BenchLeader

Claude Opus 5 vs Muse Wonder

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

更新于 · 数据来自 14 个来源

截至 2026年11月16日,Claude Opus 5 与 Muse Wonder 的质量不相上下(BenchLeader Index 65.0 比 64.4,在 ±3.4 的误差范围内)。Muse Wonder 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。

要点(截至 2026年11月16日)

  • Claude Opus 5 的 BenchLeader Index 为 65.0,Muse Wonder 为 64.4(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 Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • 在两者都有结果的 3 项基准测试中,Claude Opus 5 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 Wonder类别得分 76 比 64高
数学均可类别得分 70 比 70;ProofBench 99.0% 比 84.0%均可
知识Muse Wonder类别得分 77 比 65高
对话质量(人类偏好)Muse WonderArena 投票 70 比 68中
成本最低Muse Wonder每百万 token 混合价格 $8.00 比 $10.00;智能体编程会话 $0.320 比 $0.400–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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 Wonder 的质量不相上下(65.0 比 64.4,在 ±3.4 的误差范围内)。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • Muse Wonder 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $8.00 比 $10.00)。

概览

规格Claude Opus 5Muse Wonder
提供商AnthropicMeta
发布日期2026年7月24日2026年10月12日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Opus 5 (max)Muse Wonder
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$4.00 / $20.00 / $0.200

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 Wonder领先者
推理66.1–无法比较
编程67.0–无法比较
智能体与工具63.875.6Muse Wonder
数学69.870.1持平
知识65.277.1Muse Wonder
人类偏好68.169.6Muse Wonder
多模态67.2–无法比较
长上下文64.3–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智能体与工具数学知识人类偏好Claude Opus 5, 智能体与工具: 63.8Claude Opus 5, 数学: 69.8Claude Opus 5, 知识: 65.2Claude Opus 5, 人类偏好: 68.1Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1Muse Wonder, 人类偏好: 69.6

未绘制(测得的模型少于两个):推理, 编程, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 3 项基准测试中,Claude Opus 5 领先 3 项,Muse Wonder 领先 0 项。第三方来源看法不一:Claude Opus 5 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Arena Text 上领先。

综合 IndexClaude Opus 5 (max)Muse Wonder领先者
BenchLeader Index65.064.4不相上下
AA Intelligence Index v5.0.144.240.5†Claude Opus 5
Arena Text14891511†Muse Wonder

