BenchLeader

GPT-5.4 vs Muse Spark 1.2

詳しいプロフィール:GPT-5.4(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 · 12件の情報源のデータ

2026年11月16日時点で、GPT-5.4とMuse Spark 1.2の品質は互角です(BenchLeader Indexで63.1 対 61.5、±5.7の誤差範囲内)。価格はMuse Spark 1.2の方が2.8倍安く、100万トークンあたりのブレンド価格で$2.00 対 $5.63です。コーディング(65 対 55)、エージェント・ツール(63 対 55)、長文コンテキスト(66 対 64)を重視するならGPT-5.4、知識(65 対 59)、マルチモーダル(65 対 61)、推論(68 対 66)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 144.9秒です。Muse Spark 1.2は出力が3倍以上速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGPT-5.4が63.1、Muse Spark 1.2が61.5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)。
  • 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-5.4より出力が3倍以上速いです(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38件のベンチマークのうち、Muse Spark 1.2が20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-5.4カテゴリスコア65 対 55;WeirdML 77.7% 対 60.3%高
エージェント・ツール利用GPT-5.4カテゴリスコア63 対 55;τ³-Banking (AA) 39.6% 対 34.9%高
数学Muse Spark 1.2カテゴリスコア67 対 65;LiveBench Mathematics 91.2% 対 94.2%中
推論Muse Spark 1.2カテゴリスコア68 対 66;LiveBench 1.0 Reasoning 90.0% 対 88.1%中
知識Muse Spark 1.2カテゴリスコア65 対 59;SimpleQA Verified 60.3% 対 45.1%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 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;MMMU-Pro (Vals) 86.1% 対 87.5%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 $5.63;エージェント型コーディングセッション$0.092 対 $0.210–
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 144.9秒(GPT-5.4 (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-5.4 (xhigh)とMuse Spark 1.2 (xhigh)の品質は互角です(63.1 対 61.5、±5.7の誤差範囲内)。
  • GPT-5.4 (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)は知識、数学、マルチモーダル、推論で優れています。
  • Muse Spark 1.2 (xhigh)の方が2.8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 $5.63)。
  • Muse Spark 1.2 (xhigh)の方が出力が2.9倍速くなっています(208 対 73トークン/秒)。

概要

仕様GPT-5.4Muse Spark 1.2
プロバイダーOpenAIMeta
リリース日2026年3月5日2026年8月5日
コンテキストウィンドウ(トークン)1,050,0001,048,576
比較した構成GPT-5.4 (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)$2.50 / $15.00 / $0.250$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-5.4 (xhigh)Muse Spark 1.2 (xhigh)トップ
推論65.768.1Muse Spark 1.2
コーディング64.754.7GPT-5.4
エージェント・ツール63.055.4GPT-5.4
数学64.866.8Muse Spark 1.2
知識58.664.5Muse Spark 1.2
指示追従72.4–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65.764.1GPT-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, 長文コンテキスト: 65.7GPT-5.4, マルチモーダル: 60.8Muse Spark 1.2, 推論: 68.1Muse 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, 数学: 66.8Muse Spark 1.2, 知識: 64.5Muse 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):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38件のベンチマークのうち、GPT-5.4のリードが17件、Muse Spark 1.2のリードが20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 1.2が上回っています。

総合IndexGPT-5.4 (xhigh)Muse Spark 1.2 (xhigh)トップ
BenchLeader Index63.161.5互角
Arena Text1475†1493Muse Spark 1.2

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 1.2 (xhigh)
100万トークンあたりのブレンド価格$5.63$2.00
100万トークンあたりの入力/出力$2.50 / $15.00$1.25 / $4.25
100万トークンあたりのキャッシュ入力$0.250$0.150
タスクあたりの価格:チャットの返答$0.0055$0.0018
タスクあたりの価格:30ページのレポートを要約$0.039$0.018
タスクあたりの価格:コード編集$0.037$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$0.210$0.092
タスクあたりの価格:構造化データの抽出$0.0080$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)$0.109$0.043
出力速度73 tok/s208 tok/s
回答開始までの時間144.9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)193.1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-5.4 (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 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

