BenchLeader

GPT-5.4 vs Muse Spark

詳しいプロフィール:GPT-5.4(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 · 13件の情報源のデータ

2026年11月16日時点で、GPT-5.4とMuse Sparkの品質は互角です(BenchLeader Indexで63.1 対 64.2、±4.4の誤差範囲内)。数学(65 対 59)、長文コンテキスト(66 対 64)を重視するならGPT-5.4、知識(63 対 59)、指示追従(77 対 72)、マルチモーダル(64 対 61)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-5.4が63.1、Muse Sparkが64.2です(BenchLeader、2026年11月16日)。
  • GPT-5.4の100万トークンあたりのブレンド価格は$5.63です(定価、2026年11月16日)。
  • 両モデルに結果がある33件のベンチマークのうち、GPT-5.4が23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
コーディングどちらでもカテゴリスコア65 対 65;SWE-Bench Pro 59.1% 対 55.0%どちらでも
エージェント・ツール利用Muse Sparkカテゴリスコア65 対 63;MCP Atlas 82.2% 対 70.6%中
数学GPT-5.4カテゴリスコア65 対 59;OTIS Mock AIME 95.3% 対 88.9%中
推論Muse Sparkカテゴリスコア67 対 66;Humanity's Last Exam 40.6% 対 36.2%中
知識Muse Sparkカテゴリスコア63 対 59;TaxEval 77.7% 対 74.0%中
長い文書GPT-5.4カテゴリスコア66 対 64;AA-LCR v1.1 82.0% 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 78.4%中
指示への追従Muse Sparkカテゴリスコア77 対 72;IFBench 75.9% 対 74.0%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-5.4 (xhigh)とMuse Sparkの品質は互角です(63.1 対 64.2、±4.4の誤差範囲内)。
  • GPT-5.4 (xhigh)は長文コンテキスト、数学で優れています。
  • Muse Sparkはエージェント・ツール、コーディング、指示追従、知識、マルチモーダル、推論で優れています。

概要

仕様GPT-5.4Muse Spark
プロバイダーOpenAIMeta
リリース日2026年3月5日2026年4月8日
コンテキストウィンドウ(トークン)1,050,000262,144
比較した構成GPT-5.4 (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)$2.50 / $15.00 / $0.250–

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-5.4 (xhigh)Muse Sparkトップ
推論65.767.4Muse Spark
コーディング64.765.1互角
エージェント・ツール63.065.0Muse Spark
数学64.859.1GPT-5.4
知識58.663.1Muse Spark
指示追従72.476.9Muse 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65.763.6GPT-5.4

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GPT-5.4, 推論: 65.7GPT-5.4, コーディング: 64.7GPT-5.4, エージェント・ツール: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知識: 58.6GPT-5.4, 指示追従: 72.4GPT-5.4, 長文コンテキスト: 65.7GPT-5.4, マルチモーダル: 60.8Muse 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: 64.2

描画していないもの(測定済みのモデルが2つ未満):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33件のベンチマークのうち、GPT-5.4のリードが23件、Muse Sparkのリードが10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-5.4 (xhigh)Muse Sparkトップ
BenchLeader Index63.164.2互角
Arena Text1475†1489Muse 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-5.4 (xhigh)Muse Spark
100万トークンあたりのブレンド価格$5.63–
100万トークンあたりの入力/出力$2.50 / $15.00– / –
100万トークンあたりのキャッシュ入力$0.250–
タスクあたりの価格:チャットの返答$0.0055–
タスクあたりの価格:30ページのレポートを要約$0.039–
タスクあたりの価格:コード編集$0.037–
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$0.210–
タスクあたりの価格:構造化データの抽出$0.0080–
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)$0.109–
出力速度73 tok/s–
回答開始までの時間144.9秒–
回答が完了するまでの時間(最終測定2026年11月13日)193.1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-5.4 (xhigh)のスコアは63.1、最初の回答トークンまで145秒。GPT-5.4 (low)は58.8(3秒)、GPT-5.4 (high)は58.6(2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

