GPT-Rosalind 對比 Grok 4.7：健康基準測試並非生物學門檻

Grok 4.7 問世時附上了一個數字，乍看之下像是對 GPT-Rosalind 的答覆：在 HealthBench Professional 上拿下 56.7%，高於 Grok 4.6 的 48.5%。這是一項臨床知識評測，由 SpaceXAI 在 2026 年 9 月 21 日發布的模型上市表格中公布，也是兩家公司資料中最接近醫療評估的東西。GPT-Rosalind 於 2026 年 4 月問世，自 2026 年 10 月 5 日起全面開賣，卻沒有公布任何可相比的數據——它端出的是化學與濕實驗室評測，而且你得通過受信任存取審查，才能自己跑這些評測。所以，真正該問的不是哪個模型在健康項目上分數更高，而是健康評測衡量的是什麼、生物學閘門保護的又是什麼，以及為什麼其中一個模型每 token 的價格只有另一個的三分之一，卻人人都能用。像這樣的比較之後，隨之而來的評測爭議與存取閘門變動，都會連同日期與來源記錄在AI Incident Archive，與我們持續關注的其他模型和供應商事故並列。

結果證明很窄的重疊部分

HealthBench Professional 會向模型提出臨床醫師會回答的那類問題。它獎勵回憶、校準，以及維持臨床框架的能力。它不要求模型設計擾動實驗、閱讀濕實驗室操作規程，或推理構效關係。GPT-Rosalind 公布的測試套件是另一類測試：MedChemBench 涵蓋效力與 ADME 預測及逆合成；GeneBench 涵蓋長時程基因體學；LabWorkBench 涵蓋在真實操作規程中將擾動與結果連結起來。不同的工具，不同的目標。

• 衡量的是什麼 — Grok 4.7：臨床知識與判斷力，在 HealthBench Professional 上為 56.7%。GPT-Rosalind：化學與濕實驗室推理，在 MedChemBench 上為 27.5%，在 LabWorkBench 上為 63.2%。

• 由誰執行 — Grok 4.7：SpaceXAI，與自家先前的模型對比。GPT-Rosalind：O​penAI，與 GPT-5.5 對比。

• 獨立重現 — 兩項基準測試皆無。

• 兩個數字都沒告訴你的事——模型是否值得信任，能用在要送進申報文件的結果上。那是關於失效模式的問題，不是分數的問題。

把兩張表並排放，裡頭沒有任何一列是兩者共有的。這不是報導的缺口，而是市場的形狀。通用模型以廣度來衡量，專精模型以深度來衡量，而廠商會挑選能展現自身強項的測試。

信封，而這正是這兩者真正不同之處。

規格是比較中最不吸引人的部分，卻也是決定工作流程究竟是否可行的部分。在這裡，這兩個模型的差異比基準對話所顯示的還要大。

• 上下文視窗 — Grok 4.7：500,000 個 token，是 GPT-Rosalind 的 1,000,000 的一半。

• 最大輸出 — Grok 4.7：450,000 個 token，而 SpaceXAI 自家的文件聲明沒有文字輸出上限，這與我們模型卡上的 450K 數字不一致。我們標示出這項不一致，而非選邊站；供應商是其自身模型的權威。GPT-Rosalind：並未單獨公布輸出上限。

• 輸入 — Grok 4.7：文字與圖片，JPG 或 PNG，每個檔案上限 20 MiB，未記載圖片數量上限，順序不拘。GPT-Rosalind：可透過 ChatGPT、Codex 與 API 輸入科學檔案；未公布一般圖片輸入的相關說明。

• 推理控制 — Grok 4.7：reasoning_effort 可設為低、中、高或 xhigh，而公布的基準測試數據是以 xhigh 設定下的數值為準。GPT-Rosalind：API 中提供類似推理投入程度的控制項，並以工具使用作為模型的核心。

• 工具 — Grok 4.7：函式呼叫、網路搜尋、X 搜尋與程式碼執行，全都在伺服器端完成。GPT-Rosalind：一個生命科學工具外掛，在 ChatGPT 和 Codex 內含超過五十種工具。

• 知識截止 — Grok 4.7：2026 年 5 月，預設不具備即時感知能力。GPT-Rosalind：尚未發布。

在這個領域，真正會造成問題的是上下文差距。對基因體學工作來說，100 萬 token 的視窗並不是奢侈，而是讓模型能一次容納整份圖譜或整套協定的關鍵。以一般標準來看，Grok 4.7 的 500K 相當寬裕，但只有專門模型所能提供的一半。另一方面，450K 的輸出上限遠遠超出任何生物學答案所需，卻正好是漫長的代理執行軌跡或大規模重構所需要的。

在這組中，價格差距是最大的。

Grok 4.7 是這些比較中最便宜的模型，而 GPT-Rosalind 則是最貴的，這讓這筆帳算起來相當直白。

• 輸入 — Grok 4.7 每 100 萬 $2.00，對比 GPT-Rosalind $5.00。專家模型成本是 2.5 倍。

• 輸出 — Grok 4.7 $6.00 對比 GPT-Rosalind $25.00。4.2 倍的差距，也是本文中最大的單一數字差異。

• 快取輸入 — Grok 4.7 $0.50 對比 GPT-Rosalind $0.50。兩者完全相同，而這是專家模型唯一沒有更貴的一項。

• 長提示詞 — 提示詞達到 200K 個 token 後，Grok 4.7 的價格翻倍至 $4.00 / $12.00，快取價格為 $1.00。GPT-Rosalind 未公布長上下文附加費。

