GPT-Rosalind 對決 Qwen 4 Max：3,000 個代理、一張帳單，以及一個尚未發布的模型

三十二分鐘，超過 700 篇參考文獻。2026 年 10 月 21 日，OpenAI 公布與 PerturbAI 和 Scripps Research 的一項合作：數千個在 GPT-Rosalind 上運行的代理，處理涵蓋數百萬個小鼠細胞的全腦 CRISPR 圖譜，每個代理負責一個基因破壞，搜尋其周邊文獻並撰寫報告——作者估計，若一次只做一個擾動，這項工作需時數月至一年。模型本身並不新：OpenAI 於 2026 年 4 月 16 日推出 GPT-Rosalind，9 月 11 日將其擴展至指定合作夥伴名單之外，並於 10 月 5 日開始按每百萬輸入 token 5.00 美元、每百萬輸出 token 25.00 美元計費。新意在於，這是首次公開看到該模型以機群而非單次呼叫的方式運行，而這改變了與 Qwen 4 Max 相較時應聚焦的重點。Qwen 4 Max 於 2026 年 9 月 22 日在阿里巴巴的 Apsara 大會上發布，至今仍沒有價格、沒有上下文視窗，也沒有模型卡。因此，這場對決的誠實版本有三方：一個真正單位成本是按代理計算的專門模型、一個尚未出貨的對手，以及你今天真的租得到的 Qwen 模型——Qwen3.8-Max，每百萬 token 2.00/6.00 美元。從未成為可呼叫端點的公告，會連同日期與來源記錄在 AI Incident Archive，與我們追蹤的其他模型和供應商事件並列。

10月21日的那次運行實際顯示了什麼

這個資料集是一份 Perturb-seq 圖譜：在小鼠大腦中，每次以一條引導 RNA 干擾一個基因，之後再讀取每個細胞的轉錄體。其產出是一個數千種擾動對上數百萬個細胞的矩陣，遠超過任何實驗室所能仔細閱讀的規模——這正是該論文所攻擊的瓶頸。

作者稱為分散式生物推理的這個方法，並不是對一張大型表格進行一次大型模型呼叫。每個代理會接收單一基因破壞，檢查細胞反應，檢索相關文獻，並產出一份提出機制的結構化報告。這些報告接著會被彙整成論文所稱的推理圖譜：一張連結基因、細胞類型效應、論文與候選機制的圖。整個掃描的執行時間，O​penAI 回報為 32 分鐘。

對任何選擇模型的人來說，最重要的發現不是生物學，而是團隊對自身方法所做的對照實驗，因為那項實驗附有具體數字。他們固定模型與算力，讓單一代理取得整個資料集，而不是把資料集拆分給數千個代理。隨著工作負載增加，單一代理的文獻涵蓋範圍驟降：在最大工作負載下，它引用了 11 篇參考文獻，而分散式代理則引用超過 700 篇。在盲測下，人類專家有 75% 偏好分散式報告。

把這些放在一起看，結果重點在於分解，而不是模型 IQ。把一整本地圖集倒進單一上下文視窗，它會退化；數千個各自配有檢索工具的窄域代理則不會。作者自己的表述也支持這一點——他們把 DCTN1 膽固醇運輸假說當成待後續實驗回答的問題，而非一項發現——而且這篇論文是 2026 年 10 月 16 日張貼的預印本，由 OpenAI 與 PerturbAI 員工共同撰寫，尚未經過同儕審查。把 32 分鐘視為真實的執行時間，並把人與人的比較視為一個數量級。

對於一個對比頁面而言，後果很具體。如果勝出來自架構，那麼底層模型的決定性特性就不是它的基準測試分數——而是在半小時內呼叫三千次的成本，以及你是否被允許這麼做。

決定這場對決的數字是每位代理人的成本

坊間對這兩個模型的公開比較，往往只是把宣傳牌價並排列出，然後就停在那裡。但對 10 月 21 日那篇論文所具體呈現的工作負載來說，牌價是錯誤的計價單位，因為分散式執行會把模型呼叫次數乘以擾動的數量。不妨用明確的假設實際算一遍：一個會讀取共用的 atlas 前置說明、抓取幾篇論文、再寫出一份報告的代理，可能消耗 60,000 個輸入 token 與 4,000 個輸出 token。按 OpenAI 公布的費率，這個代理的成本是 $0.40——其中 $0.30 是輸入、$0.10 是輸出。同一個代理若改用每百萬 token $2.00／$6.00 的 Qwen3.8-Max，成本則是 $0.14。三千個代理：約 $1,200 對上約 $432。

把共用前綴快取起來，差距就會擴大而不是縮小，因為快取輸入費率的分歧比主要費率更大。把那 60,000 個輸入 token 中的 50,000 個放進快取前綴，Rosalind 代理就會降到約 $0.18，而 Q​wen 代理則降到約 $0.06——便宜三倍多一點，因為快取輸入在一邊是每百萬 $0.50，另一邊是 $0.25。這是我們的計算，不是廠商提供的數字；而且它對你的提示中有多少是真正共用的很敏感，但方向並不受影響。

