GPT-Rosalind 对比 Qwen 4 Max：3,000 个智能体、一张账单，以及一个尚未发布的模型

三十二分钟，以及七百多条参考文献。2026年10月21日，O​penAI 发布了一项与 PerturbAI 和 Scripps Research 的合作：数千个运行在 GPT-Rosalind 上的智能体处理了一个包含数百万个小鼠细胞的全脑 CRISPR 图谱，每个智能体负责一个基因破坏，检索与之相关的文献并撰写报告——作者估计，若逐一处理每个扰动，这项工作需要数月到一年。模型本身并不新：O​penAI 于 2026年4月16日推出 GPT-Rosalind，于9月11日将其开放范围扩展到指定合作伙伴名单之外，并于10月5日开始按每百万输入 token 5.00 美元、每百万输出 token 25.00 美元计费。新之处在于首次公开展示该模型以集群而非单次调用的方式运行，而这改变了与 Q​wen 4 Max 进行比较时应关注的重点。Q​wen 4 Max 于 2026年9月22日在阿里巴巴的云栖大会上发布，但至今仍没有价格、上下文窗口和模型卡。因此，这场对比的诚实版本有三方：一方是真正的单位成本按每个智能体计算的专用模型，一方是尚未交付的对手，还有你今天实际可以租用的 Q​wen 模型——Qwen3.8-Max，每百万 token 收费 2.00/6.00 美元。那些从未成为可调用端点的发布公告，会连同日期和来源记录在 AI Incident Archive 中，并与我们跟踪的其他模型和供应商事件放在一起。

10月21日的那次运行实际显示了什么

该数据集是一个 Perturb-seq 图谱：在小鼠大脑中，每次用一条向导 RNA 破坏一个基因，随后读取每个细胞的转录组。其输出是一个包含数千种扰动与数百万个细胞的矩阵，远超任何实验室能够细致解读的规模——而这正是论文所攻克的瓶颈。

作者将这种方法称为分布式生物学推理，它并非对一张大表进行一次大型模型调用。每个智能体接收一个基因破坏，检查细胞反应，检索相关文献，并生成一份结构化报告，提出一种机制。随后，这些报告被汇总成论文所称的推理图谱：一个连接基因、细胞类型效应、论文和候选机制的图。O​penAI 报告称，整个扫描的运行时间为 32 分钟。

对任何选择模型的人来说，最重要的发现并不是生物学层面的。而是该团队对自身方法所做的对照实验，因为只有这个实验附带了一个具体数字。他们固定模型和算力不变，让单个智能体处理整个数据集，而不是把数据分散给数千个智能体。随着工作负载增长，单个智能体的文献覆盖范围急剧萎缩：在最大工作负载下，它只引用了 11 篇参考文献，而分布式智能体引用了 700 多篇。在盲测中，人类专家有 75% 的情况下更青睐分布式智能体生成的报告。

把这些放在一起看，结果关乎任务分解，而非模型智商。当把一个图谱倒进单个上下文窗口时，它会退化；而几千个各自配有检索工具的窄域智能体则不会。作者自己的表述也支持这一点——他们把 DCTN1 胆固醇转运假说作为一个待后续实验验证的问题提出，而非一项发现——而且该论文是 2026 年 10 月 16 日发布的预印本，由 OpenAI 和 PerturbAI 员工合著，尚未经过同行评审。把 32 分钟当作真实运行时长，把与人类的对比当作数量级参考。

对于一个对比页面而言，后果是具体的。如果胜利来自架构，那么底层模型的决胜属性就不是它的基准分数——而是半小时内调用三千次的成本，以及你是否被允许这么做。

决定这场较量胜负的数字是每位座席的成本

对这些两个模型的已发表比较，往往只是把公开标价并列出来，然后就此打住。对于10月21日那篇论文刚刚具体化的工作负载而言，公开标价是错误的计量单位，因为一次分布式运行会把模型调用次数乘以扰动数量。用明确的假设来算一遍：一个读取共享图谱前言、抓取几篇论文并撰写报告的智能体，可能消耗60,000个输入token和4,000个输出token。按 O​penAI 公布的费率，这个智能体成本为0.40美元——其中0.30美元为输入、0.10美元为输出。同一个智能体若使用 Qwen3.8-Max，按2.00/6.00美元的费率，成本为0.14美元。三千个智能体：约1,200美元对约432美元。

缓存共享前缀后，差距会扩大而不是缩小，因为缓存输入费率的分歧比标价更大。把那 60,000 个输入 token 中的 50,000 个放入缓存前缀，Rosalind agent 就会降到大约 $0.18，而 Qwen agent 会降到大约 $0.06——便宜三倍多一点，因为一侧的缓存输入价格是每百万 $0.50，另一侧是 $0.25。这是我们的计算，不是厂商的数字，而且它对提示词中有多少是真正共享的很敏感；但方向并不敏感。

