BenchLeader

GPT-5.1 vs Muse Spark

詳しいプロフィール:GPT-5.1(OpenAI)とMuse Spark(Meta)。すべてのベンチマーク、価格、順位を掲載しています。

更新 · 10件の情報源のデータ

2026年11月16日時点で、品質ではMuse SparkがGPT-5.1を上回ります(BenchLeader Indexで64.2 対 57.5)。両方を測定できるすべてのカテゴリでMuse Sparkがリードしています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.1が57.5、Muse Sparkが64.2です(BenchLeader、2026年11月16日)。
  • GPT-5.1の100万トークンあたりのブレンド価格は$3.44です(定価、2026年11月16日)。
  • 両モデルに結果がある37件のベンチマークのうち、Muse Sparkが30件でリードしています(BenchLeader、2026年11月16日)。

用途別のおすすめ

おすすめ側の数値を先に示しています。カテゴリスコアはBenchLeaderの尺度(50が平均的なモデル、15ポイントが1標準偏差)です。標準偏差の半分以上の差があれば信頼度「高」、1ポイント未満の差は「どちらでも」としています。

用途おすすめ理由信頼度
コーディングMuse Sparkカテゴリスコア65 対 56;Arena Coding 1529 対 1492高
エージェント・ツール利用Muse Sparkカテゴリスコア65 対 41;MCP Atlas 82.2% 対 50.1%高
数学どちらでもカテゴリスコア59 対 59;Arena Maths 1459 対 1469どちらでも
推論Muse Sparkカテゴリスコア67 対 53;GPQA Diamond 89.8% 対 87.6%高
知識Muse Sparkカテゴリスコア63 対 59;MMLU-Pro 87.3% 対 86.4%中
長い文書どちらでもカテゴリスコア65 対 64;AA-LCR v1.1 80.0% 対 78.0%どちらでも
画像などのメディアMuse Sparkカテゴリスコア64 対 58;Arena Vision 1306 対 1249中
指示への追従Muse Sparkカテゴリスコア77 対 71;IFBench 75.9% 対 72.9%中
チャットの質(人間の評価)Muse SparkArenaの投票で68 対 64中
低予算での大量処理フラッグシップ以外小型モデルの方が適していることがほとんどです:安くて優秀なLLM、最速のLLM–

主な違い

  • 品質ではMuse Sparkがリードしています:64.2 対 57.5。
  • GPT-5.1 (high)は長文コンテキストで優れています。
  • Muse Sparkはエージェント・ツール、コーディング、人間の評価、指示追従、知識、数学、マルチモーダル、推論で優れています。

概要

仕様GPT-5.1Muse Spark
プロバイダーOpenAIMeta
リリース日2025年11月12日2026年4月8日
コンテキストウィンドウ(トークン)400,000262,144
比較した構成GPT-5.1 (high)Muse Spark
オープンウェイトなしなし
100万トークンあたりの価格(入力/出力/キャッシュ入力)$1.25 / $10.00 / $0.125–

カテゴリ別の比較

カテゴリスコアはBenchLeaderの尺度で、50が評価対象モデルの平均、15ポイントが1標準偏差です。1ポイント未満の差は互角としています。

カテゴリGPT-5.1 (high)Muse Sparkトップ
推論53.067.4Muse Spark
コーディング55.765.1Muse Spark
エージェント・ツール41.265.0Muse Spark
数学58.559.1互角
知識58.663.1Muse Spark
指示追従71.476.9Muse Spark
人間の評価64.068.1Muse Spark
マルチモーダル57.964.2Muse Spark
長文コンテキスト64.663.6互角

1つのグラフで比較

各分野をIndexと同じ尺度(平均的なモデルが50)で示しています。分野をクリックすると、その元になったベンチマークが表示されます。 リストから最大5モデルまで選べます。

2550 avg75推論コーディングエージェント・ツール数学知識指示追従長文コンテキストマルチモーダル人間の評価GPT-5.1, 推論: 53.0GPT-5.1, コーディング: 55.7GPT-5.1, エージェント・ツール: 41.2GPT-5.1, 数学: 58.5GPT-5.1, 知識: 58.6GPT-5.1, 指示追従: 71.4GPT-5.1, 長文コンテキスト: 64.6GPT-5.1, マルチモーダル: 57.9GPT-5.1, 人間の評価: 64.0Muse Spark, 推論: 67.4Muse Spark, コーディング: 65.1Muse Spark, エージェント・ツール: 65.0Muse Spark, 数学: 59.1Muse Spark, 知識: 63.1Muse Spark, 指示追従: 76.9Muse Spark, 長文コンテキスト: 63.6Muse Spark, マルチモーダル: 64.2Muse Spark, 人間の評価: 68.1

モデル(クリックで追加・削除)Index

情報源で評価が分かれる点

両方に結果がある37件のベンチマークのうち、GPT-5.1のリードが6件、Muse Sparkのリードが30件、同点が1件です。両方を評価しているすべての総合指標で、Muse Sparkが上回っています。

総合IndexGPT-5.1 (high)Muse Sparkトップ
BenchLeader Index57.564.2Muse Spark
Arena Text14551489Muse Spark

