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 Wonder | Arenaの投票で70 対 66 | 中 |
| 最低コスト | Grok 4.20 | 100万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 4.20 | Muse Wonder |
|---|---|---|
| プロバイダー | SpaceXAI | Meta |
| 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) | 2,000,000 | 1,048,576 |
| 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 | 50.5 | 75.6 | Muse Wonder |
| 数学 | 53.7 | 70.1 | Muse Wonder |
| 知識 | 53.0 | 77.1 | Muse Wonder |
| 指示追従 | 78.7 | – | 比較不可 |
| 人間の評価 | 66.0 | 69.6 | Muse 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。
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。
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Index | Grok 4.20 (thinking) | Muse Wonder | トップ |
|---|---|---|---|
| BenchLeader Index | 58.3 | 64.4 | Muse Wonder |
| Arena Text | 1472 | 1511† | 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 | $0.149 |
| 出力速度 | 111 tok/s | 70 tok/s |
| 回答開始までの時間 | 12.1秒 | 3.3秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 43.8秒 | – |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。Grok 4.20 (thinking)のスコアは58.3、最初の回答トークンまで12秒。Muse Wonderのスコアは64.4、最初の回答トークンまで3秒。Muse Wonder (max)は60.8(20秒)、Muse Wonder (high)は56.2(13秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
159件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | Grok 4.20 (thinking) | Muse Wonder |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 58.3 | 64.4 |
| エージェント・ツールスコア | BenchLeader | 50.5 | 75.6 |
| コーディングスコア | BenchLeader | 53.3 | – |
| 人間の評価スコア | BenchLeader | 66.0 | 69.6 |
| 指示追従スコア | BenchLeader | 78.7 | – |
| 知識スコア | BenchLeader | 53.0 | 77.1 |
| 長文コンテキストスコア | BenchLeader | 58.9 | – |
| 数学スコア | BenchLeader | 53.7 | 70.1 |
| マルチモーダルスコア | BenchLeader | 58.3 | – |
| 推論スコア | BenchLeader | 60.5 | – |
| ブレンド価格($/100万トークン) | BenchLeader | $1.56 | $8.00 |
| 出力速度 | BenchLeader | 111 tok/s | 70 tok/s |
| 回答開始までの時間 | BenchLeader | 12.1秒 | 3.3秒 |
| コンテキストウィンドウ | BenchLeader | 2,000,000トークン | 1,048,576トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 89.3% | – |
| Arena Hard Prompts | Arena (LMArena) | 1489 | 1531† |
| LiveBench 2.0 Reasoning | LiveBench | – | 90.6%† |
| LiveBench 1.0 Reasoning | LiveBench | – | 90.6%† |
| GPQA Diamond (AA) | Artificial Analysis | 91.1% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 34.5% | 50.1%† |
| HLE-Diamond (AA) | Artificial Analysis | – | 39.0%† |
| GPQA Diamond (Vals) | Vals AI | 88.6% | – |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 75.0% | – |
| ARC-AGI-1 | ARC Prize | 89.5% | – |
| ARC-AGI-2 | ARC Prize | 65.1% | – |
| ARC-AGI-3 | ARC Prize | 0.1% | – |
| CritPt | Artificial Analysis | 6.6% | 28.3%† |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 50.5%† |
| MysteryMechanism | Vals AI | – | 27.5%† |
| HLE-Diamond (Scale) | Scale AI SEAL | – | 37.3% |
| Arena Expert | Arena (LMArena) | 1477 | 1525† |
| Chess Puzzles | Epoch AI Benchmarking Hub | 29.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 51.0%† |
| CL-bench | Epoch AI Benchmarking Hub | 22.2%† | – |
| CL-bench Life | Epoch AI Benchmarking Hub | 11.9%† | – |
| LMCA | Epoch AI Benchmarking Hub | 38.7%† | 56.8% |
| DTBench | Epoch AI Benchmarking Hub | 90.1%† | 95.2% |
| ForecastBench | ForecastBench | 64.1% | – |
| コーディング | |||
| SciCode | SciCode | – | 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 | |||
| WeirdML | WeirdML | 52.3%† | – |
| Arena Coding | Arena (LMArena) | 1511 | 1542† |
| Arena WebDev | Arena (LMArena) | 1376 | 1647† |
| LiveBench 2.0 Coding | LiveBench | – | 74.9%† |
