BenchLeader

Claude Opus 4.8 vs Muse Spark 1.3

完整资料:Claude Opus 4.8(Anthropic)和 Muse Spark 1.3(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,Claude Opus 4.8 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 61.1 比 61.6,在 ±9.1 的误差范围内)。Muse Spark 1.3 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $2.00 比 $10.00)。看重数学(68 比 56)选 Claude Opus 4.8;看重知识(81 比 61)、推理(71 比 64)和智能体与工具(61 比 57)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 39.1 秒)。

要点(截至 2026年11月16日)

  • Claude Opus 4.8 的 BenchLeader Index 为 61.1,Muse Spark 1.3 为 61.6(BenchLeader,2026年11月16日)。
  • Claude Opus 4.8 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • Muse Spark 1.3 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • 在两者都有结果的 5 项基准测试中,Muse Spark 1.3 领先 3 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Muse Spark 1.3类别得分 61 比 57;APEX-Agents 58.6% 比 48.9%中
数学Claude Opus 4.8类别得分 68 比 56;ProofBench 69.0% 比 55.0%高
推理Muse Spark 1.3类别得分 71 比 64;DTBench 96.5% 比 94.9%中
知识Muse Spark 1.3类别得分 81 比 61;GDP.pdf 27.6% 比 24.0%高
成本最低Muse Spark 1.3每百万 token 混合价格 $2.00 比 $10.00;智能体编程会话 $0.092 比 $0.400–
首次回答最快Muse Spark 1.3首个回答 token 2.6 秒(Muse Spark 1.3)比 39.1 秒(Claude Opus 4.8 (max))–
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 4.8 (max) 与 Muse Spark 1.3 的质量不相上下(61.1 比 61.6,在 ±9.1 的误差范围内)。
  • Claude Opus 4.8 (max) 在数学方面更强。
  • Muse Spark 1.3 在智能体与工具、知识、推理方面更强。
  • Muse Spark 1.3 更便宜,对方的价格是它的 5.0 倍(每百万 token 混合价格 $2.00 比 $10.00)。
  • Muse Spark 1.3 的输出速度是对方的 1.9 倍(163 比 85 token/秒)。

概览

规格Claude Opus 4.8Muse Spark 1.3
提供商AnthropicMeta
发布日期2026年5月28日2026年9月2日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Opus 4.8 (max)Muse Spark 1.3
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$1.25 / $4.25 / $0.150

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 4.8 (max)Muse Spark 1.3领先者
推理64.171.0Muse Spark 1.3
编程61.9–无法比较
智能体与工具56.961.3Muse Spark 1.3
数学67.756.3Claude Opus 4.8
知识61.081.2Muse Spark 1.3
指令遵循62.1–无法比较
长上下文63.4–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推理智能体与工具数学知识Claude Opus 4.8, 推理: 64.1Claude Opus 4.8, 智能体与工具: 56.9Claude Opus 4.8, 数学: 67.7Claude Opus 4.8, 知识: 61.0Muse Spark 1.3, 推理: 71.0Muse Spark 1.3, 智能体与工具: 61.3Muse Spark 1.3, 数学: 56.3Muse Spark 1.3, 知识: 81.2

未绘制(测得的模型少于两个):编程, 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 5 项基准测试中,Claude Opus 4.8 领先 2 项,Muse Spark 1.3 领先 3 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。

综合 IndexClaude Opus 4.8 (max)Muse Spark 1.3领先者
BenchLeader Index61.161.6不相上下
Arena Text1482†1497Muse Spark 1.3

