BenchLeader

Claude Opus 4.5 vs Muse Wonder Full

完整资料:Claude Opus 4.5(Anthropic)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 11 个来源

截至 2026年11月16日,Claude Opus 4.5 与 Muse Wonder Full 的质量不相上下(BenchLeader Index 59.7 比 61.7,在 ±4.0 的误差范围内)。在两者都有成绩的所有类别中,Muse Wonder Full 均领先。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 的 BenchLeader Index 为 59.7,Muse Wonder Full 为 61.7(BenchLeader,2026年11月16日)。
  • Claude Opus 4.5 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • 在两者都有结果的 6 项基准测试中,Muse Wonder Full 领先 6 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 4.5 的评分为 1493,Muse Wonder Full 为 1724(LMArena,截至 2026年11月16日 的公布数据)。

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
编程Muse Wonder Full类别得分 70 比 61;Arena WebDev 1724 比 1493高
智能体与工具调用Muse Wonder Full类别得分 64 比 53高
推理均可类别得分 67 比 66均可
知识Muse Wonder Full类别得分 62 比 60;LegalBench 87.4% 比 84.6%中
对话质量(人类偏好)–只有 Claude Opus 4.5 有 Arena 评分(类别得分 66)无法比较
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

  • Claude Opus 4.5 (high) 与 Muse Wonder Full (max) 的质量不相上下(59.7 比 61.7,在 ±4.0 的误差范围内)。
  • Claude Opus 4.5 (high) 在推理方面更强。
  • Muse Wonder Full (max) 在智能体与工具、编程、知识方面更强。

概览

规格Claude Opus 4.5Muse Wonder Full
提供商AnthropicMeta
发布日期2025年11月24日2026年10月12日
上下文窗口(token)200,0001,000,000
对比时的配置Claude Opus 4.5 (high)Muse Wonder Full (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $25.00 / $0.500–

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Claude Opus 4.5 (high)Muse Wonder Full (max)领先者
推理66.665.8持平
编程60.669.9Muse Wonder Full
智能体与工具52.763.6Muse Wonder Full
数学65.3–无法比较
知识60.062.3Muse Wonder Full
人类偏好66.2–无法比较
长上下文–66.6无法比较

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Claude Opus 4.5, 推理: 66.6Claude Opus 4.5, 编程: 60.6Claude Opus 4.5, 智能体与工具: 52.7Claude Opus 4.5, 知识: 60.0Muse 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: 62.3

未绘制(测得的模型少于两个):数学, 指令遵循, 长上下文, 多模态, 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 6 项基准测试中,Claude Opus 4.5 领先 0 项,Muse Wonder Full 领先 6 项。

综合 IndexClaude Opus 4.5 (high)Muse Wonder Full (max)领先者
BenchLeader Index59.761.7不相上下

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Claude Opus 4.5 (high)Muse Wonder Full (max)
每百万 token 混合价格$10.00–
每百万 token 输入 / 输出$5.00 / $25.00– / –
每百万 token 缓存输入$0.500–
每项任务价格:聊天回复$0.0095–
每项任务价格:总结一份 30 页的报告$0.075–
每项任务价格:代码编辑$0.068–
每项任务价格:智能体编程会话$0.400–
每项任务价格:结构化信息提取$0.015–
智能体编程会话(输入大多命中缓存)$0.198–
每项任务输出 token(AA Index)–88k
其中推理部分–55k
输出速度40 tok/s–
首次回答时间1.1 秒–

