BenchLeader

Grok 4.20 vs Muse Wonder

詳しいプロフィール:Grok 4.20(SpaceXAI)とMuse Wonder(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、品質ではMuse WonderがGrok 4.20を上回ります(BenchLeader Indexで64.4 対 58.3)。ただし、価格はGrok 4.20の方が5.1倍安く、100万トークンあたりのブレンド価格で$1.56 対 $8.00です。両方を測定できるすべてのカテゴリでMuse Wonderがリードしています。Grok 4.20の方が出力が速いです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGrok 4.20が58.3、Muse Wonderが64.4です(BenchLeader、2026年11月16日)。
  • Grok 4.20の100万トークンあたりのブレンド価格は$1.56です(定価、2026年11月16日)。
  • Muse Wonderの100万トークンあたりのブレンド価格は$8.00です(定価、2026年11月16日)。
  • Grok 4.20はMuse Wonderより出力が速いです(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1件のベンチマークのうち、Muse Wonderが1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
エージェント・ツール利用Muse Wonderカテゴリスコア76 対 51高
数学Muse Wonderカテゴリスコア70 対 54;ProofBench 84.0% 対 14.0%高
知識Muse Wonderカテゴリスコア77 対 53高
チャットの質(人間の評価)Muse WonderArenaの投票で70 対 66中
最低コストGrok 4.20100万トークンあたりブレンド価格$1.56 対 $8.00;エージェント型コーディングセッション$0.085 対 $0.320–
回答開始の速さMuse Wonder最初の回答トークンまで3.3秒(Muse Wonder)対 12.1秒(Grok 4.20 (thinking))–
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 Wonderがリードしています:64.4 対 58.3。
  • Muse Wonderはエージェント・ツール、人間の評価、知識、数学で優れています。
  • Grok 4.20 (thinking)の方が5.1倍安くなっています(100万トークンあたりブレンド価格$1.56 対 $8.00)。
  • Grok 4.20 (thinking)の方が出力が1.6倍速くなっています(111 対 70トークン/秒)。

概要

仕様Grok 4.20Muse Wonder
プロバイダーSpaceXAIMeta
リリース日2026年2月17日2026年10月12日
コンテキストウィンドウ(トークン)2,000,0001,048,576
比較した構成Grok 4.20 (thinking)Muse Wonder
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 / $2.50 / $0.200$4.00 / $20.00 / $0.200

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Grok 4.20 (thinking)Muse Wonderトップ
推論60.5–比較不可
コーディング53.3–比較不可
エージェント・ツール50.575.6Muse Wonder
数学53.770.1Muse Wonder
知識53.077.1Muse Wonder
指示追従78.7–比較不可
人間の評価66.069.6Muse Wonder
マルチモーダル58.3–比較不可
長文コンテキスト58.9–比較不可

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エージェント・ツール数学知識人間の評価Grok 4.20, エージェント・ツール: 50.5Grok 4.20, 数学: 53.7Grok 4.20, 知識: 53.0Grok 4.20, 人間の評価: 66.0Muse Wonder, エージェント・ツール: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知識: 77.1Muse Wonder, 人間の評価: 69.6

描画していないもの(測定済みのモデルが2つ未満):推論, コーディング, 指示追従, 長文コンテキスト, マルチモーダル。

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1件のベンチマークのうち、Grok 4.20のリードが0件、Muse Wonderのリードが1件です。両方を評価しているすべての総合指標で、Muse Wonderが上回っています。

総合IndexGrok 4.20 (thinking)Muse Wonderトップ
BenchLeader Index58.364.4Muse Wonder
Arena Text14721511†Muse Wonder

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Grok 4.20 (thinking)Muse Wonder
100万トークンあたりのブレンド価格$1.56$8.00
100万トークンあたりの入力/出力$1.25 / $2.50$4.00 / $20.00
100万トークンあたりのキャッシュ入力$0.200$0.200
タスクあたりの価格:チャットの返答$0.0013$0.0076
タスクあたりの価格:30ページのレポートを要約$0.017$0.060
タスクあたりの価格:コード編集$0.011$0.054
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$0.085$0.320
タスクあたりの価格:構造化データの抽出$0.0030$0.012
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)$0.038$0.149
出力速度111 tok/s70 tok/s
回答開始までの時間12.1秒3.3秒
回答が完了するまでの時間(最終測定2026年11月13日)43.8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。Grok 4.20 (thinking)のスコアは58.3、最初の回答トークンまで12秒。Muse Wonderのスコアは64.4、最初の回答トークンまで3秒。Muse Wonder (max)は60.8(20秒)、Muse Wonder (high)は56.2(13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

