Ein zentraler Effizienzgewinn: Das aktualisierte GPT-Rosalind übertrifft das universelle GPT-5.5 in allen neuen Domänen-Benchmarks und verbraucht dabei durchweg weniger Rechentokens. Der größte Effizienzvorteil liegt in der Genomik, wo GPT-Rosalind komplexe quantitative Biologie-Analysen mit 31 % weniger Tokens als GPT-5.5 abschließt . Für Wirkstoffforschungs-Pipelines, die routinemäßig riesige Genomdatensätze verarbeiten, bedeutet diese Token-Reduktion direkt niedrigere Kosten pro Abfrage.

Neue Benchmarks: LifeSciBench und drei Domänentests

Um die praktische wissenschaftliche Wirkung zu messen, entwickelte OpenAI LifeSciBench, einen extern durch Experten bewerteten Benchmark, der Modelle in sechs Arbeitsbereichen prüft: Evidenzverarbeitung, Analyse, Design und Optimierung, wissenschaftliches Reasoning, Validierung und Betrieb sowie Übersetzung und Kommunikation . Anders als frühere Benchmarks, die isolierte Fähigkeiten testeten, bewertet LifeSciBench vollständige Forschungsworkflows von der Literatursynthese bis zum experimentellen Design. GPT-Rosalind führt im Gesamtranking von LifeSciBench und übertrifft GPT-5.5, Grok 4.3 und Gemini 3.1 Pro .

OpenAI veröffentlichte auch Ergebnisse auf drei domänenspezifischen Sub-Benchmarks, die GPT-Rosalind direkt mit GPT-5.5 vergleichen. Alle Werte sind von OpenAI selbst veröffentlicht; eine unabhängige Überprüfung durch Dritte liegt nicht vor .

Daten aus OpenAIs veröffentlichten Evaluationen .

Die größte absolute Leistungslücke zeigt sich bei LabWorkBench, wo GPT-Rosalind 7,4 Prozentpunkte höher als GPT-5.5 punktet . Dieser Benchmark deckt praktische Nasslabor-Arbeiten ab – Fehlersuche bei Protokollen, Design von Reagenzien-Workflows und Interpretation experimenteller Ergebnisse – Bereiche, in denen agentische Tool-Nutzung und domänenspezifisches Wissen direkt in höhere Erfolgsraten übersetzt werden.

Die absoluten Werte sind in der Medizinalchemie und Genomik mit 27,5 % bzw. 21,6 % jedoch bescheiden. Das bedeutet, dass das verbesserte Modell bei den meisten Aufgaben in diesen Bereichen immer noch scheitert . Es handelt sich um echte, schwierige wissenschaftliche Probleme, nicht um Allgemeinwissenstests; niedrige Werte spiegeln die tatsächliche Schwierigkeit wider, nicht unbedingt schwache Modelle. Die Zahlen zeigen aber auch, dass die KI-gestützte Wirkstoffforschung noch in den Kinderschuhen steckt.

Codex-Plugins: Vom Reasoning zu ausgeführten Workflows

Das Juni-Update bringt auch lebenswissenschaftsspezifische Plugins und Viewer auf Codex, OpenAIs Coding-Plattform für agentische KI . Diese Plugins ermöglichen es GPT-Rosalind-Agenten, direkt auf wissenschaftliche Tools zuzugreifen – Literaturdatenbanken, Sequenzanalyse-Utilities, Software für Labordesign – und mehrstufige Forschungsworkflows auszuführen, anstatt sie nur vorzuschlagen . Dies markiert den Wandel von einem Modell, das über Wissenschaft nachdenkt, zu einem, das aktiv wissenschaftliche Rechenaufgaben durchführen kann.

OpenAIs Rahmung des Updates als Schritt „vom Reasoning zu ausgeführten Workflows“ signalisiert die Ambition, GPT-Rosalind tiefer in die operativen Pipelines von Wirkstoffforschungslaboren zu integrieren – nicht nur in die Brainstorming-Phase.

Globaler Zugang und die Trusted-Access-Struktur

GPT-Rosalind startete ursprünglich im April 2026 als US-only Enterprise Research Preview über ein eingeschränktes Trusted-Access-Programm . Das Juni-Update weitet dies auf eine globale Research Preview für berechtigte Organisationen aus, weiterhin über dieselbe Trusted-Access-Deployment-Struktur, die eine Bewerbung und Prüfung erfordert . Organisationen ohne bestehende Enterprise-Vereinbarung können sich jetzt über einen neu geschaffenen OpenAI Managed Workspace bewerben.

Bereits am 29. Mai 2026, wenige Tage vor dem Hauptupdate, startete OpenAI das Rosalind Biodefense Program, das den Trusted Access speziell für Biodefense-Anwendungen ausweitete . Dies deutet darauf hin, dass OpenAI das Modell nicht nur für die kommerzielle Wirkstoffforschung, sondern auch für national sicherheitsrelevante biologische Forschung unter kontrolliertem Zugang positioniert.