在決定車隊運行成敗的維度上，讓兩者一較高下：

• 輸入價格 — GPT-Rosalind 每 1M $5.00，對比 Qwen3.8-Max $2.00。Qwen 4 Max：未公布。

• 輸出價格 — GPT-Rosalind 每 100 萬 $25.00，對比 Qwen3.8-Max $6.00。Qwen 4 Max：未公布。

• 快取輸入 — GPT-Rosalind 每 100 萬 $0.50，且 OpenAI 的定價頁面指出，快取寫入定價不適用於該模型；Qwen3.8-Max $0.25。Qwen 4 Max：未公布。

• 每次 3,000 個代理程式掃描的成本 — 在上述假設下，GPT-Rosalind 約為 $1,200，而 Qwen3.8-Max 約為 $432。Qwen 4 Max：無法計算。

• 上下文 — 兩側皆為 1M tokens。Qwen 4 Max：尚未公布，且明確並非因層級名稱延續而繼承自 Qwen3.8 的視窗。

• 最大輸出 — GPT-Rosalind 並未公布單次回應的上限；Qwen3.8-Max 0902 快照記載為 131,072 個 token。 • 延遲 — Qwen3.8-Max 在 OrcaRouter 上測得 p50 首個 token 產生時間為 6.32 秒，並在 Artificial Analysis 指數上達到每秒 40.3 個輸出 token。GPT-Rosalind 未公布任何延遲數據，而對扇出執行而言，這正是你最想知道的數字。

• 獨立評分——GPT-Rosalind 完全未被納入 Artificial Analysis Intelligence Index 的追蹤，因為它是一個受限制存取的領域模型；Qwen3.8-Max 則錄得 45 分，在 214 個模型中排名第 33，每完成一項指數任務的費用為 5.41 美元，輸出速度為每秒 40.3 個詞元。

• 使用權 — GPT-Rosalind 需要通過 OpenAI 可信存取計畫的審核；Qwen3.8-Max 則是一般商業 API，開放註冊。

那兩行比其他行承擔更多作用。獨立評分是表中唯一一個兩個模型的所有參與者都未提供的數字，而它顯示 Qwen 旗艦模型是稱職的中前緣通用型模型，而非前沿領導者——45 對 58，落後該榜單上的最佳模型。而存取權限那一行也不是註腳：它決定整個機群能否存在。

Qwen 4 Max 實際上處於什麼樣的地位

阿里巴巴在 2026 年 9 月 22 日的雲棲大會上公布了四個層級——Q​wen 4 Max 為旗艦、Q​wen 4 Flash 主打吞吐量、Q​wen 4 Plus 居中，以及開放權重的 Q​wen 4 27B——並稱該系列正以新一代架構進行訓練，還表示很快就會推出。但對其中任何一款都沒有給出日期。

一個月後，一款已推出的 Qwen 旗艦模型理應會出現在三個獨立的地方，而這三處都看不到它。阿里雲自家的 Model Studio 文件將 qwen3.8-max 列為最高 Max 層級，沒有任何 Qwen 4 條目。Artificial Analysis 會在大多數中國商業旗艦模型發布後數天內評分，卻沒有 Qwen 4 Max 的資料列。OrcaRouter 目錄收錄超過 200 款模型，包括 Qwen 3.5 到 3.8 的每個層級，卻沒有 qwen4 識別碼。這並非延遲的證據，而是證明截至 10 月 22 日，根本沒有可供比較的對象。

隨公告一同流傳的參數數字需要一處更正，因為它不斷被帶進比較表。坊間流傳的 5 兆至 10 兆這個數字，是針對 Qwen 4 之後世代——也就是 Qwen 4.5 與 Qwen 5 時期——的前瞻性說法。阿里巴巴並未為 Qwen 4 Max 標示任何參數量。把 Qwen 5 等級的規模印在 Qwen 4 模型名稱旁，是一種半衰期很長的借用錯誤。

這則公告真正告訴你的是，A​libaba 打算繼續角逐旗艦層級，這也是留在這個家族、而不是離開它的理由。它沒有告訴你任何可以據此規劃遷移的資訊，因為「很快」不是一個日期，而一張會議投影片也不是價目表。

Specialist Premium 能買到什麼，又買不到什麼

GPT-Rosalind 的論點基礎，在於 OpenAI 與該模型一同公布的領域評測：BixBench 效能領先、在十一項 LABBench2 中對 GPT-5.4 取得六項勝利，以及在 GeneBench 上每 token 增益 53.7%、MedChemBench 增益 18.0%、LabWorkBench 增益 19.6%。這些全都是廠商自行提報的數據。沒有任何一項經過獨立重現，而且該模型未列入通用智慧評測排行榜——這對一個受限取用的領域模型來說很正常，也意味著外界無法查核這些數字。

可檢驗的是工具本身。Life Sciences Research Plugin 將模型連接到超過 50 種科學工具與資料來源，作為 Codex 內可組合的技能；而 10 月 21 日的論文展示的是這套技術堆疊，而非原始推理能力：數千個代理各自檢索文獻並撰寫結構化報告，這是工具整合的成果。Qwen3.8-Max 沒有同等級的生物學工具堆疊。它具備強大的通用工具呼叫與結構化輸出能力，而每一項科學資料庫連接都得由你自己建置。