122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-5.4 (xhigh)Muse Spark
BenchLeader IndexBenchLeader63.164.2
エージェント・ツールスコアBenchLeader63.065.0
コーディングスコアBenchLeader64.765.1
指示追従スコアBenchLeader72.476.9
知識スコアBenchLeader58.663.1
長文コンテキストスコアBenchLeader65.763.6
数学スコアBenchLeader64.859.1
マルチモーダルスコアBenchLeader60.864.2
推論スコアBenchLeader65.767.4
人間の評価スコアBenchLeader–68.1
ブレンド価格($/100万トークン)BenchLeader$5.63–
出力速度BenchLeader73 tok/s–
回答開始までの時間BenchLeader144.9秒–
コンテキストウィンドウBenchLeader1,050,000トークン262,144トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%89.8%
Humanity's Last ExamScale AI / CAIS36.2%40.6%
Arena Hard PromptsArena (LMArena)1487†1506
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%88.4%
Humanity's Last Exam (AA)Artificial Analysis43.7%40.7%
GPQA Diamond (Vals)Vals AI91.7%89.7%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%11.3%
Arena ExpertArena (LMArena)1491†1491
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%–
DTBenchEpoch AI Benchmarking Hub94.4%–
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%51.5%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1529
122件のベンチマークをすべて表示
指標公開元GPT-5.4 (xhigh)Muse Spark
コーディング
Arena WebDevArena (LMArena)1400†–
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
SWE-bench (Vals)Vals AI78.2%74.4%
SWE-Bench ProScale AI SEAL59.1%55.0%
Code MigrationVals AI35.0%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI67.4%19.7%
SWE-Bench Pro (private)Scale AI SEAL43.4%44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%31.1%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%62.2%
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†1253
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†–
LiveBench Agentic CodingLiveBench53.8%–
Terminal-Bench HardArtificial Analysis57.6%45.5%
τ²-Bench Telecom (AA)Artificial Analysis87.1%91.5%
MCP AtlasScale AI SEAL70.6%82.2%
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561006
τ³-Banking (AA)Artificial Analysis39.6%–
APEX-Agents (AA)Artificial Analysis33.3%–
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
SkillsBenchVals AI51.7%–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†59.5%
Arena SearchArena (LMArena)1196†–
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AA-Briefcase v1.1Artificial Analysis–646
Design Arena AgenticDesign Arena1042†–
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%88.9%
ProofBenchVals AI56.0%17.0%
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%96.9%
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1469
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 1.0 Data AnalysisLiveBench79.3%–
MMLU-ProVals AI87.5%87.3%
LegalBenchVals AI86.0%84.2%
CorpFinVals AI65.3%65.1%
TaxEvalVals AI74.0%77.7%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†52.4%
PRBench LegalScale AI SEAL44.4%†52.3%
MultiNRCScale AI SEAL58.3%†59.0%
CaseLaw v2Vals AI63.8%63.1%
MedCodeVals AI41.3%51.3%
MedScribeVals AI77.5%85.9%
EBR-benchEpoch AI Benchmarking Hub25.4%–
指示追従
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)1460†1465
人間の評価
Arena TextArena (LMArena)1465†1489
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1464
Arena Multi-turnArena (LMArena)1480†1493
Arena Longer QueriesArena (LMArena)1477†1476
マルチモーダル
Arena VisionArena (LMArena)1292†1306
MMMU-ProArtificial Analysis78.4%80.5%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%87.4%
MortgageTaxVals AI68.3%–
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
長文コンテキスト
AA-LCR v1.1Artificial Analysis82.0%78.0%
Arena DocumentArena (LMArena)1471†1467
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†153.1
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.031.3
AA Progress Index v1Artificial Analysis311.6289.1
Vals RSI IndexVals AI15.5%–
安全性・誠実さ
FORTRESSScale AI SEAL–20.2%
MASKScale AI SEAL89.7%†–

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

  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Muse Spark:新しい結果2件(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:スコアの改訂1件。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • GPT-5.4 (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)。
  • GPT-5.4 (xhigh):新しい結果2件(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。

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-5.4 vs Muse Spark:よくある質問

GPT-5.4はMuse Sparkより優れていますか?
GPT-5.4 (xhigh)とMuse Sparkの品質は互角です(63.1 対 64.2、±4.4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-5.4とMuse Sparkのどちらが向いていますか?
コーディングでは互角です(カテゴリ指標で65 対 65)。共通するコーディングベンチマークのうち最も重要なSWE-Bench Proでは、GPT-5.4が59.1%、Muse Sparkが55.0%です。
エージェントやツール利用にはGPT-5.4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 63。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-5.4が70.6%、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GPT-5.4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-5.4の方が長く、1,050,000トークンです(Muse Sparkは262,144トークン)。
GPT-5.4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33件のベンチマークのうち、GPT-5.4のリードが23件、Muse Sparkのリードが10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。