| LiveBench 1.0 Coding | LiveBench | – | 80.7%† |
| LiveCodeBench | Vals AI | 84.3% | – |
| IOI | Vals AI | – | 66.9%† |
| SWE-bench (Vals) | Vals AI | 72.2% | – |
| Code Migration | Vals AI | 0.3% | 62.5%† |
| Code Migration v1.1 | Vals AI | – | 72.4%† |
| SWE-bench Multimodal | Vals AI | – | 45.6%† |
| Vibe Code Bench 1-100 | Vals AI | – | 26.6%† |
| Vibe Code Bench v1.1 | Vals AI | 4.1% | 83.1%† |
| SWE Atlas v1.1 | Scale AI SEAL | – | 64.8% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 73.4% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 61.1% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 60.0% |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 96.7%† |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 90.2%† |
| MirrorCode | Epoch AI Benchmarking Hub | – | 45.6%† |
| CursorBench | Cursor | – | 50.4%† |
| ALE-Bench | Epoch AI Benchmarking Hub | 1150.3† | – |
| WeirdML v3 | WeirdML | – | 15.2%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 52.0%† |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 64.8 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 54.9† |
| Design Arena Website | Design Arena | 1221 | 1378† |
| 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-Bench | Terminal-Bench | 57.3%† | 47.0%† |
| APEX-Agents | Mercor | – | 66.1%† |
| Arena Agent | Arena (LMArena) | – | 1.8† |
| LiveBench Long Agentic | LiveBench | – | 46.2%† |
| LiveBench Browser | LiveBench | – | 60.0%† |
| LiveBench Agentic Coding | LiveBench | – | 62.7%† |
| Terminal-Bench Hard | Artificial Analysis | 37.9% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 93.0% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 44.2% | – |
| HiL-Bench | Scale AI SEAL | 20.0%† | 79.7% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 63.5%† |
| GDPval-AA v2.1 | Artificial Analysis | – | 1770† |
| APEX-Agents (AA) | Artificial Analysis | 14.2% | – |
| CUA-bench | Vals AI | – | 7.2%† |
| CyberBench | Vals AI | – | 80.4%† |
| Finance Agent v2 | Vals AI | 28.5% | 56.6%† |
| Finance Agent v2.1 | Vals AI | – | 65.5%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 23.8%† |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 0.0% | 17.1%† |
| Legal Research Bench | Vals AI | 13.9% | 50.5%† |
| Tax Agent Bench | Vals AI | 7.0% | 36.3%† |
| Terminal-Bench 2.0 (Vals) | Vals AI | 40.5% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 49.5%† |
| Terminal-Bench Science | Vals AI | – | 22.9%† |
| Arena Agent Task Completion | Arena (LMArena) | – | 5.4† |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 24.2%† |
| Vending-Bench 2 | Andon Labs | 4662.9† | 9432.2 |
| AutomationBench | Artificial Analysis | – | 68.1%† |
| GDP.pdf (AA) | Artificial Analysis | – | 30.6%† |
| Harvey LAB-AA v1.1 | Harvey | – | 10.0%† |
| AA-Briefcase v1.1 | Artificial Analysis | – | 1659† |
| GDPx | GDPx by SemiAnalysis | – | 6.8%† |
| Design Arena Agentic | Design Arena | 1093 | 1177† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 25.7%† |
| MKA (AA) | Artificial Analysis | – | 47.5%† |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 44.9% | 82.1%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 17.1% | 70.7%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 92.2% | 99.4%† |
| ProofBench | Vals AI | 14.0% | 84.0% |
| LiveBench Mathematics | LiveBench | – | 96.5%† |
| AIME (Vals) | Vals AI | 96.5% | – |
| Arena Maths | Arena (LMArena) | 1464 | 1490† |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 30.2% | – |