在决定车队运营的各个维度上，将两者进行对比：

• 输入价格 — GPT-Rosalind 每 1M $5.00，Qwen3.8-Max $2.00。Qwen 4 Max：未公布。

• 输出价格 — GPT-Rosalind 每 100 万 $25.00，对比 Qwen3.8-Max 的 $6.00。Qwen 4 Max：未公布。

• 缓存输入 — GPT-Rosalind 每 100 万 $0.50，且 O​penAI 的定价页面指出缓存写入定价不适用于该模型；Qwen3.8-Max $0.25。Q​wen 4 Max：未公布。

• 每轮 3,000 个智能体扫描的成本——在上述假设下，GPT-Rosalind 上约为 1,200 美元，而 Qwen3.8-Max 上约为 432 美元。Qwen 4 Max：无法计算。

• 上下文 — 双方均为 100 万 tokens。Qwen 4 Max：未公布，且明确不会因层级名称的延续而继承 Qwen3.8 的窗口。

• 最大输出 — GPT-Rosalind 未公布单次响应的上限；Qwen3.8-Max 0902 快照记录为 131,072 个 token。 • 延迟 — Qwen3.8-Max 在 OrcaRouter 上测得 p50 首 token 时间为 6.32 秒，在 Artificial Analysis 指数上测得每秒 40.3 个输出 token。GPT-Rosalind 未公布延迟数据，而对于扇出运行来说，这恰恰是你最想知道的数字。

• 独立评分——GPT-Rosalind 完全未被 Artificial Analysis Intelligence Index 收录，因为它是一个受限的领域专用模型；Qwen3.8-Max 得分为 45，在 214 个模型中排名第 33，每完成一项索引任务花费 5.41 美元，输出速度为每秒 40.3 个 token。

• 访问权限 — GPT-Rosalind 需要通过 O​penAI 可信访问计划的审批；Qwen3.8-Max 是普通商业 API，注册开放。

其中两行比其余各行承担了更多作用。独立评分是表中唯一一个两个模型的相关方都没有提供的数字，它表明 Qwen 旗舰是一个称职的中等前沿通用型模型，而不是前沿领军者——得分为 45，而该榜单上最佳模型为 58。而访问权限那一行并非脚注：它决定整个模型阵容能否存在。

Qwen 4 Max 究竟处于什么水平

A​libaba 在 2026 年 9 月 22 日的 Apsara 大会上公布了四个层级——Q​wen 4 Max 作为旗舰、Q​wen 4 Flash 面向吞吐量、Q​wen 4 Plus 居中，以及开放权重的 Q​wen 4 27B——称该系列基于新一代架构训练，并表示它很快就会推出。但它没有为其中任何一款给出日期。

一个月后，一款已发布的 Qwen 旗舰模型本应在三个彼此独立的地方可见，但三处都没有它。阿里云自家的 Model Studio 文档将 qwen3.8-max 列为最高的 Max 层级，其中没有 Qwen 4 条目。Artificial Analysis 通常会在大多数中国商业旗舰模型发布后数天内给出评分，但其榜单中没有 Qwen 4 Max 这一行。OrcaRouter 目录收录了 200 多个模型，包括 Qwen 3.5 到 3.8 的每一个层级，却没有 qwen4 标识符。这并不能证明存在延迟。它只能证明，截至 10 月 22 日，没有任何可供比较的东西。

随公告一同流传的参数数字需要作一处更正，因为它不断被带入对比表格中。流传中的“5万亿至10万亿”是一个关于 Qwen 4 之后几代的前瞻性表述——即 Qwen 4.5 和 Qwen 5 的时间范围。阿里巴巴并未为 Qwen 4 Max 标注任何参数数量。把 Qwen 5 级别的规模印在 Qwen 4 的型号名称旁边，是一种半衰期很长的借用错误。

这则公告确实告诉你的是，阿里巴巴打算继续在旗舰层级上竞争，这正是让你留在这个家族里、而不是离开它的一个理由。但它没有告诉你任何可以用来规划迁移的信息，因为“很快”不是一个日期，而一张会议幻灯片也不是价目表。

专业溢价能换来什么，又换不来什么

GPT-Rosalind 的论据建立在 O​penAI 随该模型发布的领域评测之上：BixBench 表现领先，在 LABBench2 的十一项中赢下六项（对手为 GPT-5.4），并在 GeneBench 上实现每 token 53.7% 的提升、MedChemBench 上 18.0%、LabWorkBench 上 19.6%。这些全部由厂商报告。没有一项经过独立复现，而且该模型在通用智能排行榜上没有条目——这对一个受限访问的领域模型来说是正常的，同时也意味着外界无法核验这些数字。

可核查的是工具链。Life Sciences Research Plugin 通过 Codex 内部的可组合技能，将该模型连接到 50 多种科学工具和数据源；10 月 21 日的论文展示的是这套技术栈，而不是原始推理能力：数千个智能体各自检索文献并撰写结构化报告，这是工具集成的结果。Qwen3.8-Max 没有同等水平的生物学技术栈。它具备强大的通用工具调用和结构化输出能力，而每一个科学数据库连接都需要你自己构建。