Erste Partner: Pharma und Forschungsinstitutionen

OpenAI nannte mehrere namhafte Organisationen, die aktiv mit dem aktualisierten GPT-Rosalind arbeiten :

• Novo Nordisk – explizit als Kunde genannt, der GPT-Rosalind in pharmazeutischen F&E-Workflows einsetzt.
• Amgen, Moderna, das Allen Institute und Thermo Fisher Scientific – als Partner oder Early Adopters genannt, die das Modell in Wirkstoffforschung, Genomik und Forschungs-Tool-Integration anwenden.

Es ist wichtig zu beachten, dass die spezifischen Anwendungsfälle der einzelnen Organisationen öffentlich nicht detailliert beschrieben wurden. Die Liste umfasst vermutlich sowohl zahlende Enterprise-Kunden als auch kooperative Forschungspartner. Die Aufnahme von Thermo Fisher – einem großen Anbieter von Life-Sciences-Geräten und Reagenzien – deutet auf mögliche Tool-Integrationsanwendungen neben dem Codex-Plugin-Ökosystem hin.

Was dies für die Wirkstoffforschung bedeutet

Das aktualisierte GPT-Rosalind zeigt eine klare Weiterentwicklung in OpenAIs Strategie: domänenspezifische vertikale Modelle, gepaart mit agentischer Tool-Nutzung und kontrolliertem Zugang. Die Kombination aus spezialisiertem wissenschaftlichem Reasoning, geringerem Token-Verbrauch und Codex-basierten Ausführungsfähigkeiten positioniert das Modell als praktisches Werkzeug zur Beschleunigung der frühen Wirkstoffforschung – Literatursynthese, Hypothesengenerierung, Experimentdesign und Protokollausführung.

Aber die bescheidenen absoluten Benchmark-Werte dienen als Realitätscheck. Selbst mit GPT-5.5 unter der Haube hat das Modell bei den meisten Aufgaben in der Medizinalchemie und Genomik noch Schwierigkeiten. Die Technologie verbessert sich rasant, bleibt aber ein unterstützendes Werkzeug für erfahrene Forscher und kein Ersatz für wissenschaftliches Urteilsvermögen.

Alle Leistungsbehauptungen bleiben von OpenAI selbst veröffentlicht, und bis unabhängige Drittevaluierungen oder begutachtete Studien mit dem Modell erscheinen, sollten die Benchmark-Ergebnisse als richtungsweisend und nicht als endgültig betrachtet werden .

Ein zentraler Effizienzgewinn: Das aktualisierte GPT-Rosalind übertrifft das universelle GPT-5.5 in allen neuen Domänen-Benchmarks und verbraucht dabei durchweg weniger Rechentokens. Der größte Effizienzvorteil liegt in der Genomik, wo GPT-Rosalind komplexe quantitative Biologie-Analysen mit 31 % weniger Tokens als GPT-5.5 abschließt . Für Wirkstoffforschungs-Pipelines, die routinemäßig riesige Genomdatensätze verarbeiten, bedeutet diese Token-Reduktion direkt niedrigere Kosten pro Abfrage.

Neue Benchmarks: LifeSciBench und drei Domänentests

Um die praktische wissenschaftliche Wirkung zu messen, entwickelte OpenAI LifeSciBench, einen extern durch Experten bewerteten Benchmark, der Modelle in sechs Arbeitsbereichen prüft: Evidenzverarbeitung, Analyse, Design und Optimierung, wissenschaftliches Reasoning, Validierung und Betrieb sowie Übersetzung und Kommunikation . Anders als frühere Benchmarks, die isolierte Fähigkeiten testeten, bewertet LifeSciBench vollständige Forschungsworkflows von der Literatursynthese bis zum experimentellen Design. GPT-Rosalind führt im Gesamtranking von LifeSciBench und übertrifft GPT-5.5, Grok 4.3 und Gemini 3.1 Pro .

OpenAI veröffentlichte auch Ergebnisse auf drei domänenspezifischen Sub-Benchmarks, die GPT-Rosalind direkt mit GPT-5.5 vergleichen. Alle Werte sind von OpenAI selbst veröffentlicht; eine unabhängige Überprüfung durch Dritte liegt nicht vor .

Daten aus OpenAIs veröffentlichten Evaluationen .

Die größte absolute Leistungslücke zeigt sich bei LabWorkBench, wo GPT-Rosalind 7,4 Prozentpunkte höher als GPT-5.5 punktet . Dieser Benchmark deckt praktische Nasslabor-Arbeiten ab – Fehlersuche bei Protokollen, Design von Reagenzien-Workflows und Interpretation experimenteller Ergebnisse – Bereiche, in denen agentische Tool-Nutzung und domänenspezifisches Wissen direkt in höhere Erfolgsraten übersetzt werden.

