BenchLeader

Claude Opus 4.6 vs Muse Spark

完整资料:Claude Opus 4.6(Anthropic)和 Muse Spark(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 4.6 与 Muse Spark 的质量不相上下(BenchLeader Index 62.5 比 64.2,在 ±4.3 的误差范围内)。看重数学(63 比 59)、多模态(67 比 64)和人类偏好(70 比 68)选 Claude Opus 4.6;看重编程(65 比 62)和推理(67 比 65)选 Muse Spark。

要点(截至 2026年11月16日)

  • Claude Opus 4.6 的 BenchLeader Index 为 62.5,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Claude Opus 4.6 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 10 项基准测试中,Claude Opus 4.6 领先 10 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
编程Muse Spark类别得分 65 比 62;Arena Coding 1529 比 1547中
数学Claude Opus 4.6类别得分 63 比 59;Arena Maths 1516 比 1469中
推理Muse Spark类别得分 67 比 65;Arena Hard Prompts 1506 比 1530中
图像及其他媒体Claude Opus 4.6类别得分 67 比 64;Arena Vision 1316 比 1306中
对话质量(人类偏好)Claude Opus 4.6Arena 投票 70 比 68中
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 4.6 (high) 与 Muse Spark 的质量不相上下(62.5 比 64.2,在 ±4.3 的误差范围内)。
  • Claude Opus 4.6 (high) 在人类偏好、数学、多模态方面更强。
  • Muse Spark 在编程、推理方面更强。

概览

规格Claude Opus 4.6Muse Spark
提供商AnthropicMeta
发布日期2026年2月5日2026年4月8日
上下文窗口(token)1,000,000262,144
对比时的配置Claude Opus 4.6 (high)Muse Spark
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 4.6 (high)Muse Spark领先者
推理65.067.4Muse Spark
编程62.265.1Muse Spark
智能体与工具–65.0无法比较
数学63.459.1Claude Opus 4.6
知识–63.1无法比较
指令遵循–76.9无法比较
人类偏好69.868.1Claude Opus 4.6
多模态66.764.2Claude Opus 4.6
长上下文–63.6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推理编程数学多模态人类偏好Claude Opus 4.6, 推理: 65.0Claude Opus 4.6, 编程: 62.2Claude Opus 4.6, 数学: 63.4Claude Opus 4.6, 多模态: 66.7Claude Opus 4.6, 人类偏好: 69.8Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 数学: 59.1Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1

未绘制(测得的模型少于两个):智能体与工具, 知识, 指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 10 项基准测试中,Claude Opus 4.6 领先 10 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。

综合 IndexClaude Opus 4.6 (high)Muse Spark领先者
BenchLeader Index62.564.2不相上下
Arena Text15031489Claude Opus 4.6

