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 1.1 | Arenaの投票で65 対 59 | 中 |
| 最低コスト | Muse Spark 1.1 | 100万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 4 | Muse Spark 1.1 |
|---|---|---|
| プロバイダー | SpaceXAI | Meta |
| 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) | 256,000 | 1,048,576 |
| 比較した構成 | Grok 4 | Muse 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 4 | Muse Spark 1.1 | トップ |
|---|---|---|---|
| 推論 | 60.0 | 67.8 | Muse Spark 1.1 |
| コーディング | 55.9 | 65.8 | Muse Spark 1.1 |
| エージェント・ツール | 58.6 | 50.9 | Grok 4 |
| 数学 | 58.3 | 61.3 | Muse Spark 1.1 |
| 知識 | 56.0 | 69.2 | Muse Spark 1.1 |
| 指示追従 | 62.5 | 70.4 | Muse Spark 1.1 |
| 人間の評価 | 58.5 | 64.5 | Muse Spark 1.1 |
| マルチモーダル | 52.0 | 63.6 | Muse 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。
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。
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Index | Grok 4 | Muse Spark 1.1 | トップ |
|---|---|---|---|
| BenchLeader Index | 58.1 | 62.2 | 互角 |
| Arena Text | 1411 | 1491 | Muse 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 4 | Muse 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) | – | $0.043 |
| 出力速度 | 69 tok/s | 193 tok/s |
| 回答開始までの時間 | 17.5秒 | 1.8秒 |
| 回答が完了するまでの時間(最終測定2026年11月13日) | 42.8秒 | – |
各モデルは、ランキングで最も高い推論エフォートの設定で比較しています。Grok 4のスコアは58.1、最初の回答トークンまで18秒。Muse Spark 1.1のスコアは62.2、最初の回答トークンまで2秒。Muse Spark 1.1 (xhigh)は59.5(13秒)。推論エフォートを上げるほど回答前の思考が長くなり、スコアは上がる一方で待ち時間と課金トークンも増えます。 推論エフォートでスコアとコストはどう変わるか
全ベンチマーク
130件のベンチマークをカテゴリ別に並べています。名前をクリックすると、そのボードと上位モデルを表示します。†は同じモデルの別のエフォート設定での測定値で、参考として表示しており、勝ち数には含めていません。
| 指標 | 公開元 | Grok 4 | Muse Spark 1.1 |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 58.1 | 62.2 |
| エージェント・ツールスコア | BenchLeader | 58.6 | 50.9 |
| コーディングスコア | BenchLeader | 55.9 | 65.8 |
| 人間の評価スコア | BenchLeader | 58.5 | 64.5 |
| 指示追従スコア | BenchLeader | 62.5 | 70.4 |
| 知識スコア | BenchLeader | 56.0 | 69.2 |
| 長文コンテキストスコア | BenchLeader | 68.3 | – |
| 数学スコア | BenchLeader | 58.3 | 61.3 |
| マルチモーダルスコア | BenchLeader | 52.0 | 63.6 |
| 推論スコア | BenchLeader | 60.0 | 67.8 |
| ブレンド価格($/100万トークン) | BenchLeader | $6.00 | $2.00 |
| 出力速度 | BenchLeader | 69 tok/s | 193 tok/s |
| 回答開始までの時間 | BenchLeader | 17.5秒 | 1.8秒 |
| コンテキストウィンドウ | BenchLeader | 256,000トークン | 1,048,576トークン |
| 推論 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 87.0% | – |
| SimpleBench | SimpleBench | 60.5% | – |
| Arena Hard Prompts | Arena (LMArena) | 1421 | 1511 |
| LiveBench 1.0 Reasoning | LiveBench | – | 87.7%† |
| GPQA Diamond (AA) | Artificial Analysis | 87.7% | 89.8%† |
| Humanity's Last Exam (AA) | Artificial Analysis | 26.7% | 46.2%† |
| GPQA Diamond (Vals) | Vals AI | 88.1% | 91.2%† |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 73.6% | – |
| GPQA Diamond (HELM) | HELM Capabilities | 72.6% | – |
| ARC-AGI-1 | ARC Prize | 66.7%† | – |
| ARC-AGI-2 | ARC Prize | 16.0%† | – |
| CritPt | Artificial Analysis | 2.0% | 15.1%† |
| Arena Expert | Arena (LMArena) | 1429 | 1504 |
| Chess Puzzles | Epoch AI Benchmarking Hub | – | 34.0%† |
| LMCA | Epoch AI Benchmarking Hub | – | 49.9%† |