這就是溢價的真實樣貌。你不是為了更聰明的模型而付 2.5 倍；你付的是針對領域調校、以分子證據為基礎的推理，加上預先接好的工具層，而 10 月 21 日那次執行是第一個公開證據，證明這種組合能產出生物學家會讀的東西。令人不安的反證就在同一篇論文裡：由於對照實驗固定模型、只改變拆解方式，這個結果在很大程度上用更便宜的模型也能成立。這項研究沒有釐清輸出中有多少來自 GPT-Rosalind、多少來自架構——作者也沒有聲稱有做到。如果你正在為分散式掃描編預算，那個模糊性大約值每三千個代理 $770，也就是上面兩筆帳單之間的差額。

閘門是規格的一部分。

GPT-Rosalind 一般無法購買。OpenAI 的定價頁面指出，存取僅限於透過受信任存取計畫核准的內部研究，而自 9 月 11 日起，該計畫已全球開放給符合資格的組織，而非固定合作夥伴名單。資格取決於擬議用途、治理與受控存取——對於一個會對病原體與蛋白質資料進行推理的模型而言，這是合理的政策，也對該公司剛剛展示的機群模式構成嚴格限制。

一次橫跨數千個代理、耗時 32 分鐘的執行，前提是你可以在需要時瞬間擴展到數千個並行請求。對於受審核限制的金鑰，限制不在於每分鐘的權杖數；而在於審查、帳戶結構，以及該計畫所授予的任何並行上限。任何規劃分散式掃描的團隊，在比較費率之前都應把這一點計入成本，因為一個你可以自由呼叫的較便宜模型，勝過一個只能按照他人排程呼叫的較好模型。

這正是路由層發揮價值的地方，也是它無能為力的地方。GPT-Rosalind 並不在 OrcaRouter 上——存取必須走 OpenAI 的可信存取申請流程，任何路由器都改變不了這點。路由器真正能改變的，是專家模型呼叫周邊的一切。像 10 月 21 日發表的那次執行，大部分工作其實不是生物學：而是流程編排、報告解析、數千筆輸出的去重，以及把一份圖譜變成可查詢資料的程式碼。這些步驟不需要每百萬輸出 25 美元的領域模型，把它們硬塞進去，正是讓一場 32 分鐘的實驗變得昂貴的原因。以阿里巴巴每百萬 2.00 美元／6.00 美元的定價、0% 加價，與其他 200 多個模型共用同一個 OpenAI 相容端點，因此大量批次處理與專家模型這兩段流程共用同一把金鑰，並具備供應商之間的自動容錯切換，以及以設定形式撰寫的路由策略，而不是把模型名稱硬寫死在應用程式裡。

當 Q​wen 4 Max 推出時，那也是確認它是否重要的成本最低方式：一條把部分流量導向新層級、並在故障時切回你已信任模型的路由規則，是一次不會讓生產環境中斷的試驗。在那之前，目錄裡就是沒有它的條目，而這正是已宣布卻尚未推出的模型應有的樣子。

什麼會讓這個比較結果翻轉？

四个已公布的数字会让 Q​wen 4 Max 从一个名字变成一名对手，而这些数字值得被点名，以便当真正的它出现时能被认出来。

• 價目表。一款價格低於 $2.00/$6.00 的 Q​wen 旗艦模型，會讓本文的計算結果產生倍數級而非百分比級的變化。一款與之持平的模型則不會帶來任何改變，因為可購買的 Q​wen 模型已經位於那個價位。

• 長上下文行為，以政策形式明確載明。1M 視窗是否附帶加價區間，以及其門檻為何。超過某個輸入規模後的階梯式費率，對 atlas 執行而言會比標題數字更為重要，因為該模式中的每個代理程式都會跨過這個區間。

• 在一份阿里巴巴內部無人負責營運的榜單上，所取得的代理式與工具使用成果。 本文所描述的落差並非通用推理——Qwen3.8-Max 在這方面相當稱職——而是科學工具的使用。若能在這個面向取得一份公開發表、由獨立機構執行的評測結果，那將是對「專家溢價」的第一次真正檢驗。

• Max 層級是否提供權重。Qwen3.8-Max 並未提供，但同世代的 27B 層級有提供；而一款可下載權重的 Qwen 4 Max，將是 GPT-Rosalind 在結構上唯一無法提供給受監管實驗室的東西——這些實驗室需要稽核專有序列資料的處理情形。

這個頁面真正支持的決定，並不等候它們之中的任何一個。把專家放在出錯代價高昂的地方——標靶優先排序、機制假設提案、生物學家會閱讀的報告——並把大批代理放在每個代理只需 $0.14、且無需申請表就能作答的模型上。10 月 21 日的結果，是支持以圖譜規模執行分散式生物學的有力論據；但對於要把全部工作都跑在在場最昂貴的模型上，這個論據就薄弱得多，而論文本身的對照實驗正是這麼說的理由。