BenchLeader

GPT-5.3-Codex vs Muse Spark

詳しいプロフィール:GPT-5.3-Codex(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 · 8件の情報源のデータ

2026年11月16日時点で、GPT-5.3-CodexとMuse Sparkの品質は互角です(BenchLeader Indexで62.9 対 64.2、±7.8の誤差範囲内)。エージェント・ツール(80 対 65)、長文コンテキスト(66 対 64)を重視するならGPT-5.3-Codex、コーディング(65 対 61)、マルチモーダル(64 対 61)、指示追従(77 対 74)を重視するならMuse Sparkが向いています。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.3-Codexが62.9、Muse Sparkが64.2です(BenchLeader、2026年11月16日)。
  • GPT-5.3-Codexの100万トークンあたりのブレンド価格は$4.81です(定価、2026年11月16日)。
  • 両モデルに結果がある12件のベンチマークのうち、GPT-5.3-Codexが9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 61;SWE-bench (Vals) 74.4% 対 78.0%中
エージェント・ツール利用GPT-5.3-Codexカテゴリスコア80 対 65;Terminal-Bench Hard 53.0% 対 45.5%高
長い文書GPT-5.3-Codexカテゴリスコア66 対 64;AA-LCR v1.1 83.3% 対 78.0%中
画像などのメディアMuse Sparkカテゴリスコア64 対 61;MMMU-Pro 80.5% 対 78.5%中
指示への追従Muse Sparkカテゴリスコア77 対 74;IFBench 75.9% 対 75.4%中
チャットの質(人間の評価)–Arenaの評価があるのはMuse Sparkのみです(カテゴリスコア68)比較不可
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

  • GPT-5.3-Codex (xhigh)とMuse Sparkの品質は互角です(62.9 対 64.2、±7.8の誤差範囲内)。
  • GPT-5.3-Codex (xhigh)はエージェント・ツール、長文コンテキストで優れています。
  • Muse Sparkはコーディング、指示追従、マルチモーダルで優れています。

概要

仕様GPT-5.3-CodexMuse Spark
プロバイダーOpenAIMeta
リリース日2026年2月5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-5.3-Codex (xhigh)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)$1.75 / $14.00 / $0.175–

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-5.3-Codex (xhigh)Muse Sparkトップ
推論–67.4比較不可
コーディング61.065.1Muse Spark
エージェント・ツール80.165.0GPT-5.3-Codex
数学–59.1比較不可
知識–63.1比較不可
指示追従73.676.9Muse Spark
人間の評価–68.1比較不可
マルチモーダル60.864.2Muse Spark
長文コンテキスト66.463.6GPT-5.3-Codex

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コーディングエージェント・ツール指示追従長文コンテキストマルチモーダルGPT-5.3-Codex, コーディング: 61.0GPT-5.3-Codex, エージェント・ツール: 80.1GPT-5.3-Codex, 指示追従: 73.6GPT-5.3-Codex, 長文コンテキスト: 66.4GPT-5.3-Codex, マルチモーダル: 60.8Muse Spark, コーディング: 65.1Muse Spark, エージェント・ツール: 65.0Muse 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: 64.2

描画していないもの(測定済みのモデルが2つ未満):推論, 数学, 知識, 人間の評価。

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12件のベンチマークのうち、GPT-5.3-Codexのリードが9件、Muse Sparkのリードが3件です。

総合IndexGPT-5.3-Codex (xhigh)Muse Sparkトップ
BenchLeader Index62.964.2互角

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-5.3-Codex (xhigh)Muse Spark
100万トークンあたりのブレンド価格$4.81–
100万トークンあたりの入力/出力$1.75 / $14.00– / –
100万トークンあたりのキャッシュ入力$0.175–
タスクあたりの価格:チャットの返答$0.0049–
タスクあたりの価格:30ページのレポートを要約$0.029–
タスクあたりの価格:コード編集$0.032–
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$0.161–
タスクあたりの価格:構造化データの抽出$0.0063–
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)$0.090–
出力速度94 tok/s–
回答開始までの時間38.2秒–
回答が完了するまでの時間(最終測定2026年11月13日)97.1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-5.3-Codex (xhigh)のスコアは62.9、最初の回答トークンまで38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

