何因为 Full 的分数而把“Muse Wonder”与 GPT-Rosalind 相提并论的人，都是在把一款订阅产品和一个 API 模型作比较。

一百万个 token 究竟都用在了哪里

上下文上的关联正是这两个模型会被拿来比较的根本原因，因此值得具体说明：实验室会用一百万 tokens 做什么，而通用智能体又会用这些 tokens 做什么。

一个持有百万 token 的通用智能体，持有的是状态：对话、截图、工具输出、当前文件。上下文是一间工作区。一个持有百万 token 的生物学工作流，持有的是参考资料：图谱、注释表、实验方案语料库、既往文献。上下文是一座图书馆。

这些是不同的工作负载，它们强调的方面也不同。工作区看重快速工具循环和低成本缓存读取；库看重的是能够将大量领域文本保持在视野中，并在其间推理而不失主线。Meta 针对前者进行优化——Muse Wonder 的 Active Memory 会在整个会话中保持状态，Active Focus 则管理模型自身在长任务上的注意力，这两个功能只对智能体式使用才有意义。O​penAI 针对后者进行优化，这就是为什么已公布的提升出现在模型必须同时记住一个协议和一个扰动的任务上。

• 缓存经济性——Muse Wonder 每百万缓存 token 收费 $0.20，而 GPT-Rosalind 为 $0.50。在长时间运行的智能体会话中，每一轮都要重新发送一大段系统提示词，因此在这个占主导地位的开销项上，该通用模型便宜 2.5 倍。

• 会话设计 — Muse Wonder 跨会话的持久状态，是最能改变你架构应用方式的一项主张，也是模型卡无法展示的那一项。

• 领域文本——两家厂商均未发布针对科学文本的长上下文检索基准，因此在本文所关注的这一关键方向上，双方打成平手的结论尚未得到验证。

真正的差异化因素在于把关环节，而非基准指标。

决定采购讨论的正是这种不对称性。Muse Wonder 面向任何持卡人销售。GPT-Rosalind 仅出售给通过审查的组织，而审查之所以存在，是因为 OpenAI 认定该模型的生物学能力不应按需提供。自 2026 年 9 月 11 日起，这道门槛已在全球范围内向符合条件的组织开放，而非仅限于指定合作伙伴名单；自 10 月 15 日起，还设有学术渠道，为符合条件的实验室提供最多 30 个免费 ChatGPT Business 席位，最长十二个月，并明确不包括 API 访问。

对此有两种解读，而且两者都站得住脚。愤世嫉俗的一种是：门槛是对合法研究者征收的税，却丝毫阻止不了其他人。有用的一种是：对模型设限的厂商已经告诉你，它认为能力集中在何处；而向所有人出售通用模型的厂商，也通过省略告诉了你同样的事。Meta 为 Muse Wonder 公布的强项是智能体工作、编码和专业任务。生物学不在宣传卖点中，而且没有设限，因为没有什么可设限的。

所以，决定并不是“哪个模型更好”。而是“我的请求应该归入库还是工作区”，一旦用这些说法来提问，答案通常就显而易见了。

运行这一对，并诚实面对我们服务的是哪一半

Muse Wonder 和 GPT-Rosalind 均未接入 OrcaRouter。Muse Wonder 可通过 Meta 自有 API 以及在 Muse Code 内访问；GPT-Rosalind 仅可通过 OpenAI 的可信访问计划访问。我们不会暗示我们会路由其中任何一个。

我们从该系列中实际提供的是 Muse Spark 产品线——Muse Spark 1.2 和 Muse Spark 1.1，每百万 token 输入 $1.25、输出 $4.25，上下文长度为 1,048,576 token，以相同定价提供更新后的检查点，并且输入范围更广，除文本、图像和 PDF 外还包括视频和音频。对于想要在正式订阅 Muse Code 之前，测试 Meta 模型是否适合自身流水线的实验室来说，这是一种成本低廉的验证方式。与之并列的是200 多个其他模型，共用一个密钥，按提供商目录价提供，加价为 0%，因此供应商一旦降价，我们这边会在其公布当天同步生效。

这里合理的架构，正是这些比较反复落到的那种拆分。工作区那一半——编排、解析、围绕科学计算的代码、文档处理——运行在你今天就能调用的模型上，并带有自动故障转移，这样提供商的一次小故障只会把请求转走，而不是让整个运行失败。资料库那一半则留在直接的专家密钥上，位于路由 DSL 中一个命名路由之后；当专家模型不可用时，它会明确失败，而不是悄悄用通用模型作答。如果你想在不为此每次请求都支付专家费率的情况下，对一个边界结果征求第二意见，那么跨一组模型的模型融合就是机制：多个模型作答，你进行比较，而分歧就是信号。

什么能解决这件事

三件事。一个独立评估框架可以重新运行 Meta 的 JobBench 和 Vals Finance 价差，这会告诉你两个 Muse Wonder 检查点之间 44 分的差距是能力问题还是假象。一个 muse-wonder-full API 路径将让得分更高的模型可供购买，而不是受限于订阅。而且，任何覆盖这两个模型的独立生物学评估都会用一个数字取代这整场争论，而这正是该领域自四月以来一直需要的。

如果没有这些，规则简单到可以写在卡片上。如果请求是智能体式的、多模态的，或者要求保持长会话连贯，那么 Muse Wonder 以 $4.00 / $20.00 的价格、1M 上下文和 56 的独立评分，是更划算的选择，而且今天就能开始用。如果请求涉及生物学，那么这里唯一为此调优过的模型仍需通过审核，每一项费用都高出 25%，也不出现在任何你能查看的排行榜上——而在基准测试追上之前，专家型模型看起来正是这副样子。