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 4.8 (max)Muse Spark 1.3
每百万 token 混合价格$10.00$2.00
每百万 token 输入 / 输出$5.00 / $25.00$1.25 / $4.25
每百万 token 缓存输入$0.500$0.150
每项任务价格:聊天回复$0.0095$0.0018
每项任务价格:总结一份 30 页的报告$0.075$0.018
每项任务价格:代码编辑$0.068$0.014
每项任务价格:智能体编程会话$0.400$0.092
每项任务价格:结构化信息提取$0.015$0.0034
智能体编程会话(输入大多命中缓存)$0.198$0.043
输出速度85 tok/s163 tok/s
首次回答时间39.1 秒2.6 秒
完整回答耗时(最近一次测量 2026年11月13日)81.0 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 4.8 (max) 得分 61.1,首个回答 token 需 39 秒;Claude Opus 4.8 (high) 为 60.4(1 秒),Claude Opus 4.8 为 58.7(1 秒)。Muse Spark 1.3 得分 61.6,首个回答 token 需 3 秒;Muse Spark 1.3 (max) 为 60.6(31 秒),Muse Spark 1.3 (xhigh) 为 58.1(11 秒)。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 173 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 4.8 (max)Muse Spark 1.3
BenchLeader IndexBenchLeader61.161.6
智能体与工具得分BenchLeader56.961.3
编程得分BenchLeader61.9–
指令遵循得分BenchLeader62.1–
知识得分BenchLeader61.081.2
长上下文得分BenchLeader63.4–
数学得分BenchLeader67.756.3
推理得分BenchLeader64.171.0
混合价格(美元/百万 token)BenchLeader$10.00$2.00
输出速度BenchLeader85 tok/s163 tok/s
首次回答时间BenchLeader39.1 秒2.6 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.0%–
SimpleBenchSimpleBench64.8%†81.8%
Arena Hard PromptsArena (LMArena)1505†1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench89.2%89.7%†
GPQA Diamond (AA)Artificial Analysis92.0%93.5%†
Humanity's Last Exam (AA)Artificial Analysis48.7%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
GPQA Diamond (Vals)Vals AI92.4%–
EnigmaEvalScale AI SEAL23.5%†–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%†–
ARC-AGI-3ARC Prize1.5%†–
CritPtArtificial Analysis20.9%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis–48.0%†
MysteryMechanismVals AI–36.0%†
HLE-Diamond (Scale)Scale AI SEAL–25.4%
Arena ExpertArena (LMArena)1514†1521†
Chess PuzzlesEpoch AI Benchmarking Hub52.0%37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub36.0%25.0%†
LMCAEpoch AI Benchmarking Hub57.5%53.9%
DTBenchEpoch AI Benchmarking Hub94.9%96.5%
ForecastBenchForecastBench66.1%65.5%†
BTF-3Epoch AI Benchmarking Hub14.0%†14.1%†
显示全部 173 项基准测试
指标发布方Claude Opus 4.8 (max)Muse Spark 1.3
编程
SciCodeSciCode53.5%58.8%†
WeirdMLWeirdML70.5%†–
FrontierCodeCognition46.5%†–
GSO-BenchGSO-Bench47.1%†–
Arena CodingArena (LMArena)1529†1534†
Arena WebDevArena (LMArena)1536†1655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench81.8%81.1%†
SciCode (AA)Artificial Analysis54.4%58.8%†
LiveCodeBenchVals AI87.8%–
IOIVals AI–56.6%†
SWE-bench (Vals)Vals AI88.6%–
Code MigrationVals AI47.3%47.4%†
ProgramBenchVals AI1.0%2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI–20.5%†
Vibe Code Bench v1.1Vals AI82.7%85.9%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL57.3%†–
SWE Atlas v1.0: RefactoringScale AI SEAL46.7%†–
SWE Atlas v1.0: Test WritingScale AI SEAL49.6%†–
MirrorCodeEpoch AI Benchmarking Hub65.6%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub87.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub59.0%–
CursorBenchCursor–41.6%†
ALE-BenchEpoch AI Benchmarking Hub1563.8†1688.3†
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis21.7%33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis84.6%84.3%†
Startrise FrontendStartrise–74.7%
GameBench 2 OverallDuelLab GameBench 249.4†57.7
GameBench 2 by reasoning settingDuelLab GameBench 245.1†68.5†
Design Arena WebsiteDesign Arena1250†1353†
FrontierCode 1.1 (AA)Artificial Analysis–40.6%†
FrontierCode 2.0 (AA)Artificial Analysis–23.1%†
智能体与工具
Terminal-BenchTerminal-Bench23.6%14.8%†
OSWorld-Verified 2.0OSWorld20.6%–
Remote Labor IndexScale AI / CAIS8.3%†–
APEX-AgentsMercor48.9%58.6%
Arena AgentArena (LMArena)–2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench50.5%64.1%†
Terminal-Bench HardArtificial Analysis58.3%–
τ²-Bench Telecom (AA)Artificial Analysis94.4%–
Terminal-Bench 2.1 (Vals)Vals AI71.9%79.0%†
MCP AtlasScale AI SEAL82.2%–
HiL-BenchScale AI SEAL35.3%†66.9%
τ³-bench Bankingτ²-bench39.7%–
GDPval-AA v2.1Artificial Analysis14611681†
τ³-Banking (AA)Artificial Analysis34.2%50.5%†
ITBench SRE (AA)Artificial Analysis–33.2%†
Analyst Agent (AA)Artificial Analysis45.0%37.5%†
CUA-benchVals AI–5.8%†
CyberBenchVals AI–72.7%†
Finance Agent v2Vals AI53.9%60.0%†
Harvey's Legal Agent Benchmark v1Vals AI9.6%23.8%†
Legal Research BenchVals AI43.8%55.3%†
SkillsBenchVals AI59.2%–
SREBenchVals AI–3.8%†
Tax Agent BenchVals AI30.0%42.4%†
Terminal-Bench 2.0 (Vals)Vals AI70.0%–
Terminal-Bench 4.0 (Vals)Vals AI23.2%24.8%†
Terminal-Bench ScienceVals AI4.3%10.0%†
Time Horizon Index: KSPVals AI11.8%–
Arena SearchArena (LMArena)1194†–
Arena Agent Task CompletionArena (LMArena)–3.7†
DeepResearch BenchDeepResearch Bench50.2%†–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub70.9%†–
Vending-Bench 2Andon Labs2992.3–
AutomationBenchArtificial Analysis45.6%57.9%†
GDP.pdf (AA)Artificial Analysis22.8%26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
EnterpriseOps-GymArtificial Analysis44.0%–
AA-Briefcase v1.1Artificial Analysis13201581†
Design Arena AgenticDesign Arena1226†1283†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–10.9%†
CWE-Bench (AA)Artificial Analysis–60.8%†
DeepSec-Bench (AA)Artificial Analysis–12.5%†
CyberGym end-to-end (AA)Artificial Analysis–59.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub80.0%74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub56.1%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.3%99.2%†
ProofBenchVals AI69.0%55.0%
LiveBench MathematicsLiveBench94.3%96.0%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena81.3%–
Arena MathsArena (LMArena)1476†1506†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub53.0%–
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench66.0%79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
MMLU-ProVals AI89.6%–
LegalBenchVals AI83.6%–
CorpFinVals AI66.7%–
TaxEvalVals AI75.6%–
PRBench FinanceScale AI SEAL–59.5%
PRBench LegalScale AI SEAL–61.6%
Excel Modeling BenchmarkVals AI69.4%67.4%†
MedCodeVals AI53.2%–
MedScribeVals AI85.8%–
Public Benefits Bench v1.1Vals AI68.1%–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI–70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL46.8%62.2%†
EBR-benchEpoch AI Benchmarking Hub28.6%–
GDP.pdfEpoch AI Benchmarking Hub24.0%27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
指令遵循
LiveBench LanguageLiveBench79.7%82.8%†
LiveBench Instruction FollowingLiveBench72.0%78.0%†
IFBenchArtificial Analysis62.2%–
Arena Instruction FollowingArena (LMArena)1479†1485†
人类偏好
Arena TextArena (LMArena)1474†1497†
EQ-Bench 4EQ-Bench1268†–
EQ-Bench Creative Writing v3EQ-Bench1840†1907
Arena Creative WritingArena (LMArena)1464†1468†
Arena Multi-turnArena (LMArena)1493†1493†
Arena Longer QueriesArena (LMArena)1499†1498†
多模态
Arena VisionArena (LMArena)1289†1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis–82.0%†
MMMU-Pro (Vals)Vals AI86.6%–
MortgageTaxVals AI69.9%–
Humanity's Sixth SenseScale AI SEAL23.5%37.4%†
GeoBenchGeoBench81.0%†86.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub14.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub42.5%–
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
长上下文
AA-LCR v1.1Artificial Analysis77.7%83.0%†
Arena DocumentArena (LMArena)1476†1474†
MLCRArtificial Analysis19.4%13.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.9†158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench76.2%81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis41.848.1†
AA Progress Index v1Artificial Analysis318.4324.5†
Vals RSI IndexVals AI24.0%19.6%†
Vals Multimodal IndexVals AI70.9%–
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
FORTRESSScale AI SEAL18.2%–
DistressBenchScale AI SEAL71.4%†84.9%