66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-5.3-Codex (xhigh)Muse Spark
BenchLeader IndexBenchLeader62.964.2
エージェント・ツールスコアBenchLeader80.165.0
コーディングスコアBenchLeader61.065.1
指示追従スコアBenchLeader73.676.9
長文コンテキストスコアBenchLeader66.463.6
マルチモーダルスコアBenchLeader60.864.2
人間の評価スコアBenchLeader–68.1
知識スコアBenchLeader–63.1
数学スコアBenchLeader–59.1
推論スコアBenchLeader–67.4
ブレンド価格($/100万トークン)BenchLeader$4.81–
出力速度BenchLeader94 tok/s–
回答開始までの時間BenchLeader38.2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 Hub–89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
Arena Hard PromptsArena (LMArena)–1506
GPQA Diamond (AA)Artificial Analysis91.5%88.4%
Humanity's Last Exam (AA)Artificial Analysis42.5%40.7%
GPQA Diamond (Vals)Vals AI–89.7%
CritPtArtificial Analysis16.9%11.3%
Arena ExpertArena (LMArena)–1491
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–51.5%
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1529
Arena WebDevArena (LMArena)1406†–
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Vibe Code Bench v1.1Vals AI61.8%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 Hub1655.2–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Design Arena WebsiteDesign Arena1155†1253
エージェント・ツール
Terminal-BenchTerminal-Bench78.4%†–
66件のベンチマークをすべて表示
指標公開元GPT-5.3-Codex (xhigh)Muse Spark
エージェント・ツール
Terminal-Bench HardArtificial Analysis53.0%45.5%
τ²-Bench Telecom (AA)Artificial Analysis86.0%91.5%
MCP AtlasScale AI SEAL–82.2%
HiL-BenchScale AI SEAL4.3%†–
GDPval-AA v2.1Artificial Analysis–1006
Terminal-Bench 2.0 (Vals)Vals AI64.0%†59.5%
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AA-Briefcase v1.1Artificial Analysis868646
Design Arena AgenticDesign Arena1018†–
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub–88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI–96.9%
Arena MathsArena (LMArena)–1469
知識
MMLU-ProVals AI–87.3%
LegalBenchVals AI–84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI–63.1%
MedCodeVals AI–51.3%
MedScribeVals AI–85.9%
指示追従
IFBenchArtificial Analysis75.4%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)–1465
人間の評価
Arena TextArena (LMArena)–1489
Arena Creative WritingArena (LMArena)–1464
Arena Multi-turnArena (LMArena)–1493
Arena Longer QueriesArena (LMArena)–1476
マルチモーダル
Arena VisionArena (LMArena)–1306
MMMU-ProArtificial Analysis78.5%80.5%
MMMU-Pro (Vals)Vals AI–87.4%
長文コンテキスト
AA-LCR v1.1Artificial Analysis83.3%78.0%
Arena DocumentArena (LMArena)–1467
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–153.1
AA Intelligence Index v4.3.2Artificial Analysis32.531.3
AA Progress Index v1Artificial Analysis301.3289.1
安全性・誠実さ
FORTRESSScale AI SEAL–20.2%

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

  • 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-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
  • Muse Spark:新しい結果1件(AA Progress Index v1)。

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-5.3-Codex vs Muse Spark:よくある質問

GPT-5.3-CodexはMuse Sparkより優れていますか?
GPT-5.3-Codex (xhigh)とMuse Sparkの品質は互角です(62.9 対 64.2、±7.8の誤差範囲内)。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日時点では両者の差は誤差範囲内なので、用途に合わせてカテゴリ別のスコアを確認してください。
コーディングにはGPT-5.3-Codex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 61。50が平均)。
エージェントやツール利用にはGPT-5.3-Codex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GPT-5.3-Codexの方がスコアが高くなっています(カテゴリ指標で80 対 65。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Terminal-Bench Hardでは、GPT-5.3-Codexが53.0%、Muse Sparkが45.5%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GPT-5.3-Codexの方がスコアが高くなっています(66 対 64)。コンテキストはGPT-5.3-Codexの方が長く、400,000トークンです(Muse Sparkは262,144トークン)。
GPT-5.3-Codex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12件のベンチマークのうち、GPT-5.3-Codexのリードが9件、Muse Sparkのリードが3件です。
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。