GPT-Rosalind 對決 Muse Wonder：100 萬上下文在生物實驗室中能為你帶來什麼

Muse Wonder 與 GPT-Rosalind 是本次比較中，紙面規格最接近、用途卻相差最遠的兩個模型。Meta Superintelligence Labs 於 2026 年 10 月 12 日發布 Muse Wonder，價格為每百萬輸入 token 4.00 美元、每百萬輸出 token 20.00 美元，具備 100 萬 token 上下文，Artificial Analysis 指數為 56——這與 GPT-Rosalind 屬於同一價格級距、上下文大小也相同；OpenAI 自 2026 年 4 月 16 日起販售 GPT-Rosalind，價格為 5.00 美元與 25.00 美元。那五美元與五美元的差異並不是重點。重點在於，這兩個模型之中，一個會回答你向它提出的任何問題，另一個只會回答通過審查的組織所提出的問題，而兩者之中只有後者曾針對生物實驗室實際從事的作業進行調校。當某項受限發布對外開放，或分數被修訂時，這項變更會連同日期與來源記錄在 AI Incident Archive，與我們追蹤的其他模型與供應商事件並列。

同樣的上下文視窗，不同的存在理由

兩個模型都具備一百萬個 token 的容量，而值得理解的是，這是兩項彼此無關的設計決策湊巧造成的結果，而非一種共有的能力。

Meta 的理由是廣度。{{1}}Muse Wonder{{/1}} 可接受文字、圖像、語音與影片輸入，並回傳文字，且是為 Meta 所稱的個人與專業代理式任務而打造。其同系列產品 {{2}}Muse Wonder Full{{/2}} 則被限制在 {{3}}Muse Code{{/3}} 訂閱方案內——Power Usage 方案每月 50 美元，Maximum Usage 方案每月 200 美元——這使它成為一項產品決策，而非 API 層級。當單一代理工作階段必須同時容納螢幕錄影、文件、對話歷史與工具轉錄時，你就會需要一百萬個 token。

OpenAI 的理由在於深度。GPT-Rosalind 可容納一百萬個 token，讓實驗室能一次放入整份參考圖譜、協定庫與資料集描述。它的工具層面是一個生命科學外掛，內含五十多種工具；其公開基準測試涵蓋化學與基因組學；它之所以設有門檻，是因為該模型在生物學方面的能力已被認定好到需要有一道門檻。

• 上下文視窗 — Muse Wonder 為 1,000,000 個詞元，GPT-Rosalind 亦為 1,000,000 個詞元。真正的平手。

• 輸入模態 — Muse Wonder：文字、圖像、語音與影片。GPT-Rosalind：透過 ChatGPT、Codex 與 API 提供文字與科學檔案輸入；未發布通用圖像輸入的相關聲明。

• 輸出 — 僅文字，兩者皆是。

• 價格 — Muse Wonder 每 1M 為 $4.00 輸入 / $0.20 快取 / $20.00 輸出，相較於 GPT-Rosalind 的 $5.00 / $0.50 / $25.00。此專門模型在每一項費用上都高出 25%，快取讀取則高出 2.5 倍。

• 存取 — Muse Wonder 今日即可透過 muse-wonder-1.0 在 Meta Model API 及 Muse Code 內呼叫。GPT-Rosalind 需要受信任存取審查。

• 獨立評分 — 在 Artificial Analysis Index v4.3.2 上，Muse Wonder 得分為 56。GPT-Rosalind：未在該榜單上追蹤。

最後那一對是關鍵所在。在採購團隊無須進行科學研究就能衡量的每一個面向，Muse Wonder 都勝出：它更便宜、無須申請即可取得、可接受更多輸入類型，而且有獨立評分。GPT-Rosalind 唯一勝出的面向，是任何排行榜都不衡量的那一項，而這正是本文要談的重點。

無法互相比較的分數，直白地說

Muse Wonder 的 56 與 Rosalind 的 27.5% 並不是同一件事的兩種讀數，任何把它們放在相鄰欄位的表格都會造成誤導。56 是一項獨立的綜合分數，涵蓋十項通用評測：AA-Briefcase、GDPval-AA、AutomationBench、Terminal-Bench、SciCode、Humanity's Last Exam、GDP.pdf 等。27.5% 則是 OpenAI 自家的藥物化學基準，對照 GPT-5.5 評分，且尚未被重現。