147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 1.2 (xhigh)
BenchLeader IndexBenchLeader63.161.5
エージェント・ツールスコアBenchLeader63.055.4
コーディングスコアBenchLeader64.754.7
指示追従スコアBenchLeader72.4–
知識スコアBenchLeader58.664.5
長文コンテキストスコアBenchLeader65.764.1
数学スコアBenchLeader64.866.8
マルチモーダルスコアBenchLeader60.865.3
推論スコアBenchLeader65.768.1
人間の評価スコアBenchLeader–68.6
ブレンド価格($/100万トークン)BenchLeader$5.63$2.00
出力速度BenchLeader73 tok/s208 tok/s
回答開始までの時間BenchLeader144.9秒11.4秒
コンテキストウィンドウBenchLeader1,050,000トークン1,048,576トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub93.3%–
Humanity's Last ExamScale AI / CAIS36.2%–
SimpleBenchSimpleBench–74.5%†
Arena Hard PromptsArena (LMArena)1487†1514
LiveBench 1.0 ReasoningLiveBench88.1%90.0%
GPQA Diamond (AA)Artificial Analysis92.0%90.4%
Humanity's Last Exam (AA)Artificial Analysis43.7%45.5%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%17.7%
Arena ExpertArena (LMArena)1491†1503
Chess PuzzlesEpoch AI Benchmarking Hub48.0%27.0%
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%48.4%
DTBenchEpoch AI Benchmarking Hub94.4%94.7%
ForecastBenchForecastBench63.0%†–
コーディング
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%57.4%
WeirdMLWeirdML77.7%60.3%
GSO-BenchGSO-Bench31.4%–
147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 1.2 (xhigh)
コーディング
Arena CodingArena (LMArena)1511†1542
Arena WebDevArena (LMArena)1400†1534
LiveBench 1.0 CodingLiveBench77.5%77.5%
SciCode (AA)Artificial Analysis–57.4%
LiveCodeBenchVals AI84.1%–
IOIVals AI–21.8%
SWE-bench (Vals)Vals AI78.2%86.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%29.9%
ProgramBenchVals AI0.0%0.5%
Vibe Code Bench v1.1Vals AI67.4%79.1%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%54.9%
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
Terminal-Bench 4.0 (AA)Artificial Analysis–7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 253.4†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 262.156.9
Design Arena WebsiteDesign Arena1190†1309†
エージェント・ツール
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench53.8%57.6%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–69.7%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561478
τ³-Banking (AA)Artificial Analysis39.6%34.9%
APEX-Agents (AA)Artificial Analysis33.3%–
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–60.6%
Harvey's Legal Agent Benchmark v1Vals AI0.0%25.4%
Legal Research BenchVals AI–43.8%
SkillsBenchVals AI51.7%53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI–32.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–6.1%
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–-9.8
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–40.6%
GDP.pdf (AA)Artificial Analysis–17.4%
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis–1323
Design Arena AgenticDesign Arena1042†1185†
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%–
ProofBenchVals AI56.0%43.0%†
LiveBench MathematicsLiveBench94.2%91.2%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1486
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%60.3%
LiveBench 1.0 Data AnalysisLiveBench79.3%76.5%
MMLU-ProVals AI87.5%88.3%
LegalBenchVals AI86.0%85.3%
CorpFinVals AI65.3%70.9%
TaxEvalVals AI74.0%80.4%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–64.8%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI41.3%49.4%
MedScribeVals AI77.5%90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–16.0%
指示追従
LiveBench LanguageLiveBench82.6%78.6%
LiveBench Instruction FollowingLiveBench70.2%74.3%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1479
人間の評価
Arena TextArena (LMArena)1465†1493
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†1842†
Arena Creative WritingArena (LMArena)1433†1443
Arena Multi-turnArena (LMArena)1480†1510
Arena Longer QueriesArena (LMArena)1477†1491
マルチモーダル
Arena VisionArena (LMArena)1292†1305
MMMU-ProArtificial Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%86.1%
MortgageTaxVals AI68.3%65.4%
Humanity's Sixth SenseScale AI SEAL–24.5%
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%79.0%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–7.2%
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†155.0†
LiveBench 1.0LiveBench78.0%78.0%
AA Intelligence Index v4.3.2Artificial Analysis39.039.6
AA Progress Index v1Artificial Analysis311.6309.1
Vals RSI IndexVals AI15.5%–
Vals Multimodal IndexVals AI–69.8%†
安全性・誠実さ
MASKScale AI SEAL89.7%†–
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

  • GPT-5.4 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • Muse Spark 1.2 (xhigh):新しい結果1件(GDPval-AA v2.1)。
  • GPT-5.4 (xhigh):新しい結果1件(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):スコアの改訂1件。
  • Muse Spark 1.2 (xhigh):スコアの改訂1件。
  • 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-5.4 (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)。

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 1.2:よくある質問

GPT-5.4はMuse Spark 1.2より優れていますか?
GPT-5.4 (xhigh)とMuse Spark 1.2 (xhigh)の品質は互角です(63.1 対 61.5、±5.7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-5.4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 $5.63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-5.4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-5.4の方がスコアが高くなっています(カテゴリ指標で65 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SciCodeでは、GPT-5.4が56.6%、Muse Spark 1.2が57.4%です。
GPT-5.4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3倍以上速くなっています(出力208 対 73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-5.4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-5.4の方がスコアが高くなっています(カテゴリ指標で63 対 55。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τ³-Banking (AA)では、GPT-5.4が39.6%、Muse Spark 1.2が34.9%です。
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-5.4の方がスコアが高くなっています(66 対 64)。どちらも約1.1Mトークンです(GPT-5.4は1,050,000、Muse Spark 1.2は1,048,576)。
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 144.9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-5.4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38件のベンチマークのうち、GPT-5.4のリードが17件、Muse Spark 1.2のリードが20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 1.2が上回っています。
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。