BenchLeader

Grok 4 vs Muse Spark

詳しいプロフィール:Grok 4(SpaceXAI)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 · 10件の情報源のデータ

2026年11月16日時点で、品質ではMuse SparkがGrok 4を上回ります(BenchLeader Indexで64.2 対 58.1)。長文コンテキスト(68 対 64)を重視するならGrok 4、指示追従(77 対 63)、マルチモーダル(64 対 52)、人間の評価(68 対 59)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Grok 4が58.1、Muse Sparkが64.2です(BenchLeader、2026年11月16日)。
  • Grok 4の100万トークンあたりのブレンド価格は$6.00です(定価、2026年11月16日)。
  • 両モデルに結果がある34件のベンチマークのうち、Muse Sparkが32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Muse Sparkカテゴリスコア65 対 56;Arena Coding 1529 対 1435高
エージェント・ツール利用Muse Sparkカテゴリスコア65 対 59;Terminal-Bench Hard 45.5% 対 37.9%中
数学どちらでもカテゴリスコア58 対 59;Arena Maths 1425 対 1469どちらでも
推論Muse Sparkカテゴリスコア67 対 60;GPQA Diamond 89.8% 対 87.0%中
知識Muse Sparkカテゴリスコア63 対 56;MMLU-Pro 87.3% 対 85.3%中
長い文書Grok 4カテゴリスコア68 対 64;AA-LCR v1.1 68.0% 対 78.0%中
画像などのメディアMuse Sparkカテゴリスコア64 対 52;Arena Vision 1306 対 1210高
指示への追従Muse Sparkカテゴリスコア77 対 63;IFBench 75.9% 対 53.7%高
チャットの質(人間の評価)Muse SparkArenaの投票で68 対 59高
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 Sparkがリードしています:64.2 対 58.1。
  • Grok 4は長文コンテキストで優れています。
  • Muse Sparkはエージェント・ツール、コーディング、人間の評価、指示追従、知識、数学、マルチモーダル、推論で優れています。

概要

仕様Grok 4Muse Spark
プロバイダーSpaceXAIMeta
リリース日2025年7月9日2026年4月8日
コンテキストウィンドウ(トークン)256,000262,144
比較した構成Grok 4Muse 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)$3.00 / $15.00 / ––

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 4Muse Sparkトップ
推論60.067.4Muse Spark
コーディング55.965.1Muse Spark
エージェント・ツール58.665.0Muse Spark
数学58.359.1互角
知識56.063.1Muse Spark
指示追従62.576.9Muse Spark
人間の評価58.568.1Muse Spark
マルチモーダル52.064.2Muse Spark
長文コンテキスト68.363.6Grok 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人間の評価Grok 4, 推論: 60.0Grok 4, コーディング: 55.9Grok 4, エージェント・ツール: 58.6Grok 4, 数学: 58.3Grok 4, 知識: 56.0Grok 4, 指示追従: 62.5Grok 4, 長文コンテキスト: 68.3Grok 4, マルチモーダル: 52.0Grok 4, 人間の評価: 58.5Muse 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: 64.2Muse Spark, 人間の評価: 68.1

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34件のベンチマークのうち、Grok 4のリードが2件、Muse Sparkのリードが32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IndexGrok 4Muse Sparkトップ
BenchLeader Index58.164.2Muse Spark
Arena Text14111489Muse 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Grok 4Muse Spark
100万トークンあたりのブレンド価格$6.00–
100万トークンあたりの入力/出力$3.00 / $15.00– / –
タスクあたりの価格:チャットの返答$0.0057–
タスクあたりの価格:30ページのレポートを要約$0.045–
タスクあたりの価格:コード編集$0.041–
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$0.240–
タスクあたりの価格:構造化データの抽出$0.0090–
出力速度69 tok/s–
回答開始までの時間17.5秒–
回答が完了するまでの時間(最終測定2026年11月13日)42.8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のスコアは58.1、最初の回答トークンまで18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