• Muse Wonder — 在 Artificial Analysis Index 上為 56；Meta 自家表格回報 Terminal-Bench 4.0-AA 為 85.6、SWE-Marathon 為 78.8、OSWorld V2.1 為 72.6、HealthBench Pro 為 56.6，DeepSWE 1.1 為 52.0。所有 Meta 資料列皆為廠商自行提報；指數數字則為獨立來源。

• GPT-Rosalind — MedChemBench 27.5% 對 25.1%、GeneBench 21.6% 對 20.4%、LabWorkBench 63.2% 對 55.8%，以及在 LifeSciBench 上每 token 效能提升 4.42%。以上皆為 O​penAI 自行回報，無任何獨立重現結果。

• 唯一值得注意的重疊之處——HealthBench Pro 是一項臨床知識基準，而 GPT-Rosalind 並未在其上發表任何內容。Meta 在該項上的 56.6 完全無法說明 Muse Wonder 是否能設計擾動實驗。

目前沒有任何公開的生物學基準測試是這兩個模型都曾被評分過的。這項空缺是這番比較中最重要的事實，而兩家廠商都不會去補上它。

Muse Wonder Full 對價格比較造成什麼影響

Meta 於 10 月 12 日發布了兩個檢查點，而這項拆分使得「Muse Wonder」的含義會因你從哪個入口進來而有所不同。

• Muse Wonder — muse-wonder-1.0，可在 Meta Model API 上及 Muse Code 內使用，$4.00 / $0.20 / $20.00。

• Muse Wonder Full — 一個獨立、得分更高的檢查點，Meta 表示僅供 Muse Code 訂閱者使用。這不是 API 模型上的旗標；而是 $50 至 $200 月費產品背後的不同模型。

• 差距——Meta 自己的表格顯示，Muse Wonder Full 在 JobBench 上得分 75.3，而 Muse Wonder 為 30.8；在 Vals Finance Agent V2 上則為 59.1 對 10.0。同一實驗室的兩個檢查點在同一項基準上出現 44 分的差距，這要麼是真正的能力差異，要麼是評測框架造成的假象，只有第三方才能判定是哪一種情況。

對實驗室而言，實際的解讀是：你能透過 API 購買的模型，和 Meta 公布其最佳數據的模型，並不是同一個模型。任何人若憑 Full 的分數來比較「Muse Wonder」與 GPT-Rosalind，其實是在拿訂閱產品和 API 模型相比。

一百萬個 token 實際上會用在哪些地方

上下文上的關聯，正是這兩個模型會被拿來比較的根本原因，因此值得具體說明：實驗室會如何運用一百萬個 token，而通用型代理又會如何運用它們。

一個持有百萬個 token 的通用型代理，持有的是狀態：對話、螢幕擷取畫面、工具輸出、目前檔案。其上下文是一個工作區。一個持有百萬個 token 的生物學工作流程，持有的是參考資料：圖譜、註釋表、實驗流程語料庫、既有文獻。其上下文是一座圖書館。

那些是不同的工作負載，會考驗不同的面向。工作區獎勵快速的工具迴圈與低廉的快取讀取；文庫則獎勵能在視野中保留大量領域文本，並在其中進行推理而不失脈絡的能力。Meta 針對前者最佳化——Muse Wonder 的 Active Memory 能在一次工作階段中保留狀態，Active Focus 則管理模型自身在長時間任務上的注意力，這兩項功能都只在代理式用途中才說得通。OpenAI 針對後者最佳化，這就是為什麼公布的提升是出現在模型必須同時記住一個協議與一個擾動的任務上。

• 快取經濟效益 — Muse Wonder 每百萬快取為 $0.20，而 GPT-Rosalind 為 $0.50。在長時間的代理工作階段中，每一回合都會重新傳送大型系統提示詞，通用模型在佔據主導的那一項成本上便宜 2.5 倍。