公開元ごとにタスク、評価環境、エフォートの設定が異なるため、総合的な評価が食い違うことがあります。BenchLeaderはそれらを1つの尺度にそろえています。†は同じモデルの別のエフォート設定での測定値です(公開元がここで比較している設定をテストしていないため)。

価格・速度・レイテンシ

定価は、出力1トークンにつき入力3トークンの比率でブレンドしています。タスクあたりの価格は、算出方法のページに記載したトークン数で計算しています。ベンチマークのタスクあたりのコスト、トークン数、時間は実測値で、Artificial AnalysisのIntelligence Index全体の平均です。

指標GPT-5.1 (high)Muse Spark
100万トークンあたりのブレンド価格$3.44–
100万トークンあたりの入力/出力$1.25 / $10.00– / –
100万トークンあたりのキャッシュ入力$0.125–
タスクあたりの価格:チャットの返答$0.0035–
タスクあたりの価格:30ページのレポートを要約$0.021–
タスクあたりの価格:コード編集$0.022–
タスクあたりの価格:エージェント型コーディングセッション$0.115–
タスクあたりの価格:構造化データの抽出$0.0045–
エージェント型コーディングセッション(入力の大半がキャッシュ)$0.064–
出力速度88 tok/s–
回答開始までの時間36.8秒–
回答が完了するまでの時間(最終測定2026年11月13日)80.1秒–

各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。GPT-5.1 (high)のスコアは57.5、最初の回答トークンまで37秒。GPT-5.1は56.1(1秒)、GPT-5.1 (thinking)は54.6(1秒)。Muse Sparkのスコアは64.2。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか

全ベンチマーク

98件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。

指標公開元GPT-5.1 (high)Muse Spark
BenchLeader IndexBenchLeader57.564.2
エージェント・ツールスコアBenchLeader41.265.0
コーディングスコアBenchLeader55.765.1
人間の評価スコアBenchLeader64.068.1
指示追従スコアBenchLeader71.476.9
知識スコアBenchLeader58.663.1
長文コンテキストスコアBenchLeader64.663.6
数学スコアBenchLeader58.559.1
マルチモーダルスコアBenchLeader57.964.2
推論スコアBenchLeader53.067.4
ブレンド価格($/100万トークン)BenchLeader$3.44–
出力速度BenchLeader88 tok/s–
回答開始までの時間BenchLeader36.8秒–
コンテキストウィンドウBenchLeader400,000トークン262,144トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub87.6%89.8%
Humanity's Last ExamScale AI / CAIS23.7%†40.6%
SimpleBenchSimpleBench53.2%–
Arena Hard PromptsArena (LMArena)14761506
GPQA Diamond (AA)Artificial Analysis87.3%88.4%
Humanity's Last Exam (AA)Artificial Analysis28.5%40.7%
GPQA Diamond (Vals)Vals AI86.6%89.7%
GPQA Diamond (HELM)HELM Capabilities44.2%†–
ARC-AGI-1ARC Prize72.8%–
ARC-AGI-2ARC Prize17.6%–
CritPtArtificial Analysis4.9%11.3%
Arena ExpertArena (LMArena)14811491
Chess PuzzlesEpoch AI Benchmarking Hub42.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub16.0%†–
CL-benchEpoch AI Benchmarking Hub23.7%–
CL-bench LifeEpoch AI Benchmarking Hub17.3%–
LMCAEpoch AI Benchmarking Hub43.9%–
DTBenchEpoch AI Benchmarking Hub90.1%–
ForecastBenchForecastBench62.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub68.0%–
SciCodeSciCode43.3%†51.5%
WeirdMLWeirdML60.8%–
GSO-BenchGSO-Bench13.7%–
Arena CodingArena (LMArena)14921529
Arena WebDevArena (LMArena)1342†–
98件のベンチマークをすべて表示
指標公開元GPT-5.1 (high)Muse Spark
コーディング
LiveCodeBenchVals AI86.5%–
SWE-bench (Vals)Vals AI69.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
SWE-bench Verified (bash only)SWE-bench66.0%†–
SWE-bench Verified (any scaffold)SWE-bench66.0%†–
Vibe Code Bench v1.1Vals AI24.6%19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
ALE-BenchEpoch AI Benchmarking Hub1192.2–
Terminal-Bench 2.1 (AA)Artificial Analysis52.4%62.2%
Design Arena WebsiteDesign Arena11791253
LiveCodeBench (AA)Artificial Analysis86.8%–
エージェント・ツール
Terminal-BenchTerminal-Bench47.6%†–
Terminal-Bench HardArtificial Analysis45.5%45.5%
τ²-Bench Telecom (AA)Artificial Analysis81.9%91.5%
MCP AtlasScale AI SEAL50.1%82.2%
GDPval-AA v2.1Artificial Analysis8341006
τ³-Banking (AA)Artificial Analysis15.9%–
Poker AgentVals AI1038.6%†–
Terminal-Bench 2.0 (Vals)Vals AI44.9%59.5%
Arena SearchArena (LMArena)1184†–
DeepResearch BenchDeepResearch Bench42.8%†–
Vending-Bench 2Andon Labs1473.4†–
AA-Briefcase v1.1Artificial Analysis–646
Design Arena AgenticDesign Arena1009†–
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub88.6%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI93.3%96.9%
MGSMVals AI93.0%–
MathArena ApexMathArena1.0%–
Omni-MATH (HELM)HELM Capabilities46.4%†–
Arena MathsArena (LMArena)14591469
AIME 2025 (AA)Artificial Analysis94.0%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub48.0%–
MMLU-ProVals AI86.4%87.3%
LegalBenchVals AI85.7%84.2%
CorpFinVals AI63.8%65.1%
TaxEvalVals AI74.9%77.7%
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL48.0%†52.4%
PRBench LegalScale AI SEAL49.3%†52.3%
MultiNRCScale AI SEAL49.0%†59.0%
MMLU-Pro (HELM)HELM Capabilities57.9%†–
CaseLaw v2Vals AI73.4%63.1%
MedCodeVals AI52.7%51.3%
MedScribeVals AI88.1%85.9%
Global-MMLU-Lite (AA)Artificial Analysis90.6%–
指示追従
IFBenchArtificial Analysis72.9%75.9%
MultiChallengeScale AI SEAL63.4%†75.5%
TutorBenchScale AI SEAL54.1%†68.5%
IFEval (HELM)HELM Capabilities93.5%†–
WildBench (HELM)HELM Capabilities86.3%†–
Arena Instruction FollowingArena (LMArena)14501465
人間の評価
Arena TextArena (LMArena)14551489
Arena Creative WritingArena (LMArena)14281464
Arena Multi-turnArena (LMArena)14641493
Arena Longer QueriesArena (LMArena)14601476
マルチモーダル
Arena VisionArena (LMArena)12491306
MMMU-ProArtificial Analysis75.5%80.5%
VISTAScale AI SEAL43.8%†–
MMMU-Pro (Vals)Vals AI83.2%87.4%
MortgageTaxVals AI61.4%–
VPCTEpoch AI Benchmarking Hub58.7%–
長文コンテキスト
AA-LCR v1.1Artificial Analysis80.0%78.0%
Arena DocumentArena (LMArena)1416†1467
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150.9†153.1
AA Intelligence Index v4.3.2Artificial Analysis24.731.3
AA Progress Index v1Artificial Analysis275.7289.1
HELM Capabilities meanHELM Capabilities65.6%†–
安全性・誠実さ
FORTRESSScale AI SEAL25.7%†20.2%
MASKScale AI SEAL86.3%†–
メタデータ
AA Openness IndexArtificial Analysis5.6–