| DTBench | Epoch AI Benchmarking Hub | – | 94.4%† |
| ForecastBench | ForecastBench | 64.7% | – |
| コーディング | |||
| SciCode | SciCode | – | 58.8% |
| WeirdML | WeirdML | 45.7% | – |
| Arena Coding | Arena (LMArena) | 1435 | 1533 |
| Arena WebDev | Arena (LMArena) | – | 1542 |
| LiveBench 1.0 Coding | LiveBench | – | 77.2%† |
| LiveCodeBench | Vals AI | 83.3% | 85.9%† |
| SWE-bench (Vals) | Vals AI | 57.8% | 82.0%† |
| SWE-Bench Pro | Scale 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 4 | Muse Spark 1.1 |
|---|---|---|---|
| コーディング | |||
| Aider Polyglot | Aider polyglot leaderboard | 79.6%† | – |
| Code Migration | Vals AI | – | 31.1%† |
| ProgramBench | Vals AI | – | 0.0%† |
| Vibe Code Bench v1.1 | Vals AI | – | 72.2%† |
| SWE-Bench Pro (private) | Scale AI SEAL | – | 51.5% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 42.2%† |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 41.5%† |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | – | 52.5%† |
| DeepSWE v1.1 | Epoch 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 Website | Design Arena | 1006 | 1263 |
| LiveCodeBench (AA) | Artificial Analysis | 81.9% | – |
| エージェント・ツール | |||
| Terminal-Bench | Terminal-Bench | 27.2% | – |
| GDPval | OpenAI | 21.1%† | – |
| Cybench | Cybench | 43.0% | – |
| APEX-Agents | Mercor | – | 31.8% |
| Arena Agent | Arena (LMArena) | – | -8 |
| LiveBench Agentic Coding | LiveBench | – | 58.5%† |
| Terminal-Bench Hard | Artificial Analysis | 37.9% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 74.8% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 69.3%† |
| MCP Atlas | Scale AI SEAL | – | 88.1% |
| BFCL Overall | Berkeley Function Calling Leaderboard | 63.0% | – |
| τ³-bench Banking | τ²-bench | – | 40.5%† |
| GDPval-AA v2.1 | Artificial Analysis | – | 1216† |
| τ³-Banking (AA) | Artificial Analysis | – | 31.8%† |
| Finance Agent v2 | Vals AI | – | 57.2%† |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 20.0%† |
| Legal Research Bench | Vals AI | – | 38.0%† |
| SkillsBench | Vals AI | – | 59.2%† |
| Terminal-Bench 2.0 (Vals) | Vals AI | 28.1% | – |
| Time Horizon Index: KSP | Vals AI | – | 1.7%† |
| Arena Search | Arena (LMArena) | 1123 | – |
| Arena Agent Task Completion | Arena (LMArena) | – | -6.5 |
| BALROG | BALROG | 43.6% | – |
| DeepResearch Bench | DeepResearch Bench | 47.3% | – |
| METR Time Horizons | METR | 66.6% | – |
| GBAEval | Epoch AI Benchmarking Hub | – | 7.9% |
| Vending-Bench 2 | Andon Labs | – | 6520.5 |
| AutomationBench | Artificial Analysis | – | 38.9%† |
| GDP.pdf (AA) | Artificial Analysis | – | 14.4%† |
| AA-Briefcase v1.1 | Artificial Analysis | – | 851† |
| Design Arena Agentic | Design Arena | – | 1172 |
| 数学 | |||
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 84.0% | – |
| ProofBench | Vals AI | – | 39.0% |
| LiveBench Mathematics | LiveBench | – | 87.1%† |
| AIME (Vals) | Vals AI | 90.6% | – |
| MGSM | Vals AI | 90.9% | – |
| IMO 2025 | MathArena | 21.4% | – |
| MathArena Apex | MathArena | 2.1% | – |
| Omni-MATH (HELM) | HELM Capabilities | 60.3% | – |
