BenchLeader

GPT-5.3-Codex vs Muse Spark 1.2

詳しいプロフィール:GPT-5.3-Codex(OpenAI)とMuse Spark 1.2(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 · 9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 1.2の品質は互角です(BenchLeader Indexで62.9 対 61.5、±8.6の誤差範囲内)。価格はMuse Spark 1.2の方が2.4倍安く、100万トークンあたりのブレンド価格で$2.00 対 $4.81です。エージェント・ツール(80 対 55)、コーディング(61 対 55)、長文コンテキスト(66 対 64)を重視するならGPT-5.3-Codex、マルチモーダル(65 対 61)を重視するならMuse Spark 1.2が向いています。回答開始までの時間はMuse Spark 1.2の方が短く、11.4秒 対 38.2秒です。Muse Spark 1.2は出力が約2倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.3-Codexが62.9、Muse Spark 1.2が61.5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)。
  • Muse Spark 1.2の100万トークンあたりのブレンド価格は$2.00です(定価、2026年11月16日)。
  • Muse Spark 1.2はGPT-5.3-Codexより出力が約2倍速いです(Artificial Analysis、7日間の中央値、2026年11月16日)。
  • 両モデルに結果がある10件のベンチマークのうち、Muse Spark 1.2が6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GPT-5.3-Codexカテゴリスコア61 対 55;WeirdML 77.9% 対 60.3%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 55;AA-Briefcase v1.1 868 対 1323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 79.0%中
画像などのメディアMuse Spark 1.2カテゴリスコア65 対 61中
チャットの質(人間の評価)–Arenaの評価があるのはMuse Spark 1.2のみです(カテゴリスコア69)比較不可
最低コストMuse Spark 1.2100万トークンあたりブレンド価格$2.00 対 $4.81;エージェント型コーディングセッション$0.092 対 $0.161–
回答開始の速さMuse Spark 1.2最初の回答トークンまで11.4秒(Muse Spark 1.2 (xhigh))対 38.2秒(GPT-5.3-Codex (xhigh))–
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 1.2 (xhigh)の品質は互角です(62.9 対 61.5、±8.6の誤差範囲内)。
  • GPT-5.3-Codex (xhigh)はエージェント・ツール、コーディング、長文コンテキストで優れています。
  • Muse Spark 1.2 (xhigh)はマルチモーダルで優れています。
  • Muse Spark 1.2 (xhigh)の方が2.4倍安くなっています(100万トークンあたりブレンド価格$2.00 対 $4.81)。
  • Muse Spark 1.2 (xhigh)の方が出力が2.2倍速くなっています(208 対 94トークン/秒)。

概要

仕様GPT-5.3-CodexMuse Spark 1.2
プロバイダーOpenAIMeta
リリース日2026年2月5日2026年8月5日
コンテキストウィンドウ(トークン)400,0001,048,576
比較した構成GPT-5.3-Codex (xhigh)Muse Spark 1.2 (xhigh)
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$1.25 / $4.25 / $0.150

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 1.2 (xhigh)トップ
推論–68.1比較不可
コーディング61.054.7GPT-5.3-Codex
エージェント・ツール80.155.4GPT-5.3-Codex
数学–66.8比較不可
知識–64.5比較不可
指示追従73.6–比較不可
人間の評価–68.6比較不可
マルチモーダル60.865.3Muse Spark 1.2
長文コンテキスト66.464.1GPT-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, 長文コンテキスト: 66.4GPT-5.3-Codex, マルチモーダル: 60.8Muse Spark 1.2, コーディング: 54.7Muse Spark 1.2, エージェント・ツール: 55.4Muse Spark 1.2, 長文コンテキスト: 64.1Muse Spark 1.2, マルチモーダル: 65.3

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, 指示追従, 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10件のベンチマークのうち、GPT-5.3-Codexのリードが4件、Muse Spark 1.2のリードが6件です。