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 4.6 (high)Muse Spark
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–
输出速度35 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 4.6 (high) 得分 62.5,首个回答 token 需 1 秒;Claude Opus 4.6 为 62.1(1 秒),Claude Opus 4.6 (无推理) 为 58.4(2 秒)。Muse Spark 得分 64.2。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 119 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 4.6 (high)Muse Spark
BenchLeader IndexBenchLeader62.564.2
编程得分BenchLeader62.265.1
人类偏好得分BenchLeader69.868.1
数学得分BenchLeader63.459.1
多模态得分BenchLeader66.764.2
推理得分BenchLeader65.067.4
智能体与工具得分BenchLeader–65.0
指令遵循得分BenchLeader–76.9
知识得分BenchLeader–63.1
长上下文得分BenchLeader–63.6
混合价格(美元/百万 token)BenchLeader$10.00–
输出速度BenchLeader35 tok/s–
首次回答时间BenchLeader1.1 秒–
上下文窗口BenchLeader1,000,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.5%†89.8%
Humanity's Last ExamScale AI / CAIS19.0%†40.6%
SimpleBenchSimpleBench67.6%†–
Arena Hard PromptsArena (LMArena)15301506
LiveBench 1.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis84.0%†88.4%
Humanity's Last Exam (AA)Artificial Analysis19.1%†40.7%
GPQA Diamond (Vals)Vals AI89.7%†89.7%
Kagi LLM BenchmarkKagi LLM Benchmark72.4%†–
ARC-AGI-1ARC Prize94.0%–
ARC-AGI-2ARC Prize69.2%–
ARC-AGI-3ARC Prize0.5%†–
CritPtArtificial Analysis2.8%†11.3%
Arena ExpertArena (LMArena)15441491
Chess PuzzlesEpoch AI Benchmarking Hub21.0%†–
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%†–
CL-benchEpoch AI Benchmarking Hub20.7%†–
CL-bench LifeEpoch AI Benchmarking Hub17.0%–
LMCAEpoch AI Benchmarking Hub55.8%†–
DTBenchEpoch AI Benchmarking Hub91.2%†–
ForecastBenchForecastBench63.1%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%†–
SciCodeSciCode–51.5%
WeirdMLWeirdML78.0%–
FrontierCodeCognition26.6%†–
显示全部 119 项基准测试
指标发布方Claude Opus 4.6 (high)Muse Spark
编程
GSO-BenchGSO-Bench41.2%–
Arena CodingArena (LMArena)15471529
Arena WebDevArena (LMArena)1547–
LiveBench 1.0 CodingLiveBench78.2%–
LiveCodeBenchVals AI84.7%†–
SWE-bench (Vals)Vals AI78.2%†74.4%
SWE-Bench ProScale AI SEAL51.9%†55.0%
SWE-bench Verified (bash only)SWE-bench75.6%†–
SWE-bench Multilingual (bash only)SWE-bench72.0%†–
SWE-bench Verified (any scaffold)SWE-bench75.6%†–
Vibe Code Bench v1.1Vals AI57.6%†19.7%
SWE-Bench Pro (private)Scale AI SEAL47.1%†44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL33.3%†24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL35.6%†–
SWE Atlas v1.0: Test WritingScale AI SEAL36.7%†31.1%
MirrorCodeEpoch AI Benchmarking Hub33.3%†–
ALE-BenchEpoch AI Benchmarking Hub996.5†–
AlgoTuneAlgoTune1.5–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Design Arena WebsiteDesign Arena1283†1253
智能体与工具
Terminal-BenchTerminal-Bench79.8%†–
CybenchCybench93.0%†–
Remote Labor IndexScale AI / CAIS4.2%†–
APEX-AgentsMercor46.3%†–
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis48.5%†45.5%
τ²-Bench Telecom (AA)Artificial Analysis84.8%†91.5%
MCP AtlasScale AI SEAL76.8%†82.2%
HiL-BenchScale AI SEAL38.3%†–
τ³-bench Bankingτ²-bench27.3%†–
GDPval-AA v2.1Artificial Analysis–1006
APEX-Agents (AA)Artificial Analysis33.0%†–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†59.5%
Arena SearchArena (LMArena)1222†–
DeepResearch BenchDeepResearch Bench55.3%–
METR Time HorizonsMETR78.9%†–
GBAEvalEpoch AI Benchmarking Hub44.1%†–
Vending-Bench 2Andon Labs8017.6†–
AA-Briefcase v1.1Artificial Analysis–646
Design Arena AgenticDesign Arena1196†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub94.4%†88.9%
ProofBenchVals AI50.0%†17.0%
LiveBench MathematicsLiveBench89.3%–
AIME (Vals)Vals AI95.6%†96.9%
AIME 2026MathArena96.7%–
HMMT February 2026MathArena96.2%–
USAMO 2026MathArena47.0%–
MathArena ApexMathArena34.5%–
Arena MathsArena (LMArena)15161469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub47.0%†–
LiveBench 1.0 Data AnalysisLiveBench69.9%–
MMLU-ProVals AI89.1%†87.3%
LegalBenchVals AI85.3%†84.2%
CorpFinVals AI67.0%†65.1%
TaxEvalVals AI76.0%†77.7%
MedQAVals AI95.4%†–
PRBench FinanceScale AI SEAL53.3%†52.4%
PRBench LegalScale AI SEAL52.3%†52.3%
MultiNRCScale AI SEAL48.3%†59.0%
CaseLaw v2Vals AI62.1%†63.1%
MedCodeVals AI49.1%†51.3%
MedScribeVals AI86.7%†85.9%
DrugDiscoveryBenchScale AI SEAL27.7%†–
EBR-benchEpoch AI Benchmarking Hub12.7%†–
Global-MMLU-Lite (AA)Artificial Analysis90.6%†–
指令遵循
LiveBench LanguageLiveBench83.3%–
LiveBench Instruction FollowingLiveBench63.3%–
IFBenchArtificial Analysis44.6%†75.9%
MultiChallengeScale AI SEAL56.0%†75.5%
TutorBenchScale AI SEAL53.5%†68.5%
Arena Instruction FollowingArena (LMArena)15111465
人类偏好
Arena TextArena (LMArena)15031489
EQ-Bench 4EQ-Bench1210†–
EQ-Bench Creative Writing v3EQ-Bench1810†–
Arena Creative WritingArena (LMArena)14991464
Arena Multi-turnArena (LMArena)15171493
Arena Longer QueriesArena (LMArena)15221476
多模态
Arena VisionArena (LMArena)13161306
MMMU-ProArtificial Analysis72.5%†80.5%
VISTAScale AI SEAL45.5%†–
MMMU-Pro (Vals)Vals AI83.9%†87.4%
MortgageTaxVals AI68.5%†–
VTBScale AI SEAL27.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub28.3%†–
长上下文
AA-LCR v1.1Artificial Analysis67.0%†78.0%
Arena DocumentArena (LMArena)14971467
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.3†153.1
LiveBench 1.0LiveBench74.5%–
AA Intelligence Index v4.3.2Artificial Analysis26.4†31.3
AA Progress Index v1Artificial Analysis274.5†289.1
安全与诚实
FORTRESSScale AI SEAL20.5%†20.2%
MASKScale AI SEAL96.3%†–

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 Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Claude Opus 4.6 (high):BenchLeader Index 63.0 → 62.5。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • Claude Opus 4.6 (high):1 项新结果(USAMO 2026)。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Opus 4.6 vs Muse Spark:常见问题

Claude Opus 4.6 比 Muse Spark 更好吗?
Claude Opus 4.6 (high) 与 Muse Spark 的质量不相上下(62.5 比 64.2,在 ±4.3 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 4.6 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,Claude Opus 4.6 为 1547,Muse Spark 为 1529。
处理长文档哪个更好?
Claude Opus 4.6 支持更长的上下文:1,000,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 Claude Opus 4.6 和 Muse Spark 的看法一致吗?
在两者都有结果的 10 项基准测试中,Claude Opus 4.6 领先 10 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Claude Opus 4.6 更强。
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。