• 工作階段設計——Muse Wonder 跨工作階段的持久狀態，是最能改變應用程式架構方式的主張，也是模型卡無法展示的一項。

• 領域文本 — 兩家廠商皆未發布針對科學文本的長上下文檢索基準，因此在此關鍵方向上，這項平手結果尚未經過驗證。

閘門才是差異化的關鍵，而非基準測試。

決定這場採購對話的，正是這種不對稱。Muse Wonder 賣給任何有信用卡的人。GPT-Rosalind 則只賣給通過審查的組織，而這道審查之所以存在，是因為 O​penAI 認定該模型的生物學能力不應讓人隨取隨用。自 2026 年 9 月 11 日起，這道門檻已在全球向符合資格的組織開放，而非僅限於一份具名合作夥伴名單；自 10 月 15 日起，另有一條學術管道，讓符合資格的實驗室在最多十二個月內免費取得最多 30 個 ChatGPT Business 席次，並明確排除 API 存取。

對這件事有兩種解讀，而兩者都站得住腳。憤世嫉俗的解讀是：關卡是對合法研究者課徵的稅，卻完全擋不住其他人。實用的解讀是：一家廠商若對模型設下關卡，等於告訴你它認為能力集中在哪裡；而一家把通用模型賣給所有人的廠商，也同樣透過省略告訴了你同一件事。Meta 為 Muse Wonder 公布的強項是代理式工作、程式編寫與專業任務。生物學不在宣傳重點裡，而且沒有關卡，因為根本沒有東西需要設關卡。

所以，關鍵問題不是「哪個模型比較好」，而是「我的請求該放在資源庫，還是工作區？」——一旦用這樣的方式提出問題，答案通常就顯而易見了。

經營這對組合，並誠實面對我們服務的是哪一半

Muse Wonder 和 GPT-Rosalind 都不在 OrcaRouter 上。Muse Wonder 可透過 Meta 自家的 API 以及 Muse Code 內部存取；GPT-Rosalind 則只能透過 OpenAI 的可信存取計畫取得。我們不會暗示我們有路由其中任何一個。

我們確實從那個系列引進的是 Muse Spark 產品線——Muse Spark 1.2 與 Muse Spark 1.1，每百萬個 token 輸入 $1.25、輸出 $4.25，具備 1,048,576-token 的上下文，並以相同價格提供更新版 checkpoint，輸入範圍也更廣泛，涵蓋影片與音訊，以及文字、圖片和 PDF。對於想在承諾訂閱 Muse Code 之前，測試 Meta 模型是否符合其管線的實驗室來說，這是成本低廉的確認方式。與它並列的是 200+ 個其他模型，共用一組金鑰，以供應商牌價提供，並具有0% 加價，因此供應商降價一經公布，我們這邊當天就會同步生效。

這裡合理的架構，就是這些比較反覆得出的同一種切分。工作區那一半——編排、解析、科學工作周遭的程式碼、文件處理——跑在你今天就能呼叫的模型上，並具備自動容錯轉移，讓供應商短暫出問題時是轉移請求，而不是終止整次執行。函式庫那一半則留在專用專家金鑰上，位於路由 DSL 中的具名路由之後；當專家不可用時，該路由會明確失敗，而不是悄悄地用通用模型回答。如果你想對邊緣結果取得第二意見，又不想每次請求都付專家費率，跨一組模型的模型融合就是機制：多個模型作答，你進行比較，而歧異就是訊號。

什麼能讓它塵埃落定

三件事。一個獨立的測試框架可以重新執行 Meta 的 JobBench 與 Vals Finance 價差，這能告訴你兩個 Muse Wonder 檢查點之間的 44 分差距是能力還是測試產物。一個muse-wonder-full API 路徑將讓得分較高的模型可供購買，而不是只能綁定訂閱。而且，任何涵蓋這兩個模型的獨立生物學評估，都會用一個數字取代這整場爭論，而這正是該領域自四月以來所需要的。

若沒有那些，規則簡單到可以寫在卡片上。如果請求是代理式、多模態，或關於讓長工作階段保持連貫，那麼具備 1M 上下文與獨立評分 56 的 Muse Wonder，價格為 $4.00 / $20.00，是更划算的選擇，而且你今天就能開始使用。如果請求是生物學領域，這裡唯一針對它調校過的模型需經審核，每一項都貴 25%，且不會出現在任何你能查到的排行榜上——而這種組合，正是專業型模型在基準測試追上之前會有的樣子。