総合IndexGPT-5.3-Codex (xhigh)Muse Spark 1.2 (xhigh)トップ
BenchLeader Index62.961.5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 1.2 (xhigh)
100万トークンあたりのブレンド価格$4.81$2.00
100万トークンあたりの入力/出力$1.75 / $14.00$1.25 / $4.25
100万トークンあたりのキャッシュ入力$0.175$0.150
タスクあたりの価格:チャットの返答$0.0049$0.0018
タスクあたりの価格:30ページのレポートを要約$0.029$0.018
タスクあたりの価格:コード編集$0.032$0.014
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$0.092
タスクあたりの価格:構造化データの抽出$0.0063$0.0034
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$0.043
出力速度94 tok/s208 tok/s
回答開始までの時間38.2秒11.4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23.9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 1.2 (xhigh)のスコアは61.5、最初の回答トークンまで11秒。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

97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 1.2 (xhigh)
BenchLeader IndexBenchLeader62.961.5
エージェント・ツールスコアBenchLeader80.155.4
コーディングスコアBenchLeader61.054.7
指示追従スコアBenchLeader73.6–
長文コンテキストスコアBenchLeader66.464.1
マルチモーダルスコアBenchLeader60.865.3
人間の評価スコアBenchLeader–68.6
知識スコアBenchLeader–64.5
数学スコアBenchLeader–66.8
推論スコアBenchLeader–68.1
ブレンド価格($/100万トークン)BenchLeader$4.81$2.00
出力速度BenchLeader94 tok/s208 tok/s
回答開始までの時間BenchLeader38.2秒11.4秒
コンテキストウィンドウBenchLeader400,000トークン1,048,576トークン
推論
SimpleBenchSimpleBench–74.5%†
Arena Hard PromptsArena (LMArena)–1514
LiveBench 1.0 ReasoningLiveBench–90.0%
GPQA Diamond (AA)Artificial Analysis91.5%90.4%
Humanity's Last Exam (AA)Artificial Analysis42.5%45.5%
CritPtArtificial Analysis16.9%17.7%
Arena ExpertArena (LMArena)–1503
Chess PuzzlesEpoch AI Benchmarking Hub–27.0%
LMCAEpoch AI Benchmarking Hub–48.4%
DTBenchEpoch AI Benchmarking Hub–94.7%
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–57.4%
WeirdMLWeirdML77.9%60.3%
Arena CodingArena (LMArena)–1542
Arena WebDevArena (LMArena)1406†1534
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%21.8%
SWE-bench (Vals)Vals AI78.0%86.6%
Code MigrationVals AI–29.9%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI61.8%79.1%
DeepSWE v1.1Epoch AI Benchmarking Hub–54.9%
ALE-BenchEpoch AI Benchmarking Hub1655.2–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
97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 1.2 (xhigh)
コーディング
Terminal-Bench 4.0 (AA)Artificial Analysis–7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 2–51.5†
GameBench 2 by reasoning settingDuelLab GameBench 2–56.9
Design Arena WebsiteDesign Arena1155†1309†
エージェント・ツール
Terminal-BenchTerminal-Bench78.4%†–
APEX-AgentsMercor–45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench–57.6%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–69.7%
HiL-BenchScale AI SEAL4.3%†–
GDPval-AA v2.1Artificial Analysis–1478
τ³-Banking (AA)Artificial Analysis–34.9%
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–60.6%
Harvey's Legal Agent Benchmark v1Vals AI–25.4%
Legal Research BenchVals AI–43.8%
SkillsBenchVals AI–53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI–32.8%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–6.1%
Arena Agent Task CompletionArena (LMArena)–-9.8
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–40.6%
GDP.pdf (AA)Artificial Analysis–17.4%
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis8681323
Design Arena AgenticDesign Arena1018†1185†
数学
ProofBenchVals AI–43.0%†
LiveBench MathematicsLiveBench–91.2%
Arena MathsArena (LMArena)–1486
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–60.3%
LiveBench 1.0 Data AnalysisLiveBench–76.5%
MMLU-ProVals AI–88.3%
LegalBenchVals AI–85.3%
CorpFinVals AI–70.9%
TaxEvalVals AI–80.4%
BioMysteryBenchVals AI–64.8%
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI–49.4%
MedScribeVals AI–90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
GDP.pdfEpoch AI Benchmarking Hub–16.0%
指示追従
LiveBench LanguageLiveBench–78.6%
LiveBench Instruction FollowingLiveBench–74.3%
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1479
人間の評価
Arena TextArena (LMArena)–1493
EQ-Bench Creative Writing v3EQ-Bench–1842†
Arena Creative WritingArena (LMArena)–1443
Arena Multi-turnArena (LMArena)–1510
Arena Longer QueriesArena (LMArena)–1491
マルチモーダル
Arena VisionArena (LMArena)–1305
MMMU-ProArtificial Analysis78.5%–
MMMU-Pro (Vals)Vals AI–86.1%
MortgageTaxVals AI–65.4%
Humanity's Sixth SenseScale AI SEAL–24.5%
長文コンテキスト
AA-LCR v1.1Artificial Analysis83.3%79.0%
MLCRArtificial Analysis–7.2%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–155.0†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis32.539.6
AA Progress Index v1Artificial Analysis301.3309.1
Vals Multimodal IndexVals AI–69.8%†
安全性・誠実さ
DistressBenchScale AI SEAL–88.4%†