• 區域計費 — Grok 4.7 在美國設有端點，倍率為 1.1×，在 200K 以下換算為 $2.20 / $6.60。

決策真正的關鍵其實在於輸出比例。探索流程會產生大量輸出：候選清單、協定草稿、程式碼、冗長的理由說明。以每百萬個 token 25 美元對比 6 美元來看，一次產生一千萬個輸出 token 的執行，在專用模型上要花 250 美元，在通用模型上則要花 60 美元。這 190 美元究竟有沒有替你買到任何東西，是唯一值得問的問題，而沒有任何已發表的基準測試能回答它。

獨立評估者所增添的內容

Grok 4.7 有一份真正的獨立紀錄，而它比廠商的表格更具資訊價值，因為它涵蓋了沒有人會宣傳的成本。

• 智能 — 在 Artificial Analysis Intelligence Index 上獲得 46 分（v4.3.2），在該排行榜的 211 個模型中名列第 21，且遠高於該指數的中位數 26。GPT-Rosalind 完全未列入該排行榜；專用型模型不在評比範圍內。

• 每次索引執行成本 — $3.74，評估器記錄到 75% 的快取折扣，且輸入/輸出費率與供應商自身的 $2.00 / $6.00 相符。其評論指出，該模型相較於同價位的同類產品定價合理。

• 冗長度 — 整個索引共 2.4 億個輸出 token，而中位數為 8,800 萬。Artificial Analysis 稱其「非常冗長」，而這是此處對預算規劃最有用的單一數字：在任何固定 token 費率下，以更長鏈條思考的模型，每項任務的成本都更高。

• 速度 — 每秒 82.6 個輸出 token，在 211 個項目中排名第 83，儘管如此，評估器仍將其標記為低於平均。

冗長度這項數字，才是會改變你心算結果的關鍵。Grok 4.7 的輸出價格為 $6.00，若它為了達到同樣結果而輸出將近三倍的 token，那它相較於每項任務 $25.00 的 GPT-Rosalind，就不是便宜 4.2 倍。以每項任務計算，實際差距比價目表所說的更窄，而且沒有人公布 Rosalind 的冗長度數字可供比較——因為 Rosalind 根本不在榜上。

為什麼會有這道閘門，以及為什麼 Grok 沒有

這是基準測試表無法表達的不對稱。Grok 4.7 賣給任何擁有計費帳戶的人，具備 500K 上下文、圖像輸入與伺服器端程式碼執行。GPT-Rosalind 只賣給通過審查的組織，而這項審查之所以存在，是因為 OpenAI 判定該模型的生物學能力屬於不應隨選即用的那種能力。

要把這句話理解為關於能力的陳述，而非安全作秀。一個對模型設下門檻的實驗室，已判定該模型在某件重大事情上足夠好，值得設限。SpaceXAI 對 Grok 4.7 並未做出同等判斷，而其已公布的強項——程式編寫、代理式工具迴圈、長時間的軟體工作——並不是那種會被設限的能力。

實際影響是：如果你的工作屬於計算性質，且位在生物學周邊而非生物學內部，那麼 Grok 4.7 現在就能使用、價格便宜，也很適合這類任務的形態。如果你的工作就是生物學本身，那麼你想要的模型藏在表單之後，再多的 HealthBench Professional 也無法彌補這一點。在這種情況下，那道門檻本身就是產品，而不是產品的阻礙。

為這對進行路由，以及我們必須小心的一處地方

Grok 4.7 已在 OrcaRouter 上，以 SpaceXAI 的定價提供——每百萬個 token 輸入 $2.00、輸出 $6.00、快取輸入 $0.50，並搭配 0% 加價，且將 200K 門檻沿用為定價級距，讓長提示請求依實際用量誠實計費，而不是讓你措手不及。GPT-Rosalind 不在 OrcaRouter 上，也不在任何第三方路由器上；它直接透過 O​penAI 的受信任存取計畫運行。我們不會暗示其他情況，也沒有任何可設定的路由能改變這一點。

這麼一來，留下的就是這整組比較不斷得出的模式。研究平台的運算部分跑在 Grok 4.7 與同一把金鑰後方的其他 200+ 個模型上，並具備跨供應商的自動容錯移轉，因此容量問題會轉移請求，而不是讓執行失敗。生物學部分則維持使用直接金鑰。路由 DSL 正是你把界線明確化的地方：為專用模型設定具名路由，讓它在不可用時明確失敗；其他一切走預設路由；且不默默把通用模型的答案升格到專用模型的位置。

模型融合在邊界案例上值得了解。讓一個便宜的一般模型和一位專家同時回答同一個問題，再進行比較，是捕捉被錯誤分類請求的一種方式——那個看起來像管線問題、結果卻需要領域判斷的請求。這也是使用一個你還不完全信任的模型的誠實方式。

什麼會改變答案？

這三項發展都不算奇特。SpaceXAI 可以發布一份領域評測，其細緻程度比照 Rosalind 的化學套件——HealthBench Professional 只是起點，而且還差得遠。OpenAI 可以把十月的學術方案延伸到涵蓋 API 存取，這麼一來，免費的專業量能就會正好落在目前負擔不起的實驗室。或者，一個獨立評測框架可以讓兩個模型接受同一套科學任務，藉此解決兩個廠商比較表都刻意避開的問題。

在其中一個出現之前，這個差距並不小。如果請求是程式碼、資料或散文，Grok 4.7 的輸出價格只有三分之一，工具範圍更大，還有獨立評分，而選擇專門模型會是用昂貴代價讓自己感覺謹慎。如果請求屬於科學，就付 4.2 倍的價格並接受審查，因為在這項比較中，唯一為此調校過的模型，就是那個讓你填表單的模型。