90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 4Muse Spark
BenchLeader IndexBenchLeader58.164.2
エージェント・ツールスコアBenchLeader58.665.0
コーディングスコアBenchLeader55.965.1
人間の評価スコアBenchLeader58.568.1
指示追従スコアBenchLeader62.576.9
知識スコアBenchLeader56.063.1
長文コンテキストスコアBenchLeader68.363.6
数学スコアBenchLeader58.359.1
マルチモーダルスコアBenchLeader52.064.2
推論スコアBenchLeader60.067.4
ブレンド価格($/100万トークン)BenchLeader$6.00–
出力速度BenchLeader69 tok/s–
回答開始までの時間BenchLeader17.5秒–
コンテキストウィンドウBenchLeader256,000トークン262,144トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub87.0%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench60.5%–
Arena Hard PromptsArena (LMArena)14211506
GPQA Diamond (AA)Artificial Analysis87.7%88.4%
Humanity's Last Exam (AA)Artificial Analysis26.7%40.7%
GPQA Diamond (Vals)Vals AI88.1%89.7%
Kagi LLM BenchmarkKagi LLM Benchmark73.6%–
GPQA Diamond (HELM)HELM Capabilities72.6%–
ARC-AGI-1ARC Prize66.7%†–
ARC-AGI-2ARC Prize16.0%†–
CritPtArtificial Analysis2.0%11.3%
Arena ExpertArena (LMArena)14291491
ForecastBenchForecastBench64.7%–
コーディング
SciCodeSciCode–51.5%
WeirdMLWeirdML45.7%–
Arena CodingArena (LMArena)14351529
LiveCodeBenchVals AI83.3%–
SWE-bench (Vals)Vals AI57.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Aider PolyglotAider polyglot leaderboard79.6%†–
Vibe Code Bench v1.1Vals AI–19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
90件のベンチマークをすべて表示
指標公開元Grok 4Muse Spark
コーディング
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Design Arena WebsiteDesign Arena10061253
LiveCodeBench (AA)Artificial Analysis81.9%–
エージェント・ツール
Terminal-BenchTerminal-Bench27.2%–
GDPvalOpenAI21.1%†–
CybenchCybench43.0%–
Terminal-Bench HardArtificial Analysis37.9%45.5%
τ²-Bench Telecom (AA)Artificial Analysis74.8%91.5%
MCP AtlasScale AI SEAL–82.2%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
GDPval-AA v2.1Artificial Analysis–1006
Terminal-Bench 2.0 (Vals)Vals AI28.1%59.5%
Arena SearchArena (LMArena)1123–
BALROGBALROG43.6%–
DeepResearch BenchDeepResearch Bench47.3%–
METR Time HorizonsMETR66.6%–
AA-Briefcase v1.1Artificial Analysis–646
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub84.0%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI90.6%96.9%
MGSMVals AI90.9%–
IMO 2025MathArena21.4%–
MathArena ApexMathArena2.1%–
Omni-MATH (HELM)HELM Capabilities60.3%–
MATH 500Vals AI96.2%–
Arena MathsArena (LMArena)14251469
AIME 2025 (AA)Artificial Analysis92.7%–
知識
MMLU-ProVals AI85.3%87.3%
LegalBenchVals AI83.2%84.2%
CorpFinVals AI66.0%65.1%
TaxEvalVals AI65.1%77.7%
MedQAVals AI92.5%–
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
MMLU-Pro (HELM)HELM Capabilities85.1%–
CaseLaw v2Vals AI65.8%63.1%
MedCodeVals AI38.1%51.3%
MedScribeVals AI78.2%85.9%
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指示追従
IFBenchArtificial Analysis53.7%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
IFEval (HELM)HELM Capabilities94.9%–
WildBench (HELM)HELM Capabilities79.7%–
Arena Instruction FollowingArena (LMArena)13961465
人間の評価
Arena TextArena (LMArena)14111489
Arena Creative WritingArena (LMArena)13941464
Arena Multi-turnArena (LMArena)14131493
Arena Longer QueriesArena (LMArena)14161476
Lech Mazur Creative WritingLech Mazur76.9%–
マルチモーダル
Arena VisionArena (LMArena)12101306
MMMU-ProArtificial Analysis68.8%80.5%
MMMU-Pro (Vals)Vals AI76.3%87.4%
MortgageTaxVals AI44.5%–
GeoBenchGeoBench45.0%–
長文コンテキスト
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis68.0%78.0%
Arena DocumentArena (LMArena)–1467
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.9153.1
AA Intelligence Index v4.3.2Artificial Analysis22.531.3
AA Progress Index v1Artificial Analysis262.3289.1
HELM Capabilities meanHELM Capabilities78.5%–
安全性・誠実さ
FORTRESSScale AI SEAL–20.2%
メタデータ
AA Openness IndexArtificial Analysis5.6–

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。

最近の変化

  • Grok 4:新しい結果1件(AIME 2025 (AA))。
  • Muse Spark:新しい結果2件(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Grok 4:新しい結果1件(Arena Search)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Grok 4:スコアの改訂1件。
  • Muse Spark:スコアの改訂1件。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • Grok 4:新しい結果1件(AA Progress Index v1)。
  • Muse Spark:新しい結果1件(AA Progress Index v1)。
  • Grok 4:新しい結果1件(Global-MMLU-Lite (AA))。

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 vs Muse Spark:よくある質問

Muse SparkはGrok 4より優れていますか?
品質ではMuse Sparkがリードしています:64.2 対 58.1。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 Spark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。
コーディングにはGrok 4とMuse Sparkのどちらが向いていますか?
コーディングでは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 56。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Arena Codingでは、Grok 4が1435、Muse Sparkが1529です。
エージェントやツール利用にはGrok 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 59。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Terminal-Bench Hardでは、Grok 4が37.9%、Muse Sparkが45.5%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Grok 4の方がスコアが高くなっています(68 対 64)。どちらも約262kトークンです(Grok 4は256,000、Muse Sparkは262,144)。
Grok 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34件のベンチマークのうち、Grok 4のリードが2件、Muse Sparkのリードが32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。