每个模型都按其排名最高的推理强度设置进行对比。Claude Opus 4.5 (high) 得分 59.7,首个回答 token 需 1 秒;Claude Opus 4.5 (thinking) 为 59.3(14 秒),Claude Opus 4.5 为 57.1(1 秒)。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 163 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Claude Opus 4.5 (high)Muse Wonder Full (max)
BenchLeader IndexBenchLeader59.761.7
智能体与工具得分BenchLeader52.763.6
编程得分BenchLeader60.669.9
人类偏好得分BenchLeader66.2–
知识得分BenchLeader60.062.3
数学得分BenchLeader65.3–
推理得分BenchLeader66.665.8
长上下文得分BenchLeader–66.6
混合价格(美元/百万 token)BenchLeader$10.00–
输出速度BenchLeader40 tok/s–
首次回答时间BenchLeader1.1 秒–
上下文窗口BenchLeader200,000 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub86.0%†–
Humanity's Last ExamScale AI / CAIS25.2%†–
SimpleBenchSimpleBench62.0%†–
Arena Hard PromptsArena (LMArena)1501–
LiveBench 1.0 ReasoningLiveBench80.1%–
GPQA Diamond (AA)Artificial Analysis86.6%†–
Humanity's Last Exam (AA)Artificial Analysis30.1%†53.6%
HLE-Diamond (AA)Artificial Analysis–48.5%
GPQA Diamond (Vals)Vals AI85.9%–
Kagi LLM BenchmarkKagi LLM Benchmark70.7%†–
ARC-AGI-1ARC Prize80.0%†–
ARC-AGI-2ARC Prize37.6%†–
CritPtArtificial Analysis4.6%†32.9%
CritPt v2 hard subset (AA)Artificial Analysis–56.5%
MysteryMechanismVals AI–35.1%
SciPredictScale AI SEAL23.1%†–
Arena ExpertArena (LMArena)1503–
Chess PuzzlesEpoch AI Benchmarking Hub14.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub22.0%†–
CL-benchEpoch AI Benchmarking Hub21.1%†–
LMCAEpoch AI Benchmarking Hub44.5%–
DTBenchEpoch AI Benchmarking Hub89.9%–
ForecastBenchForecastBench64.6%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.7%†–
WeirdMLWeirdML63.7%†–
显示全部 163 项基准测试
指标发布方Claude Opus 4.5 (high)Muse Wonder Full (max)
编程
GSO-BenchGSO-Bench26.5%†–
Arena CodingArena (LMArena)1530–
Arena WebDevArena (LMArena)14931724
LiveBench 1.0 CodingLiveBench79.7%–
SciCode (AA)Artificial Analysis–62.6%
LiveCodeBenchVals AI83.7%–
IOIVals AI–79.8%
SWE-bench (Vals)Vals AI76.4%–
SWE-Bench ProScale AI SEAL45.9%†–
SWE-bench Verified (bash only)SWE-bench76.8%–
SWE-bench Multilingual (bash only)SWE-bench70.7%†–
SWE-bench Verified (any scaffold)SWE-bench79.2%†–
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 AI20.6%86.0%
SWE-Bench Pro (private)Scale AI SEAL23.4%†–
ALE-BenchEpoch AI Benchmarking Hub1025.4†–
AlgoTuneAlgoTune1.8†–
WeirdML v3WeirdML6.5%–
Terminal-Bench 4.0 (AA)Artificial Analysis–57.1%
GameBench 2 OverallDuelLab GameBench 247.1†–
Design Arena WebsiteDesign Arena1239†–
FrontierCode 1.1 (AA)Artificial Analysis–44.9%
FrontierCode 2.0 (AA)Artificial Analysis–37.8%
LiveCodeBench (AA)Artificial Analysis87.1%†–
智能体与工具
Terminal-BenchTerminal-Bench63.1%†–
GDPvalOpenAI45.5%†–
CybenchCybench82.0%†–
Remote Labor IndexScale AI / CAIS3.8%†–
Arena AgentArena (LMArena)–9
LiveBench Agentic CodingLiveBench39.7%–
Terminal-Bench HardArtificial Analysis47.0%†–
τ²-Bench Telecom (AA)Artificial Analysis89.5%†–
MCP AtlasScale AI SEAL69.8%–
BFCL OverallBerkeley Function Calling Leaderboard77.5%†–
τ²-benchτ²-bench85.3%–
τ³-bench Bankingτ²-bench24.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.8%
GDPval-AA v2.1Artificial Analysis–1857
CyberBenchVals AI–73.6%
Finance Agent v2Vals AI–59.1%
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%
Poker AgentVals AI1033.4%†–
Robo-benchVals AI–10.4%
SREBenchVals AI–11.8%
Tax Agent BenchVals AI–43.0%
Terminal-Bench 2.0 (Vals)Vals AI58.4%–
Terminal-Bench 4.0 (Vals)Vals AI–58.1%
Terminal-Bench ScienceVals AI–37.1%
Arena SearchArena (LMArena)1186†–
Arena Agent Task CompletionArena (LMArena)–11.1
BALROGBALROG43.0%†–
DeepResearch BenchDeepResearch Bench54.8%–
METR Time HorizonsMETR75.0%†–
Vending-Bench 2Andon Labs4967.1†–
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%
Design Arena AgenticDesign Arena1156†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–37.1%
DeepSearchQAGoogle24.0%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub34.4%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub4.9%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub86.1%†–
ProofBenchVals AI36.0%†–
LiveBench MathematicsLiveBench90.4%–
AIME (Vals)Vals AI76.9%†–
MGSMVals AI94.8%†–
Arena MathsArena (LMArena)1472–
AIME 2025 (AA)Artificial Analysis91.3%†–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.7%†–
LiveBench 1.0 Data AnalysisLiveBench74.4%–
AA-Omniscience v1.1Artificial Analysis–30.6
MMLU-ProVals AI87.3%–
LegalBenchVals AI84.6%87.4%
CorpFinVals AI65.1%–
TaxEvalVals AI74.9%–
MedQAVals AI93.2%†–
PRBench FinanceScale AI SEAL46.2%†–
PRBench LegalScale AI SEAL44.2%†–
MultiNRCScale AI SEAL41.2%†–
BioMysteryBenchVals AI–73.3%
CaseLaw v2Vals AI62.6%†–
Excel Modeling BenchmarkVals AI–71.9%
Excel Modeling Benchmark v1.1Vals AI–75.0%
MedCodeVals AI49.2%49.9%
MedScribeVals AI85.3%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%
EBR-benchEpoch AI Benchmarking Hub14.3%†–
AA-Omniscience v1.1: accuracyArtificial Analysis–41.0%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–82.4%
Global-MMLU-Lite (AA)Artificial Analysis91.3%†–
指令遵循
LiveBench LanguageLiveBench81.3%–
LiveBench Instruction FollowingLiveBench62.5%–
IFBenchArtificial Analysis58.0%†–
MultiChallengeScale AI SEAL59.0%†–
TutorBenchScale AI SEAL49.8%†–
Arena Instruction FollowingArena (LMArena)1483–
人类偏好
Arena TextArena (LMArena)1474–
EQ-Bench Creative Writing v3EQ-Bench1686†–
Arena Creative WritingArena (LMArena)1469–
Arena Multi-turnArena (LMArena)1485–
Arena Longer QueriesArena (LMArena)1495–
多模态
MMMU-ProArtificial Analysis74.0%†–
VISTAScale AI SEAL45.3%†–
MMMU-Pro (Vals)Vals AI83.0%–
MortgageTaxVals AI68.7%–
GeoBenchGeoBench75.0%†–
VPCTEpoch AI Benchmarking Hub40.0%†–
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†–
长上下文
AA-LCR v1.1Artificial Analysis77.3%†83.7%
Arena DocumentArena (LMArena)1468†–
MLCRArtificial Analysis–22.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub151.9†–
LiveBench 1.0LiveBench72.6%–
AA Intelligence Index v5.0.1Artificial Analysis–50.1
AA Intelligence Index v4.3.2Artificial Analysis29.1†55.8
AA Progress Index v1Artificial Analysis284.4†343.2
Vals IndexVals AI–66.8
Vals Finance IndexVals AI–64.5%
Vals RSI IndexVals AI14.8%24.4%
Vals Science IndexVals AI–48.5%
Vals Router IndexVals AI–66.8%†
Vals Legal IndexVals AI–77.9%
安全与诚实
FORTRESSScale AI SEAL13.6%†–
MASKScale AI SEAL87.1%†–
元数据
AA Openness IndexArtificial Analysis11.1†–