| MATH 500 | Vals AI | 96.2% | – |
| Arena Maths | Arena (LMArena) | 1425 | 1493 |
| AIME 2025 (AA) | Artificial Analysis | 92.7% | – |
| 知識 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | – | 57.8% |
| LiveBench 1.0 Data Analysis | LiveBench | – | 72.5%† |
| MMLU-Pro | Vals AI | 85.3% | 88.7%† |
| LegalBench | Vals AI | 83.2% | 85.0%† |
| CorpFin | Vals AI | 66.0% | 71.3%† |
| TaxEval | Vals AI | 65.1% | 79.7%† |
| MedQA | Vals AI | 92.5% | – |
| PRBench Finance | Scale AI SEAL | – | 55.0% |
| PRBench Legal | Scale AI SEAL | – | 57.0% |
| MultiNRC | Scale AI SEAL | – | 65.6% |
| MMLU-Pro (HELM) | HELM Capabilities | 85.1% | – |
| CaseLaw v2 | Vals AI | 65.8% | – |
| Excel Modeling Benchmark | Vals AI | – | 56.4%† |
| MedCode | Vals AI | 38.1% | – |
| MedScribe | Vals AI | 78.2% | 88.9%† |
| Public Benefits Bench v1.1 | Vals AI | – | 61.3%† |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 15.0% |
| Global-MMLU-Lite (AA) | Artificial Analysis | 89.5% | – |
| 指示追従 | |||
| LiveBench Language | LiveBench | – | 74.3%† |
| LiveBench Instruction Following | LiveBench | – | 69.6%† |
| IFBench | Artificial Analysis | 53.7% | – |
| MultiChallenge | Scale AI SEAL | – | 75.3% |
| IFEval (HELM) | HELM Capabilities | 94.9% | – |
| WildBench (HELM) | HELM Capabilities | 79.7% | – |
| Arena Instruction Following | Arena (LMArena) | 1396 | 1473 |
| 人間の評価 | |||
| Arena Text | Arena (LMArena) | 1411 | 1491 |
| EQ-Bench 4 | EQ-Bench | – | 1244 |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1928 |
| Arena Creative Writing | Arena (LMArena) | 1394 | 1443 |
| Arena Multi-turn | Arena (LMArena) | 1413 | 1497 |
| Arena Longer Queries | Arena (LMArena) | 1416 | 1481 |
| Lech Mazur Creative Writing | Lech Mazur | 76.9% | – |
| マルチモーダル | |||
| Arena Vision | Arena (LMArena) | 1210 | 1292 |
| MMMU-Pro | Artificial Analysis | 68.8% | – |
| MMMU-Pro (Vals) | Vals AI | 76.3% | 86.6%† |
| MortgageTax | Vals AI | 44.5% | 66.1%† |
| VTB | Scale AI SEAL | – | 44.8% |
| GeoBench | GeoBench | 45.0% | – |
| 長文コンテキスト | |||
| Fiction.LiveBench 120k | Fiction.live | 96.9% | – |
| AA-LCR v1.1 | Artificial Analysis | 68.0% | 77.7%† |
| Arena Document | Arena (LMArena) | – | 1480 |
| MLCR | Artificial Analysis | – | 7.2%† |
| 総合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 146.9 | 154.9 |
| LiveBench 1.0 | LiveBench | – | 75.3%† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 22.5 | 33.7† |
| AA Progress Index v1 | Artificial Analysis | 262.3 | 302.7† |
| HELM Capabilities mean | HELM Capabilities | 78.5% | – |
| Vals Multimodal Index | Vals AI | – | 66.7%† |
| 安全性・誠実さ | |||
| FORTRESS | Scale AI SEAL | – | 12.4% |
| メタデータ | |||
| AA Openness Index | Artificial Analysis | 5.6 | – |
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。
関連する比較
- Grok 4 vs Gemini 4 Carbon
- Grok 4 vs GPT-6 Astra
- Muse Spark 1.1 vs Claude Fable 5.2
- Muse Spark 1.1 vs Gemini 4 Carbon
- Muse Spark 1.1 vs Claude Opus 5.5
- Muse Spark 1.1 vs GPT-6 Astra
- Grok 4 vs Muse Spark
- Grok 4 vs Claude Fable 5.1
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。