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。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

最近の変化

  • Muse Spark 1.2 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Muse Spark 1.2 (xhigh):スコアの改訂1件。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA-Briefcase v1.1)。
  • Muse Spark 1.2 (xhigh):スコアの改訂1件。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。
  • GPT-5.3-Codex (xhigh):新しい結果1件(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):新しい結果1件(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):価格 $1.29/M → $0.81/M。
  • Muse Spark 1.2 (xhigh):価格 $0.97/M → $1.29/M。
  • Muse Spark 1.2 (xhigh):新しい結果1件(AA-Briefcase v1.1)。

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 1.2:よくある質問

GPT-5.3-CodexはMuse Spark 1.2より優れていますか?
GPT-5.3-Codex (xhigh)とMuse Spark 1.2 (xhigh)の品質は互角です(62.9 対 61.5、±8.6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。
GPT-5.3-CodexとMuse Spark 1.2はどちらが安いですか?今後変わる予定はありますか?
現在はMuse Spark 1.2の方が安く、100万トークンあたり$2.00 対 $4.81です(出力1トークンにつき入力3トークンでブレンド)。どちらも価格変更は発表されていません。
コーディングにはGPT-5.3-CodexとMuse Spark 1.2のどちらが向いていますか?
コーディングでは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61 対 55。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WeirdMLでは、GPT-5.3-Codexが77.9%、Muse Spark 1.2が60.3%です。
GPT-5.3-CodexとMuse Spark 1.2はどちらが速いですか?
Muse Spark 1.2の方が出力が約2倍速くなっています(出力208 対 94トークン/秒、Artificial Analysisの7日間の中央値)。
エージェントやツール利用にはGPT-5.3-CodexとMuse Spark 1.2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 55。50が平均)。
ほかの質問(4件)
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Muse Spark 1.2の方が長く、1,048,576トークンです(GPT-5.3-Codexは400,000トークン)。
レイテンシが低いのはどちらですか?
先に回答を始めるのはMuse Spark 1.2です。Artificial Analysisの測定では、最初の回答トークンまで11.4秒 対 38.2秒です。この差の大部分は推論エフォートによるもので、設定が高いほど回答前に長く考えます。
GPT-5.3-CodexとMuse Spark 1.2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10件のベンチマークのうち、GPT-5.3-Codexのリードが4件、Muse Spark 1.2のリードが6件です。
Muse Spark 1.2はいつリリースされましたか?
Muse Spark 1.2は2026年8月5日にリリースされました。