Die absoluten Werte sind in der Medizinalchemie und Genomik mit 27,5 % bzw. 21,6 % jedoch bescheiden. Das bedeutet, dass das verbesserte Modell bei den meisten Aufgaben in diesen Bereichen immer noch scheitert . Es handelt sich um echte, schwierige wissenschaftliche Probleme, nicht um Allgemeinwissenstests; niedrige Werte spiegeln die tatsächliche Schwierigkeit wider, nicht unbedingt schwache Modelle. Die Zahlen zeigen aber auch, dass die KI-gestützte Wirkstoffforschung noch in den Kinderschuhen steckt.

Codex-Plugins: Vom Reasoning zu ausgeführten Workflows

Das Juni-Update bringt auch lebenswissenschaftsspezifische Plugins und Viewer auf Codex, OpenAIs Coding-Plattform für agentische KI . Diese Plugins ermöglichen es GPT-Rosalind-Agenten, direkt auf wissenschaftliche Tools zuzugreifen – Literaturdatenbanken, Sequenzanalyse-Utilities, Software für Labordesign – und mehrstufige Forschungsworkflows auszuführen, anstatt sie nur vorzuschlagen . Dies markiert den Wandel von einem Modell, das über Wissenschaft nachdenkt, zu einem, das aktiv wissenschaftliche Rechenaufgaben durchführen kann.

OpenAIs Rahmung des Updates als Schritt „vom Reasoning zu ausgeführten Workflows“ signalisiert die Ambition, GPT-Rosalind tiefer in die operativen Pipelines von Wirkstoffforschungslaboren zu integrieren – nicht nur in die Brainstorming-Phase.

Globaler Zugang und die Trusted-Access-Struktur

GPT-Rosalind startete ursprünglich im April 2026 als US-only Enterprise Research Preview über ein eingeschränktes Trusted-Access-Programm . Das Juni-Update weitet dies auf eine globale Research Preview für berechtigte Organisationen aus, weiterhin über dieselbe Trusted-Access-Deployment-Struktur, die eine Bewerbung und Prüfung erfordert . Organisationen ohne bestehende Enterprise-Vereinbarung können sich jetzt über einen neu geschaffenen OpenAI Managed Workspace bewerben.

Bereits am 29. Mai 2026, wenige Tage vor dem Hauptupdate, startete OpenAI das Rosalind Biodefense Program, das den Trusted Access speziell für Biodefense-Anwendungen ausweitete . Dies deutet darauf hin, dass OpenAI das Modell nicht nur für die kommerzielle Wirkstoffforschung, sondern auch für national sicherheitsrelevante biologische Forschung unter kontrolliertem Zugang positioniert.

Erste Partner: Pharma und Forschungsinstitutionen

OpenAI nannte mehrere namhafte Organisationen, die aktiv mit dem aktualisierten GPT-Rosalind arbeiten :

• Novo Nordisk – explizit als Kunde genannt, der GPT-Rosalind in pharmazeutischen F&E-Workflows einsetzt.
• Amgen, Moderna, das Allen Institute und Thermo Fisher Scientific – als Partner oder Early Adopters genannt, die das Modell in Wirkstoffforschung, Genomik und Forschungs-Tool-Integration anwenden.

Es ist wichtig zu beachten, dass die spezifischen Anwendungsfälle der einzelnen Organisationen öffentlich nicht detailliert beschrieben wurden. Die Liste umfasst vermutlich sowohl zahlende Enterprise-Kunden als auch kooperative Forschungspartner. Die Aufnahme von Thermo Fisher – einem großen Anbieter von Life-Sciences-Geräten und Reagenzien – deutet auf mögliche Tool-Integrationsanwendungen neben dem Codex-Plugin-Ökosystem hin.

Was dies für die Wirkstoffforschung bedeutet

Das aktualisierte GPT-Rosalind zeigt eine klare Weiterentwicklung in OpenAIs Strategie: domänenspezifische vertikale Modelle, gepaart mit agentischer Tool-Nutzung und kontrolliertem Zugang. Die Kombination aus spezialisiertem wissenschaftlichem Reasoning, geringerem Token-Verbrauch und Codex-basierten Ausführungsfähigkeiten positioniert das Modell als praktisches Werkzeug zur Beschleunigung der frühen Wirkstoffforschung – Literatursynthese, Hypothesengenerierung, Experimentdesign und Protokollausführung.

Aber die bescheidenen absoluten Benchmark-Werte dienen als Realitätscheck. Selbst mit GPT-5.5 unter der Haube hat das Modell bei den meisten Aufgaben in der Medizinalchemie und Genomik noch Schwierigkeiten. Die Technologie verbessert sich rasant, bleibt aber ein unterstützendes Werkzeug für erfahrene Forscher und kein Ersatz für wissenschaftliches Urteilsvermögen.

Alle Leistungsbehauptungen bleiben von OpenAI selbst veröffentlicht, und bis unabhängige Drittevaluierungen oder begutachtete Studien mit dem Modell erscheinen, sollten die Benchmark-Ergebnisse als richtungsweisend und nicht als endgültig betrachtet werden .