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。

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 4.8 (max):BenchLeader Index 60.3 → 61.1。
  • Muse Spark 1.3:BenchLeader Index 60.2 → 61.6。
  • Claude Opus 4.8 (max):27 项新结果(LiveCodeBench, MMLU-Pro, LegalBench…)。
  • Claude Opus 4.8 (max):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 4.8 (max):1 项分数修订。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 59.2 → 60.2。
  • Claude Opus 4.8 (max):1 项新结果(MirrorCode)。
  • Muse Spark 1.3:2 项新结果(SimpleBench, GeoBench)。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。

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 4.8 vs Muse Spark 1.3:常见问题

Claude Opus 4.8 比 Muse Spark 1.3 更好吗?
Claude Opus 4.8 (max) 与 Muse Spark 1.3 的质量不相上下(61.1 比 61.6,在 ±9.1 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。
Claude Opus 4.8 和 Muse Spark 1.3 哪个更便宜?价格会变吗?
目前 Muse Spark 1.3 更便宜:每百万 token $2.00 比 $10.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
Claude Opus 4.8 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 比 85 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 4.8 还是 Muse Spark 1.3 更好?
Muse Spark 1.3 在智能体任务方面得分更高(类别得分 61 比 57,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,Claude Opus 4.8 为 48.9%,Muse Spark 1.3 为 58.6%。
处理长文档哪个更好?
两者都约为 1M token(Claude Opus 4.8 为 1,000,000,Muse Spark 1.3 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Spark 1.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.6 秒比 39.1 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Opus 4.8 和 Muse Spark 1.3 的看法一致吗?
在两者都有结果的 5 项基准测试中,Claude Opus 4.8 领先 2 项,Muse Spark 1.3 领先 3 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。
Muse Spark 1.3 是什么时候发布的?
Muse Spark 1.3 于 2026年9月2日 发布。