BenchLeader

Grok 4 vs Muse Spark 1.1

詳しいプロフィール:Grok 4(SpaceXAI)とMuse Spark 1.1(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、Grok 4とMuse Spark 1.1の品質は互角です(BenchLeader Indexで58.1 対 62.2、±6.4の誤差範囲内)。価格はMuse Spark 1.1の方が3.0倍安く、100万トークンあたりのブレンド価格で$2.00 対 $6.00です。エージェント・ツール(59 対 51)を重視するならGrok 4、知識(69 対 56)、マルチモーダル(64 対 52)、コーディング(66 対 56)を重視するならMuse Spark 1.1が向いています。回答開始までの時間はMuse Spark 1.1の方が短く、1.8秒 対 17.5秒です。Muse Spark 1.1は出力が約2倍速い点も強みです。

要点(2026年11月16日時点)

  • BenchLeader IndexはGrok 4が58.1、Muse Spark 1.1が62.2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)。
  • Muse Spark 1.1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 1.1はGrok 4より出力が約2倍速いです(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11件のベンチマークのうち、Muse Spark 1.1が11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 1.1カテゴリスコア66 対 56;Arena Coding 1533 対 1435高
エージェント・ツール利用Grok 4カテゴリスコア59 対 51高
数学Muse Spark 1.1カテゴリスコア61 対 58;Arena Maths 1493 対 1425中
推論Muse Spark 1.1カテゴリスコア68 対 60;Arena Hard Prompts 1511 対 1421高
知識Muse Spark 1.1カテゴリスコア69 対 56高
画像などのメディアMuse Spark 1.1カテゴリスコア64 対 52;Arena Vision 1292 対 1210高
指示への追従Muse Spark 1.1カテゴリスコア70 対 63;Arena Instruction Following 1473 対 1396高
チャットの質(人間の評価)Muse Spark 1.1Arenaの投票で65 対 59中
最低コストMuse Spark 1.1100万トークンあたりブレンド価格$2.00 対 $6.00;エージェント型コーディングセッション$0.092 対 $0.240–
回答開始の速さMuse Spark 1.1最初の回答トークンまで1.8秒(Muse Spark 1.1)対 17.5秒(Grok 4)–
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

  • Grok 4とMuse Spark 1.1の品質は互角です(58.1 対 62.2、±6.4の誤差範囲内)。
  • Grok 4はエージェント・ツールで優れています。
  • Muse Spark 1.1はコーディング、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。
  • Muse Spark 1.1の方が3.0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 $6.00)。
  • Muse Spark 1.1の方が出力が2.8倍速くなっています(193 対 69トークン/秒)。

概要

仕様Grok 4Muse Spark 1.1
プロバイダーSpaceXAIMeta
リリース日2025年7月9日2026年7月9日
コンテキストウィンドウ(トークン)256,0001,048,576
比較した構成Grok 4Muse Spark 1.1
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 / –$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Grok 4Muse Spark 1.1トップ
推論60.067.8Muse Spark 1.1
コーディング55.965.8Muse Spark 1.1
エージェント・ツール58.650.9Grok 4
数学58.361.3Muse Spark 1.1
知識56.069.2Muse Spark 1.1
指示追従62.570.4Muse Spark 1.1
人間の評価58.564.5Muse Spark 1.1
マルチモーダル52.063.6Muse Spark 1.1
長文コンテキスト68.3–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, マルチモーダル: 52.0Grok 4, 人間の評価: 58.5Muse Spark 1.1, 推論: 67.8Muse Spark 1.1, コーディング: 65.8Muse Spark 1.1, エージェント・ツール: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知識: 69.2Muse Spark 1.1, 指示追従: 70.4Muse Spark 1.1, マルチモーダル: 63.6Muse Spark 1.1, 人間の評価: 64.5

描画していないもの(測定済みのモデルが2つ未満):長文コンテキスト。

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11件のベンチマークのうち、Grok 4のリードが0件、Muse Spark 1.1のリードが11件です。両方を評価しているすべての総合指標で、Muse Spark 1.1が上回っています。