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。

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.

变化

  • Claude Opus 4.5 (high):13 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • 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)。
  • 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))。
  • Claude Opus 4.5 (high):1 项新结果(Vals RSI Index)。
  • 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))。

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

Claude Opus 4.5 vs Muse Wonder Full:常见问题

Claude Opus 4.5 比 Muse Wonder Full 更好吗?
Claude Opus 4.5 (high) 与 Muse Wonder Full (max) 的质量不相上下(59.7 比 61.7,在 ±4.0 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
编程用 Claude Opus 4.5 还是 Muse Wonder Full 更好?
Muse Wonder Full 在编程方面得分更高(类别得分 70 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Opus 4.5 为 1493,Muse Wonder Full 为 1724。
智能体和工具调用用 Claude Opus 4.5 还是 Muse Wonder Full 更好?
Muse Wonder Full 在智能体任务方面得分更高(类别得分 64 比 53,50 为平均水平)。
处理长文档哪个更好?
Muse Wonder Full 支持更长的上下文:1,000,000 token,Claude Opus 4.5 为 200,000 token。
第三方基准测试对 Claude Opus 4.5 和 Muse Wonder Full 的看法一致吗?
在两者都有结果的 6 项基准测试中,Claude Opus 4.5 领先 0 项,Muse Wonder Full 领先 6 项。
更多问题(1)
Muse Wonder Full 是什么时候发布的?
Muse Wonder Full 于 2026年10月12日 发布。