BenchLeader

Claude Opus 5 vs Muse Spark 1.2

完整资料:Claude Opus 5(Anthropic)和 Muse Spark 1.2(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,Claude Opus 5 与 Muse Spark 1.2 的质量不相上下(BenchLeader Index 65.0 比 61.5,在 ±5.3 的误差范围内)。Muse Spark 1.2 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)。看重编程(67 比 55)、智能体与工具(64 比 55)和数学(70 比 67)选 Claude Opus 5;看重推理(68 比 66)选 Muse Spark 1.2。Muse Spark 1.2 的首次回答更快(11.4 秒 比 48.5 秒)。Muse Spark 1.2 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,Muse Spark 1.2 为 61.5(BenchLeader,2026年11月16日)。
  • Claude Opus 5 每百万 token 混合价格为 $10.00(标价,2026年11月16日)。
  • Muse Spark 1.2 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.2 比 Claude Opus 5 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 62 项基准测试中,Claude Opus 5 领先 52 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Opus 5 的评分为 1691,Muse Spark 1.2 为 1534(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Claude Opus 5类别得分 67 比 55;Arena WebDev 1691 比 1534高
智能体与工具调用Claude Opus 5类别得分 64 比 55;τ³-Banking (AA) 42.1% 比 34.9%高
数学Claude Opus 5类别得分 70 比 67;Arena Maths 1515 比 1486中
推理Muse Spark 1.2类别得分 68 比 66;Arena Hard Prompts 1514 比 1513中
知识均可类别得分 65 比 65;SimpleQA Verified 59.9% 比 60.3%均可
长文档均可类别得分 64 比 64;AA-LCR v1.1 79.3% 比 79.0%均可
图像及其他媒体Claude Opus 5类别得分 67 比 65;MMMU-Pro (Vals) 89.9% 比 86.1%中
对话质量(人类偏好)均可Arena 投票 68 比 69均可
成本最低Muse Spark 1.2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 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))比 48.5 秒(Claude Opus 5 (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 5 (max) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(65.0 比 61.5,在 ±5.3 的误差范围内)。
  • Claude Opus 5 (max) 在智能体与工具、编程、知识、长上下文、数学、多模态方面更强。
  • Muse Spark 1.2 (xhigh) 在人类偏好、推理方面更强。
  • Muse Spark 1.2 (xhigh) 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 1.2 (xhigh) 的输出速度是对方的 2.6 倍(208 比 80 token/秒)。

概览

规格Claude Opus 5Muse Spark 1.2
提供商AnthropicMeta
发布日期2026年7月24日2026年8月5日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Opus 5 (max)Muse Spark 1.2 (xhigh)
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 5 (max)Muse Spark 1.2 (xhigh)领先者
推理66.168.1Muse Spark 1.2
编程67.054.7Claude Opus 5
智能体与工具63.855.4Claude Opus 5
数学69.866.8Claude Opus 5
知识65.264.5持平
人类偏好68.168.6持平
多模态67.265.3Claude Opus 5
长上下文64.364.1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数学知识长上下文多模态人类偏好Claude Opus 5, 推理: 66.1Claude Opus 5, 编程: 67.0Claude Opus 5, 智能体与工具: 63.8Claude Opus 5, 数学: 69.8Claude Opus 5, 知识: 65.2Claude Opus 5, 长上下文: 64.3Claude Opus 5, 多模态: 67.2Claude Opus 5, 人类偏好: 68.1Muse Spark 1.2, 推理: 68.1Muse Spark 1.2, 编程: 54.7Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 数学: 66.8Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 长上下文: 64.1Muse Spark 1.2, 多模态: 65.3Muse Spark 1.2, 人类偏好: 68.6

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 62 项基准测试中,Claude Opus 5 领先 52 项,Muse Spark 1.2 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。

综合 IndexClaude Opus 5 (max)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index65.061.5不相上下
Arena Text14891493Muse Spark 1.2