総合IndexGrok 4Muse Spark 1.1トップ
BenchLeader Index58.162.2互角
Arena Text14111491Muse Spark 1.1

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 1.1
100万トークンあたりのブレンド価格$6.00$2.00
100万トークンあたりの入力/出力$3.00 / $15.00$1.25 / $4.25
100万トークンあたりのキャッシュ入力–$0.150
タスクあたりの価格:チャットの返答$0.0057$0.0018
タスクあたりの価格:30ページのレポートを要約$0.045$0.018
タスクあたりの価格:コード編集$0.041$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$0.240$0.092
タスクあたりの価格:構造化データの抽出$0.0090$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)–$0.043
出力速度69 tok/s193 tok/s
回答開始までの時間17.5秒1.8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 1.1のスコアは62.2、最初の回答トークンまで2秒。Muse Spark 1.1 (xhigh)は59.5(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

130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 1.1
BenchLeader IndexBenchLeader58.162.2
エージェント・ツールスコアBenchLeader58.650.9
コーディングスコアBenchLeader55.965.8
人間の評価スコアBenchLeader58.564.5
指示追従スコアBenchLeader62.570.4
知識スコアBenchLeader56.069.2
長文コンテキストスコアBenchLeader68.3–
数学スコアBenchLeader58.361.3
マルチモーダルスコアBenchLeader52.063.6
推論スコアBenchLeader60.067.8
ブレンド価格($/100万トークン)BenchLeader$6.00$2.00
出力速度BenchLeader69 tok/s193 tok/s
回答開始までの時間BenchLeader17.5秒1.8秒
コンテキストウィンドウBenchLeader256,000トークン1,048,576トークン
推論
GPQA DiamondEpoch AI Benchmarking Hub87.0%–
SimpleBenchSimpleBench60.5%–
Arena Hard PromptsArena (LMArena)14211511
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis87.7%89.8%†
Humanity's Last Exam (AA)Artificial Analysis26.7%46.2%†
GPQA Diamond (Vals)Vals AI88.1%91.2%†
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%15.1%†
Arena ExpertArena (LMArena)14291504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
ForecastBenchForecastBench64.7%–
コーディング
SciCodeSciCode–58.8%
WeirdMLWeirdML45.7%–
Arena CodingArena (LMArena)14351533
Arena WebDevArena (LMArena)–1542
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI83.3%85.9%†
SWE-bench (Vals)Vals AI57.8%82.0%†
SWE-Bench ProScale AI SEAL–61.5%
130件のベンチマークをすべて表示
指標公開元Grok 4Muse Spark 1.1
コーディング
Aider PolyglotAider polyglot leaderboard79.6%†–
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI–72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–42.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL–41.5%†
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
Terminal-Bench 4.0 (AA)Artificial Analysis–6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
Design Arena WebsiteDesign Arena10061263
LiveCodeBench (AA)Artificial Analysis81.9%–
エージェント・ツール
Terminal-BenchTerminal-Bench27.2%–
GDPvalOpenAI21.1%†–
CybenchCybench43.0%–
APEX-AgentsMercor–31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis74.8%–
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis–1216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI–38.0%†
SkillsBenchVals AI–59.2%†
Terminal-Bench 2.0 (Vals)Vals AI28.1%–
Time Horizon Index: KSPVals AI–1.7%†
Arena SearchArena (LMArena)1123–
Arena Agent Task CompletionArena (LMArena)–-6.5
BALROGBALROG43.6%–
DeepResearch BenchDeepResearch Bench47.3%–
METR Time HorizonsMETR66.6%–
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs–6520.5
AutomationBenchArtificial Analysis–38.9%†
GDP.pdf (AA)Artificial Analysis–14.4%†
AA-Briefcase v1.1Artificial Analysis–851†
Design Arena AgenticDesign Arena–1172
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub84.0%–
ProofBenchVals AI–39.0%
LiveBench MathematicsLiveBench–87.1%†
AIME (Vals)Vals AI90.6%–
MGSMVals AI90.9%–
IMO 2025MathArena21.4%–
MathArena ApexMathArena2.1%–
Omni-MATH (HELM)HELM Capabilities60.3%–
MATH 500Vals AI96.2%–
Arena MathsArena (LMArena)14251493
AIME 2025 (AA)Artificial Analysis92.7%–
知識
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.8%
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
MMLU-ProVals AI85.3%88.7%†
LegalBenchVals AI83.2%85.0%†
CorpFinVals AI66.0%71.3%†
TaxEvalVals AI65.1%79.7%†
MedQAVals AI92.5%–
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL–57.0%
MultiNRCScale AI SEAL–65.6%
MMLU-Pro (HELM)HELM Capabilities85.1%–
CaseLaw v2Vals AI65.8%–
Excel Modeling BenchmarkVals AI–56.4%†
MedCodeVals AI38.1%–
MedScribeVals AI78.2%88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
GDP.pdfEpoch AI Benchmarking Hub–15.0%
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指示追従
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
IFBenchArtificial Analysis53.7%–
MultiChallengeScale AI SEAL–75.3%
IFEval (HELM)HELM Capabilities94.9%–
WildBench (HELM)HELM Capabilities79.7%–
Arena Instruction FollowingArena (LMArena)13961473
人間の評価
Arena TextArena (LMArena)14111491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)13941443
Arena Multi-turnArena (LMArena)14131497
Arena Longer QueriesArena (LMArena)14161481
Lech Mazur Creative WritingLech Mazur76.9%–
マルチモーダル
Arena VisionArena (LMArena)12101292
MMMU-ProArtificial Analysis68.8%–
MMMU-Pro (Vals)Vals AI76.3%86.6%†
MortgageTaxVals AI44.5%66.1%†
VTBScale AI SEAL–44.8%
GeoBenchGeoBench45.0%–
長文コンテキスト
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis68.0%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis–7.2%†
総合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.9154.9
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v4.3.2Artificial Analysis22.533.7†
AA Progress Index v1Artificial Analysis262.3302.7†
HELM Capabilities meanHELM Capabilities78.5%–
Vals Multimodal IndexVals AI–66.7%†
安全性・誠実さ
FORTRESSScale AI SEAL–12.4%
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))。
  • Grok 4:新しい結果1件(Arena Search)。
  • Grok 4:スコアの改訂1件。
  • Muse Spark 1.1:スコアの改訂1件。
  • Muse Spark 1.1:スコアの改訂2件。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • Grok 4:新しい結果1件(AA Progress Index v1)。
  • Grok 4:新しい結果1件(Global-MMLU-Lite (AA))。
  • Muse Spark 1.1:スコアの改訂1件。
  • Muse Spark 1.1:BenchLeader Index 63.1 → 62.5。