データは2026年11月16日時点。各モデルの最良の構成で比較しています。すべてのスコアの出典はモデルのページにリンクしています。

最近の変化

  • GPT-5.1 (high):新しい結果2件(GDPval-AA v2.1, AIME 2025 (AA))。
  • Muse Spark:新しい結果2件(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:スコアの改訂1件。
  • GPT-5.1 (high):新しい結果1件(AA Progress Index v1)。
  • Muse Spark:新しい結果1件(AA Progress Index v1)。
  • GPT-5.1 (high):新しい結果1件(Global-MMLU-Lite (AA))。
  • GPT-5.1 (high):BenchLeader Index 58.4 → 57.9。

ランキング: 総合ベストLLM · エージェントに最適なLLM · 安くて優秀なLLM

GPT-5.1 vs Muse Spark:よくある質問

Muse SparkはGPT-5.1より優れていますか?
品質ではMuse Sparkがリードしています:64.2 対 57.5。BenchLeader Indexは第三者による品質ベンチマークをすべて統合した指標です。2026年11月16日時点では総合でMuse Sparkが上回っていますが、用途に合わせてカテゴリ別のスコアも確認してください。
コーディングにはGPT-5.1とMuse Sparkのどちらが向いていますか?
コーディングではMuse Sparkの方がスコアが高くなっています(カテゴリ指標で65 対 56。50が平均)。共通するコーディングベンチマークのうち最も重要なArena Codingでは、GPT-5.1が1492、Muse Sparkが1529です。
エージェントやツール利用にはGPT-5.1とMuse Sparkのどちらが向いていますか?
エージェント型のタスクではMuse Sparkの方がスコアが高くなっています(カテゴリ指標で65 対 41。50が平均)。共通するエージェント・ツールベンチマークのうち最も重要なMCP Atlasでは、GPT-5.1が50.1%、Muse Sparkが82.2%です。
長い文書にはどちらが向いていますか?
長文コンテキストのベンチマークでは互角です(65 対 64)。コンテキストはGPT-5.1の方が長く、400,000トークンです(Muse Sparkは262,144トークン)。
GPT-5.1とMuse Sparkについて、第三者ベンチマークの評価は一致していますか?
両方に結果がある37件のベンチマークのうち、GPT-5.1のリードが6件、Muse Sparkのリードが30件、同点が1件です。両方を評価しているすべての総合指標で、Muse Sparkが上回っています。
ほかの質問(1件)
Muse Sparkはいつリリースされましたか?
Muse Sparkは2026年4月8日にリリースされました。