BenchLeader

Agnes 2.5 Pro Beta vs Muse Wonder Full

完整资料:Agnes 2.5 Pro Beta(Sapiens AI)和 Muse Wonder Full(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 4 个来源

截至 2026年11月16日,两者共同的基准测试太少,无法判断质量高下。在两者都有成绩的所有类别中,二者不相上下。

要点(截至 2026年11月16日)

  • Agnes 2.5 Pro Beta 每百万 token 混合价格为 $0.150(标价,2026年11月16日)。
  • 在两者都有结果的 7 项基准测试中,Muse Wonder Full 领先 7 项(BenchLeader,2026年11月16日)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
智能体与工具调用均可类别得分 64 比 64;GDPval-AA v2.1, normalised score 41.5% 比 67.8%均可
长文档均可类别得分 66 比 67;AA-LCR v1.1 83.0% 比 83.7%均可
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • 共同的基准测试太少,无法给出结论。
  • Agnes 2.5 Pro Beta 在智能体与工具方面更强。
  • Muse Wonder Full (max) 在长上下文方面更强。

概览

规格Agnes 2.5 Pro BetaMuse Wonder Full
提供商Sapiens AIMeta
发布日期2026年8月26日2026年10月12日
上下文窗口(token)1,000,0001,000,000
对比时的配置Agnes 2.5 Pro BetaMuse Wonder Full (max)
开放权重否否

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Agnes 2.5 Pro BetaMuse Wonder Full (max)领先者
推理–65.8无法比较
编程–69.9无法比较
智能体与工具64.463.6持平
知识–62.3无法比较
多模态57.7–无法比较
长上下文66.266.6持平

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具知识长上下文多模态Agnes 2.5 Pro Beta, 智能体与工具: 64.4Agnes 2.5 Pro Beta, 长上下文: 66.2Agnes 2.5 Pro Beta, 多模态: 57.7Muse Wonder Full, 推理: 65.8Muse Wonder Full, 编程: 69.9Muse Wonder Full, 智能体与工具: 63.6Muse Wonder Full, 知识: 62.3Muse Wonder Full, 长上下文: 66.6

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):数学, 指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 7 项基准测试中,Agnes 2.5 Pro Beta 领先 0 项,Muse Wonder Full 领先 7 项。

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Agnes 2.5 Pro BetaMuse Wonder Full (max)
每项任务输出 token(AA Index)–88k
其中推理部分–55k