这就是溢价真正的构成。你并不是为更聪明的模型支付 2.5 倍费用；你支付的是针对分子证据进行领域微调的推理能力，外加一个预先接好的工具层，而 10 月 21 日的那次运行是首个公开证据，表明这种组合能产出生物学家愿意阅读的内容。令人不安的反驳就在同一篇论文里：由于对照实验固定了模型，只改变了分解方式，这一结果在很大程度上也能在更便宜的模型上成立。该研究并未区分输出中有多少来自 GPT-Rosalind、多少来自架构——作者也没有声称它能做到。如果你正在为分布式扫描做预算，这种模糊性每三千个智能体约值 770 美元，而这正是上述两份账单之间的差额。

该关卡是规范的一部分

GPT-Rosalind 通常无法购买。O​penAI 的定价页面声明，访问权限仅限于通过可信访问计划获批的内部研究，并且自 9 月 11 日起，该计划已在全球范围内向符合条件的组织开放，而非面向固定合作伙伴名单。资格根据拟议用途、治理和受控访问进行评估——对于一种基于病原体和蛋白质数据进行推理的模型而言，这是合理的政策，也是对该公司刚刚展示的模型舰队模式的一项硬性约束。

一次耗时 32 分钟、横跨数千个智能体的运行，前提是你能够按需突发到数千个并发请求。对于受审批限制的密钥，约束并不是每分钟令牌数，而是审核流程、账户结构，以及该计划所授予的任何并发上限。任何规划分布式批量运行（sweep）的团队，都应在比较费率之前把这一点计入成本，因为一个你能自由调用的更便宜模型，胜过一个只能按别人的时间表调用的更好模型。

这正是路由层能派上用场的地方，也是它派不上用场的地方。GPT-Rosalind 不在 OrcaRouter 上——访问需通过 OpenAI 的可信访问申请，任何路由器都无法改变这一点。路由器真正改变的是专家调用周边的一切。像 10 月 21 日公布的那次运行，主要工作并不是生物学：而是编排、报告解析、对数千个输出进行去重，以及把图谱变成可查询内容的代码。这些步骤不需要每百万输出收费 25 美元的领域模型，而把它们放到那种模型上，正是让一个 32 分钟的实验变成昂贵实验的方式。Qwen3.8-Max 已在 OrcaRouter 上，以阿里巴巴 2.00/6.00 美元的目录价、0% 加价，与超过 200 个其他模型共用同一个 OpenAI 兼容端点，因此批量处理这一路和专家调用这一路都落在同一个密钥上，并可在提供商之间自动故障转移，并且 路由策略以配置形式编写，而不是把模型名称硬编码进应用。

当 Qwen 4 Max 发布时，这也是弄清它是否重要的成本最低的方式：一条将一部分流量发送到新层级的路由规则，并带有故障转移回退到你已信任的模型，这是一次不会让生产环境宕机的试验。在那之前，目录中根本没有它的条目，而这正是一个已宣布但尚未发布的模型应有的样子。

什么会扭转这一对比？

只要公开四个数字，Qwen 4 Max 就会从一个名字变成一个对手；而这些数字值得被点明，这样当真正的东西出现时，人们才能认得出来。

• 价目表。一款价格低于 $2.00/$6.00 的 Qwen 旗舰模型，会让本文中的算术按倍数而非百分比发生变化。若只是与之持平，则不会带来任何改变，因为可购买的 Qwen 模型已经处于那个价位。

• 长上下文行为，以策略形式明确说明。1M 窗口是否带有附加费区间，以及在什么阈值触发。超过某个输入规模后的阶梯费率，对 atlas 运行而言比标称数字更重要，因为该模式中的每个智能体都会跨过该区间。

• 一个在 A​libaba 内部无人运营的榜单上取得的智能体与工具使用方面的结果。本文所描述的差距并非通用推理——Qwen3.8-Max 在这方面具备能力——而是科学工具使用。一个在该维度上公开发布、独立主持的结果，将是对专家溢价的首次真正检验。

• Max 档位是否提供权重。 Qwen3.8-Max 没有提供，但同代的 27B 档位提供了；而可下载权重的 Qwen 4 Max，恰恰是 GPT-Rosalind 在结构上无法提供给受监管实验室的东西——这类实验室需要审计专有序列数据会经历什么。

这个页面实际支持的决策并不等待它们中的任何一个。把专家模型放在出错代价高昂的地方——靶点优先级排序、机制提案、生物学家会读的报告——而把模型集群放在每个智能体成本 0.14 美元、无需申请表即可作答的模型上。10 月 21 日的结果为以图谱规模开展分布式生物学提供了有力论据。但它为把这一切都放在房间里最昂贵的模型上运行所提供的论据则较弱，而论文自己的对照实验正是这么说的理由。