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 1.1:よくある質問

Grok 4はMuse Spark 1.1より優れていますか?
Grok 4とMuse Spark 1.1の品質は互角です(58.1 対 62.2、±6.4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。
Grok 4とMuse Spark 1.1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 1.1の方が安く、100万トークンあたり$2.00 対 $6.00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。
コーディングにはGrok 4とMuse Spark 1.1のどちらが向いていますか?
コーディングではMuse Spark 1.1の方がスコアが高くなっています(カテゴリ指標で66 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 1.1が1533です。
Grok 4とMuse Spark 1.1はどちらが速いですか?
Muse Spark 1.1の方が出力が約2倍速くなっています(出力193 対 69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とMuse Spark 1.1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Grok 4の方がスコアが高くなっています(カテゴリ指標で59 対 51。50が平均)。
ほかの質問(4件)
長い文書にはどちらが向いていますか?
コンテキストはMuse Spark 1.1の方が長く、1,048,576トークンです(Grok 4は256,000トークン)。
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 1.1です。Artificial Analysisの測定では、最初の回答トークンまで1.8秒 対 17.5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とMuse Spark 1.1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11件のベンチマークのうち、Grok 4のリードが0件、Muse Spark 1.1のリードが11件です。両方を評価しているすべての総合指標で、Muse Spark 1.1が上回っています。
Muse Spark 1.1はいつリリースされましたか?
Muse Spark 1.1は2026年7月9日にリリースされました。