每个模型都按其排名最高的推理强度设置进行对比。Agnes 2.5 Pro Beta。Muse Wonder Full (max) 得分 61.7。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 66 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Agnes 2.5 Pro BetaMuse Wonder Full (max)
BenchLeader IndexBenchLeader–61.7
智能体与工具得分BenchLeader64.463.6
长上下文得分BenchLeader66.266.6
多模态得分BenchLeader57.7–
编程得分BenchLeader–69.9
知识得分BenchLeader–62.3
推理得分BenchLeader–65.8
上下文窗口BenchLeader1,000,000 token1,000,000 token
推理
GPQA Diamond (AA)Artificial Analysis90.5%–
Humanity's Last Exam (AA)Artificial Analysis37.5%53.6%
HLE-Diamond (AA)Artificial Analysis–48.5%
CritPtArtificial Analysis15.7%32.9%
CritPt v2 hard subset (AA)Artificial Analysis–56.5%
MysteryMechanismVals AI–35.1%
编程
Arena WebDevArena (LMArena)–1724
SciCode (AA)Artificial Analysis48.8%62.6%
IOIVals AI–79.8%
Code MigrationVals AI–61.0%
Code Migration v1.1Vals AI–62.8%
ProgramBenchVals AI–0.5%
SWE-bench MultimodalVals AI–47.3%
Vibe Code Bench 1-100Vals AI–34.0%
Vibe Code Bench v1.1Vals AI–86.0%
Terminal-Bench 4.0 (AA)Artificial Analysis–57.1%
Terminal-Bench 2.1 (AA)Artificial Analysis69.7%–
FrontierCode 1.1 (AA)Artificial Analysis–44.9%
FrontierCode 2.0 (AA)Artificial Analysis–37.8%
智能体与工具
Arena AgentArena (LMArena)–9
GDPval-AA v2.1, normalised scoreArtificial Analysis41.5%67.8%
GDPval-AA v2.1Artificial Analysis13351857
τ³-Banking (AA)Artificial Analysis35.7%–
CyberBenchVals AI–73.6%
Finance Agent v2Vals AI–59.1%
显示全部 66 项基准测试
指标发布方Agnes 2.5 Pro BetaMuse Wonder Full (max)
智能体与工具
Finance Agent v2.1Vals AI–67.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–23.3%
Harvey's Legal Agent Benchmark v1Vals AI–21.7%
Legal Research BenchVals AI–53.4%
Robo-benchVals AI–10.4%
SREBenchVals AI–11.8%
Tax Agent BenchVals AI–43.0%
Terminal-Bench 4.0 (Vals)Vals AI–58.1%
Terminal-Bench ScienceVals AI–37.1%
Arena Agent Task CompletionArena (LMArena)–11.1
AutomationBenchArtificial Analysis–71.3%
GDP.pdf (AA)Artificial Analysis–32.6%
Harvey LAB-AA v1.1Harvey–13.1%
AA-Briefcase v1.1Artificial Analysis–1729
GDPxGDPx by SemiAnalysis–9.0%
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–37.1%
知识
AA-Omniscience v1.1Artificial Analysis–30.6
LegalBenchVals AI–87.4%
BioMysteryBenchVals AI–73.3%
Excel Modeling BenchmarkVals AI–71.9%
Excel Modeling Benchmark v1.1Vals AI–75.0%
MedCodeVals AI–49.9%
MedScribeVals AI–89.3%
Public Benefits Bench v1.1Vals AI–73.8%
Access to Justice BenchmarkVals AI–74.7%
Financial Coaching BenchVals AI–75.0%
Immigration BenchVals AI–71.2%
AA-Omniscience v1.1: accuracyArtificial Analysis–41.0%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–82.4%
多模态
MMMU-ProArtificial Analysis75.4%–
长上下文
AA-LCR v1.1Artificial Analysis83.0%83.7%
MLCRArtificial Analysis–22.2%
综合
AA Intelligence Index v5.0.1Artificial Analysis–50.1
AA Intelligence Index v4.3.2Artificial Analysis35.255.8
AA Progress Index v1Artificial Analysis299.1343.2
Vals IndexVals AI–66.8
Vals Finance IndexVals AI–64.5%
Vals RSI IndexVals AI–24.4%
Vals Science IndexVals AI–48.5%
Vals Router IndexVals AI–66.8%†
Vals Legal IndexVals AI–77.9%

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

变化

  • Muse Wonder Full (max):BenchLeader Index 62.6 → 61.7。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项新结果(Arena Agent)。
  • Agnes 2.5 Pro Beta:1 项新结果(AA Progress Index v1)。
  • Muse Wonder Full (max):6 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);2 项分数修订。
  • Muse Wonder Full (max):1 项新结果(Terminal-Bench-Science 0.1 (AA))。
  • Muse Wonder Full (max):9 项新结果(Code Migration v1.1, Excel Modeling Benchmark v1.1, Finance Agent v2.1…)。
  • Muse Wonder Full (max):1 项新结果(FrontierCode 1.1 (AA))。
  • Muse Wonder Full (max):1 项新结果(Arena WebDev);2 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Agnes 2.5 Pro Beta vs Muse Wonder Full:常见问题

智能体和工具调用用 Agnes 2.5 Pro Beta 还是 Muse Wonder Full 更好?
两者在智能体任务方面持平(类别得分 64 比 64)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 67)。两者都支持 1,000,000 token 的上下文。
第三方基准测试对 Agnes 2.5 Pro Beta 和 Muse Wonder Full 的看法一致吗?
在两者都有结果的 7 项基准测试中,Agnes 2.5 Pro Beta 领先 0 项,Muse Wonder Full 领先 7 项。
Muse Wonder Full 是什么时候发布的?
Muse Wonder Full 于 2026年10月12日 发布。