159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Grok 4.20 (thinking)Muse Wonder
BenchLeader IndexBenchLeader58.364.4
エージェント・ツールスコアBenchLeader50.575.6
コーディングスコアBenchLeader53.3–
人間の評価スコアBenchLeader66.069.6
指示追従スコアBenchLeader78.7–
知識スコアBenchLeader53.077.1
長文コンテキストスコアBenchLeader58.9–
数学スコアBenchLeader53.770.1
マルチモーダルスコアBenchLeader58.3–
推論スコアBenchLeader60.5–
ブレンド価格($/100万トークン)BenchLeader$1.56$8.00
出力速度BenchLeader111 tok/s70 tok/s
回答開始までの時間BenchLeader12.1秒3.3秒
コンテキストウィンドウBenchLeader2,000,000トークン1,048,576トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub89.3%–
Arena Hard PromptsArena (LMArena)14891531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
GPQA Diamond (AA)Artificial Analysis91.1%–
Humanity's Last Exam (AA)Artificial Analysis34.5%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
GPQA Diamond (Vals)Vals AI88.6%–
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize65.1%–
ARC-AGI-3ARC Prize0.1%–
CritPtArtificial Analysis6.6%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)14771525†
Chess PuzzlesEpoch AI Benchmarking Hub29.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–51.0%†
CL-benchEpoch AI Benchmarking Hub22.2%†–
CL-bench LifeEpoch AI Benchmarking Hub11.9%†–
LMCAEpoch AI Benchmarking Hub38.7%†56.8%
DTBenchEpoch AI Benchmarking Hub90.1%†95.2%
ForecastBenchForecastBench64.1%–
コーディング
SciCodeSciCode–60.3%†
159件のベンチマークをすべて表示
指標公開元Grok 4.20 (thinking)Muse Wonder
コーディング
WeirdMLWeirdML52.3%†–
Arena CodingArena (LMArena)15111542†
Arena WebDevArena (LMArena)13761647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench–80.7%†
LiveCodeBenchVals AI84.3%–
IOIVals AI–66.9%†
SWE-bench (Vals)Vals AI72.2%–
Code MigrationVals AI0.3%62.5%†
Code Migration v1.1Vals AI–72.4%†
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI4.1%83.1%†
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub–45.6%†
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub1150.3†–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–52.0%†
GameBench 2 OverallDuelLab GameBench 2–64.8
GameBench 2 by reasoning settingDuelLab GameBench 2–54.9†
Design Arena WebsiteDesign Arena12211378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
エージェント・ツール
Terminal-BenchTerminal-Bench57.3%†47.0%†
APEX-AgentsMercor–66.1%†
Arena AgentArena (LMArena)–1.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench–62.7%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis93.0%–
Terminal-Bench 2.1 (Vals)Vals AI44.2%–
HiL-BenchScale AI SEAL20.0%†79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis–1770†
APEX-Agents (AA)Artificial Analysis14.2%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI28.5%56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%17.1%†
Legal Research BenchVals AI13.9%50.5%†
Tax Agent BenchVals AI7.0%36.3%†
Terminal-Bench 2.0 (Vals)Vals AI40.5%–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena Agent Task CompletionArena (LMArena)–5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs4662.9†9432.2
AutomationBenchArtificial Analysis–68.1%†
GDP.pdf (AA)Artificial Analysis–30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis–1659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena10931177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub44.9%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub92.2%99.4%†
ProofBenchVals AI14.0%84.0%
LiveBench MathematicsLiveBench–96.5%†
AIME (Vals)Vals AI96.5%–
Arena MathsArena (LMArena)14641490†
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub30.2%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench–81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
MMLU-ProVals AI86.3%–
LegalBenchVals AI77.7%–
CorpFinVals AI63.7%–
TaxEvalVals AI74.1%–
MedQAVals AI94.5%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI–67.0%†
CaseLaw v2Vals AI54.5%–
Excel Modeling BenchmarkVals AI11.7%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI32.2%–
MedScribeVals AI63.4%–
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指示追従
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–73.0%†
IFBenchArtificial Analysis81.2%–
Arena Instruction FollowingArena (LMArena)14481498†
人間の評価
Arena TextArena (LMArena)14721511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench1574†2007
Arena Creative WritingArena (LMArena)14451491†
Arena Multi-turnArena (LMArena)14791525†
Arena Longer QueriesArena (LMArena)14661507†
マルチモーダル
Arena VisionArena (LMArena)1263–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis74.6%83.8%†
MMMU-Pro (Vals)Vals AI83.5%–
MortgageTaxVals AI45.4%–
Humanity's Sixth SenseScale AI SEAL–43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub0.0%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub–54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
長文コンテキスト
AA-LCR v1.1Artificial Analysis69.0%80.7%†
Arena DocumentArena (LMArena)1440–
MLCRArtificial Analysis–22.2%†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub152.3†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench–81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis25.752.4†
AA Progress Index v1Artificial Analysis281.9335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals Science IndexVals AI–39.1%†
Vals Multimodal IndexVals AI39.1%–
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全性・誠実さ
DistressBenchScale AI SEAL–85.9%

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 Wonder:BenchLeader Index 63.0 → 64.4。
  • Grok 4.20 (thinking):スコアの改訂1件。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Muse Wonder:新しい結果1件(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:スコアの改訂5件。
  • Muse Wonder:スコアの改訂1件。
  • Muse Wonder:新しい結果1件(Startrise Frontend)。
  • Grok 4.20 (thinking):BenchLeader Index 58.9 → 58.4。
  • Grok 4.20 (thinking):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

Grok 4.20 vs Muse Wonder:よくある質問

Muse WonderはGrok 4.20より優れていますか?
品質ではMuse Wonderがリードしています:64.4 対 58.3。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 Wonder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。
Grok 4.20とMuse Wonder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Grok 4.20の方が安く、100万トークンあたり$1.56 対 $8.00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。
Grok 4.20とMuse Wonderはどちらが速いですか?
Grok 4.20の方が出力が速くなっています(出力111 対 70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Grok 4.20とMuse Wonder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 Wonderの方がスコアが高くなっています(カテゴリ指標で76 対 51。50が平均)。
長い文書にはどちらが向いていますか?
コンテキストはGrok 4.20の方が長く、2,000,000トークンです(Muse Wonderは1,048,576トークン)。
ほかの質問(3件)
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 Wonderです。Artificial Analysisの測定では、最初の回答トークンまで3.3秒 対 12.1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。
Grok 4.20とMuse Wonder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1件のベンチマークのうち、Grok 4.20のリードが0件、Muse Wonderのリードが1件です。両方を評価しているすべての総合指標で、Muse Wonderが上回っています。
Muse Wonderはいつリリースされましたか?
Muse Wonderは2026年10月12日にリリースされました。