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 5 (max)Muse Spark 1.2 (xhigh)
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
每项基准测试任务成本(AA Index)$11.82–
每项任务输出 token(AA Index)118k–
其中推理部分73k–
每项任务耗时(AA Index)25 min–
输出速度80 tok/s208 tok/s
首次回答时间48.5 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 秒23.9 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 5 (max) 得分 65.0,首个回答 token 需 49 秒;Claude Opus 5 (high) 为 64.4(17 秒),Claude Opus 5 为 63.2(2 秒)。Muse Spark 1.2 (xhigh) 得分 61.5,首个回答 token 需 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 144 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 5 (max)Muse Spark 1.2 (xhigh)
BenchLeader IndexBenchLeader65.061.5
智能体与工具得分BenchLeader63.855.4
编程得分BenchLeader67.054.7
人类偏好得分BenchLeader68.168.6
知识得分BenchLeader65.264.5
长上下文得分BenchLeader64.364.1
数学得分BenchLeader69.866.8
多模态得分BenchLeader67.265.3
推理得分BenchLeader66.168.1
混合价格(美元/百万 token)BenchLeader$10.00$2.00
输出速度BenchLeader80 tok/s208 tok/s
首次回答时间BenchLeader48.5 秒11.4 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%–
SimpleBenchSimpleBench80.6%†74.5%†
Arena Hard PromptsArena (LMArena)15131514
LiveBench 1.0 ReasoningLiveBench91.2%90.0%
GPQA Diamond (AA)Artificial Analysis93.2%90.4%
Humanity's Last Exam (AA)Artificial Analysis54.9%45.5%
HLE-Diamond (AA)Artificial Analysis44.8%–
GPQA Diamond (Vals)Vals AI93.4%†–
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize90.4%–
ARC-AGI-3ARC Prize30.2%†–
CritPtArtificial Analysis29.1%17.7%
CritPt v2 hard subset (AA)Artificial Analysis50.0%–
MysteryMechanismVals AI37.4%–
HLE-Diamond (Scale)Scale AI SEAL38.6%†–
Arena ExpertArena (LMArena)15301503
Chess PuzzlesEpoch AI Benchmarking Hub43.0%27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub59.0%–
LMCAEpoch AI Benchmarking Hub63.3%48.4%
DTBenchEpoch AI Benchmarking Hub97.6%94.7%
ForecastBenchForecastBench66.6%–
BTF-3Epoch AI Benchmarking Hub12.0%†–
编程
SciCodeSciCode56.4%57.4%
WeirdMLWeirdML91.8%60.3%
FrontierCodeCognition53.4%–
显示全部 144 项基准测试
指标发布方Claude Opus 5 (max)Muse Spark 1.2 (xhigh)
编程
Arena CodingArena (LMArena)15281542
Arena WebDevArena (LMArena)16911534
LiveBench 1.0 CodingLiveBench81.5%77.5%
LiveCodeBenchVals AI89.0%–
IOIVals AI84.3%21.8%
SWE-bench (Vals)Vals AI97.0%†86.6%
Code MigrationVals AI57.5%29.9%
ProgramBenchVals AI3.0%0.5%
Vibe Code Bench 1-100Vals AI28.5%–
Vibe Code Bench v1.1Vals AI88.4%†79.1%
SWE Atlas v1.0: Codebase QnAScale AI SEAL63.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL62.2%†–
SWE-Bench Pro V2Scale AI SEAL99.4%†–
SWE-Bench Pro V2 HARDScale AI SEAL98.0%†–
MirrorCodeEpoch AI Benchmarking Hub87.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub73.7%54.9%
CursorBenchCursor46.6%–
ALE-BenchEpoch AI Benchmarking Hub2164.6†–
FrontierSWEEpoch AI Benchmarking Hub52.0%12.0%
WeirdML v3WeirdML19.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis49.0%7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis89.1%80.2%
Startrise FrontendStartrise82.3%†70.3%†
GameBench 2 OverallDuelLab GameBench 276.5†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 284.8†56.9
Design Arena WebsiteDesign Arena1304†1309†
FrontierCode 2.0 (AA)Artificial Analysis31.1%–
智能体与工具
Terminal-BenchTerminal-Bench52.1%–
OSWorld-Verified 2.0OSWorld31.4%–
APEX-AgentsMercor65.8%45.4%†
Arena AgentArena (LMArena)7.2-8.2
LiveBench Agentic CodingLiveBench65.2%57.6%
Terminal-Bench 2.1 (Vals)Vals AI84.6%†69.7%
MCP AtlasScale AI SEAL85.8%†–
HiL-BenchScale AI SEAL57.0%†–
τ³-bench Bankingτ²-bench48.7%–
GDPval-AA v2.1Artificial Analysis17291478
τ³-Banking (AA)Artificial Analysis42.1%34.9%
Analyst Agent (AA)Artificial Analysis53.8%–
CUA-benchVals AI9.0%–
CyberBenchVals AI65.4%69.5%
Finance Agent v2Vals AI58.6%60.6%
Harvey's Legal Agent Benchmark v1Vals AI6.7%25.4%
Legal Research BenchVals AI55.3%43.8%
SkillsBenchVals AI60.4%53.0%
SREBenchVals AI12.2%0.0%
Tax Agent BenchVals AI47.1%32.8%
Terminal-Bench 4.0 (Vals)Vals AI53.5%6.1%
Terminal-Bench ScienceVals AI27.1%–
Time Horizon Index: KSPVals AI18.8%–
Arena SearchArena (LMArena)1213†–
Arena Agent Task CompletionArena (LMArena)10.2-9.8
BALROGBALROG63.4%–
PostTrainBenchEpoch AI Benchmarking Hub35.7%†–
GBAEvalEpoch AI Benchmarking Hub79.6%†–
Vending-Bench 2Andon Labs11181.9†–
AutomationBenchArtificial Analysis56.6%40.6%
GDP.pdf (AA)Artificial Analysis21.6%17.4%
EnterpriseOps-GymArtificial Analysis47.5%47.3%
AA-Briefcase v1.1Artificial Analysis16541323
Design Arena AgenticDesign Arena1270†1185†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis28.6%–
DeepSec-Bench (AA)Artificial Analysis25.9%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub73.2%–
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%–
ProofBenchVals AI99.0%43.0%†
LiveBench MathematicsLiveBench95.7%91.2%
Arena MathsArena (LMArena)15151486
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%60.3%
LiveBench 1.0 Data AnalysisLiveBench74.5%76.5%
AA-Omniscience v1.1Artificial Analysis37.6–
MMLU-ProVals AI91.6%88.3%
LegalBenchVals AI87.0%85.3%
CorpFinVals AI73.2%†70.9%
TaxEvalVals AI75.1%†80.4%
BioMysteryBenchVals AI79.3%64.8%
Excel Modeling BenchmarkVals AI73.6%57.0%
MedCodeVals AI63.6%49.4%
MedScribeVals AI91.0%90.1%
Public Benefits Bench v1.1Vals AI76.9%68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
DrugDiscoveryBenchScale AI SEAL53.7%–
EBR-benchEpoch AI Benchmarking Hub45.7%–
GDP.pdfEpoch AI Benchmarking Hub24.0%16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis60.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis40.6%–
FACTS ParametricGoogle48.8%†–
指令遵循
LiveBench LanguageLiveBench88.7%78.6%
LiveBench Instruction FollowingLiveBench63.8%74.3%
Arena Instruction FollowingArena (LMArena)14941479
人类偏好
Arena TextArena (LMArena)14891493
EQ-Bench 4EQ-Bench1365†–
EQ-Bench Creative Writing v3EQ-Bench2135†1842†
Arena Creative WritingArena (LMArena)14731443
Arena Multi-turnArena (LMArena)14861510
Arena Longer QueriesArena (LMArena)15021491
多模态
Arena VisionArena (LMArena)1318†1305
MMMU-ProArtificial Analysis84.7%–
MMMU-Pro (Vals)Vals AI89.9%86.1%
MortgageTaxVals AI72.1%†65.4%
Humanity's Sixth SenseScale AI SEAL30.5%24.5%
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†–
Furniture AssemblyEpoch AI Benchmarking Hub60.8%–
长上下文
AA-LCR v1.1Artificial Analysis79.3%79.0%
Arena DocumentArena (LMArena)1486†–
MLCRArtificial Analysis11.1%7.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†155.0†
LiveBench 1.0LiveBench80.1%78.0%
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis50.839.6
AA Progress Index v1Artificial Analysis333.7309.1
Vals RSI IndexVals AI33.0%–
Vals Science IndexVals AI47.9%–
Vals Multimodal IndexVals AI73.9%†69.8%†
安全与诚实
FORTRESSScale AI SEAL16.8%†–
DistressBenchScale AI SEAL70.2%†88.4%†