| LiveBench 2.0 Data Analysis | LiveBench | – | 81.6%† |
| LiveBench Research | LiveBench | – | 93.0%† |
| LiveBench 1.0 Data Analysis | LiveBench | – | 81.6%† |
| AA-Omniscience v1.1 | Artificial Analysis | – | 25.1† |
| MMLU-Pro | Vals AI | 86.3% | – |
| LegalBench | Vals AI | 77.7% | – |
| CorpFin | Vals AI | 63.7% | – |
| TaxEval | Vals AI | 74.1% | – |
| MedQA | Vals AI | 94.5% | – |
| PRBench Finance | Scale AI SEAL | – | 58.7% |
| PRBench Legal | Scale AI SEAL | – | 58.4% |
| BioMysteryBench | Vals AI | – | 67.0%† |
| CaseLaw v2 | Vals AI | 54.5% | – |
| Excel Modeling Benchmark | Vals AI | 11.7% | 67.1%† |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 72.5%† |
| MedCode | Vals AI | 32.2% | – |
| MedScribe | Vals AI | 63.4% | – |
| Public Benefits Bench v1.1 | Vals AI | – | 70.2%† |
| Access to Justice Benchmark | Vals AI | – | 73.0%† |
| Financial Coaching Bench | Vals AI | – | 73.8%† |
| Immigration Bench | Vals AI | – | 69.6%† |
| EBR-bench | Epoch AI Benchmarking Hub | – | 31.4%† |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 30.8%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 38.0%† |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 79.1%† |
| Global-MMLU-Lite (AA) | Artificial Analysis | 89.5% | – |
| 指示追従 | |||
| LiveBench Language | LiveBench | – | 82.9%† |
| LiveBench Instruction Following | LiveBench | – | 73.0%† |
| IFBench | Artificial Analysis | 81.2% | – |
| Arena Instruction Following | Arena (LMArena) | 1448 | 1498† |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1472 | 1511† |
| EQ-Bench 4 | EQ-Bench | – | 1325 |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1574† | 2007 |
| Arena Creative Writing | Arena (LMArena) | 1445 | 1491† |
| Arena Multi-turn | Arena (LMArena) | 1479 | 1525† |
| Arena Longer Queries | Arena (LMArena) | 1466 | 1507† |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1263 | – |
| LiveBench Design | LiveBench | – | 70.9%† |
| MMMU-Pro | Artificial Analysis | 74.6% | 83.8%† |
| MMMU-Pro (Vals) | Vals AI | 83.5% | – |
| MortgageTax | Vals AI | 45.4% | – |
| Humanity's Sixth Sense | Scale AI SEAL | – | 43.7%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 0.0%† | 31.7% |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 54.2%† |
| VIALS-AA | Handshake AI | – | 55.3%† |
| Code2Video-AA | Artificial Analysis | – | 997† |
| 長文コンテキスト | |||
| AA-LCR v1.1 | Artificial Analysis | 69.0% | 80.7%† |
| Arena Document | Arena (LMArena) | 1440 | – |
| MLCR | Artificial Analysis | – | 22.2%† |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 152.3† | 161.7 |
| LiveBench 2.0 | LiveBench | – | 70.7%† |
| LiveBench 1.0 | LiveBench | – | 81.2%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 43.6† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 25.7 | 52.4† |
| AA Progress Index v1 | Artificial Analysis | 281.9 | 335.8† |
| Vals Index | Vals AI | – | 64.9† |
| Vals Finance Index | Vals AI | – | 61.2%† |
| Vals Science Index | Vals AI | – | 39.1%† |
| Vals Multimodal Index | Vals AI | 39.1% | – |
| Vals Router Index | Vals AI | – | 64.9% |
| Vals Legal Index | Vals AI | – | 75.3%† |
| 安全性・誠実さ | |||
| DistressBench | Scale 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)。
関連する比較
- Grok 4.20 vs Gemini 4 Carbon
- Grok 4.20 vs GPT-6 Astra
- Muse Wonder vs Claude Fable 5.2
- Muse Wonder vs Gemini 4 Carbon
- Muse Wonder vs Claude Opus 5.5
- Muse Wonder vs GPT-6 Astra
- Grok 4.20 vs GPT-6.1 Sol
- Grok 4.20 vs Gemini 4 Argon
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。