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 5 (max):25 项新结果(LiveCodeBench, MMLU-Pro, IOI…)。
  • Claude Opus 5 (max):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):BenchLeader Index 65.5 → 65.0。
  • Claude Opus 5 (max):7 项新结果(AA Intelligence Index v5.0.1, HLE-Diamond (AA), AA-Omniscience v1.1…)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。

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 5 vs Muse Spark 1.2:常见问题

Claude Opus 5 比 Muse Spark 1.2 更好吗?
Claude Opus 5 (max) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(65.0 比 61.5,在 ±5.3 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。
Claude Opus 5 和 Muse Spark 1.2 哪个更便宜?价格会变吗?
目前 Muse Spark 1.2 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。
编程用 Claude Opus 5 还是 Muse Spark 1.2 更好?
Claude Opus 5 在编程方面得分更高(类别得分 67 比 55,50 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 5 为 1691,Muse Spark 1.2 为 1534。
Claude Opus 5 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(约 2 倍;输出 208 比 80 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5 还是 Muse Spark 1.2 更好?
Claude Opus 5 在智能体任务方面得分更高(类别得分 64 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,Claude Opus 5 为 42.1%,Muse Spark 1.2 为 34.9%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(64 比 64)。两者都约为 1M token(Claude Opus 5 为 1,000,000,Muse Spark 1.2 为 1,048,576)。
哪个延迟更低?
Muse Spark 1.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.4 秒比 48.5 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 5 和 Muse Spark 1.2 的看法一致吗?
在两者都有结果的 62 项基准测试中,Claude Opus 5 领先 52 项,Muse Spark 1.2 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
Muse Spark 1.2 是什么时候发布的?
Muse Spark 1.2 于 2026年8月5日 发布。