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 Wonder
每百万 token 混合价格$10.00$8.00
每百万 token 输入 / 输出$5.00 / $25.00$4.00 / $20.00
每百万 token 缓存输入$0.500$0.200
每项任务价格:聊天回复$0.0095$0.0076
每项任务价格:总结一份 30 页的报告$0.075$0.060
每项任务价格:代码编辑$0.068$0.054
每项任务价格:智能体编程会话$0.400$0.320
每项任务价格:结构化信息提取$0.015$0.012
智能体编程会话(输入大多命中缓存)$0.198$0.149
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/s70 tok/s
首次回答时间48.5 秒3.3 秒
完整回答耗时(最近一次测量 2026年11月13日)191.6 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(13 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 175 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 Wonder
BenchLeader IndexBenchLeader65.064.4
智能体与工具得分BenchLeader63.875.6
编程得分BenchLeader67.0–
人类偏好得分BenchLeader68.169.6
知识得分BenchLeader65.277.1
长上下文得分BenchLeader64.3–
数学得分BenchLeader69.870.1
多模态得分BenchLeader67.2–
推理得分BenchLeader66.1–
混合价格(美元/百万 token)BenchLeader$10.00$8.00
输出速度BenchLeader80 tok/s70 tok/s
首次回答时间BenchLeader48.5 秒3.3 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.9%–
SimpleBenchSimpleBench80.6%†–
Arena Hard PromptsArena (LMArena)15131531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench91.2%90.6%†
GPQA Diamond (AA)Artificial Analysis93.2%–
Humanity's Last Exam (AA)Artificial Analysis54.9%50.1%†
HLE-Diamond (AA)Artificial Analysis44.8%39.0%†
GPQA Diamond (Vals)Vals AI93.4%†–
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize90.4%–
ARC-AGI-3ARC Prize30.2%†–
CritPtArtificial Analysis29.1%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis50.0%50.5%†
MysteryMechanismVals AI37.4%27.5%†
HLE-Diamond (Scale)Scale AI SEAL38.6%†37.3%
Arena ExpertArena (LMArena)15301525†
Chess PuzzlesEpoch AI Benchmarking Hub43.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub59.0%51.0%†
LMCAEpoch AI Benchmarking Hub63.3%56.8%
DTBenchEpoch AI Benchmarking Hub97.6%95.2%
ForecastBenchForecastBench66.6%–
BTF-3Epoch AI Benchmarking Hub12.0%†–
编程
SciCodeSciCode56.4%60.3%†
WeirdMLWeirdML91.8%–
显示全部 175 项基准测试
指标发布方Claude Opus 5 (max)Muse Wonder
编程
FrontierCodeCognition53.4%–
Arena CodingArena (LMArena)15281542†
Arena WebDevArena (LMArena)16911647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench81.5%80.7%†
LiveCodeBenchVals AI89.0%–
IOIVals AI84.3%66.9%†
SWE-bench (Vals)Vals AI97.0%†–
Code MigrationVals AI57.5%62.5%†
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI3.0%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI28.5%26.6%†
Vibe Code Bench v1.1Vals AI88.4%†83.1%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL63.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL62.2%†–
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL99.4%†96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL98.0%†90.2%†
MirrorCodeEpoch AI Benchmarking Hub87.8%45.6%†
DeepSWE v1.1Epoch AI Benchmarking Hub73.7%–
CursorBenchCursor46.6%50.4%†
ALE-BenchEpoch AI Benchmarking Hub2164.6†–
FrontierSWEEpoch AI Benchmarking Hub52.0%–
WeirdML v3WeirdML19.0%†15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis49.0%52.0%†
Terminal-Bench 2.1 (AA)Artificial Analysis89.1%–
Startrise FrontendStartrise82.3%†–
GameBench 2 OverallDuelLab GameBench 276.5†64.8
GameBench 2 by reasoning settingDuelLab GameBench 284.8†54.9†
Design Arena WebsiteDesign Arena1304†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis31.1%27.9%†
智能体与工具
Terminal-BenchTerminal-Bench52.1%47.0%†
OSWorld-Verified 2.0OSWorld31.4%–
APEX-AgentsMercor65.8%66.1%†
Arena AgentArena (LMArena)7.21.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench65.2%62.7%†
Terminal-Bench 2.1 (Vals)Vals AI84.6%†–
MCP AtlasScale AI SEAL85.8%†–
HiL-BenchScale AI SEAL57.0%†79.7%
τ³-bench Bankingτ²-bench48.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis17291770†
τ³-Banking (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis53.8%–
CUA-benchVals AI9.0%7.2%†
CyberBenchVals AI65.4%80.4%†
Finance Agent v2Vals AI58.6%56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI6.7%17.1%†
Legal Research BenchVals AI55.3%50.5%†
SkillsBenchVals AI60.4%–
SREBenchVals AI12.2%–
Tax Agent BenchVals AI47.1%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI53.5%49.5%†
Terminal-Bench ScienceVals AI27.1%22.9%†
Time Horizon Index: KSPVals AI18.8%–
Arena SearchArena (LMArena)1213†–
Arena Agent Task CompletionArena (LMArena)10.25.4†
BALROGBALROG63.4%–
PostTrainBenchEpoch AI Benchmarking Hub35.7%†24.2%†
GBAEvalEpoch AI Benchmarking Hub79.6%†–
Vending-Bench 2Andon Labs11181.9†9432.2
AutomationBenchArtificial Analysis56.6%68.1%†
GDP.pdf (AA)Artificial Analysis21.6%30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
EnterpriseOps-GymArtificial Analysis47.5%–
AA-Briefcase v1.1Artificial Analysis16541659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1270†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis28.6%25.7%†
DeepSec-Bench (AA)Artificial Analysis25.9%–
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.6%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub73.2%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.9%99.4%†
ProofBenchVals AI99.0%84.0%
LiveBench MathematicsLiveBench95.7%96.5%†
Arena MathsArena (LMArena)15151490†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub59.9%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench74.5%81.6%†
AA-Omniscience v1.1Artificial Analysis37.625.1†
MMLU-ProVals AI91.6%–
LegalBenchVals AI87.0%–
CorpFinVals AI73.2%†–
TaxEvalVals AI75.1%†–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI79.3%67.0%†
Excel Modeling BenchmarkVals AI73.6%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI63.6%–
MedScribeVals AI91.0%–
Public Benefits Bench v1.1Vals AI76.9%70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
DrugDiscoveryBenchScale AI SEAL53.7%–
EBR-benchEpoch AI Benchmarking Hub45.7%31.4%†
GDP.pdfEpoch AI Benchmarking Hub24.0%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis60.9%38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis40.6%79.1%†
FACTS ParametricGoogle48.8%†–
指令遵循
LiveBench LanguageLiveBench88.7%82.9%†
LiveBench Instruction FollowingLiveBench63.8%73.0%†
Arena Instruction FollowingArena (LMArena)14941498†
人类偏好
Arena TextArena (LMArena)14891511†
EQ-Bench 4EQ-Bench1365†1325
EQ-Bench Creative Writing v3EQ-Bench2135†2007
Arena Creative WritingArena (LMArena)14731491†
Arena Multi-turnArena (LMArena)14861525†
Arena Longer QueriesArena (LMArena)15021507†
多模态
Arena VisionArena (LMArena)1318†–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis84.7%83.8%†
MMMU-Pro (Vals)Vals AI89.9%–
MortgageTaxVals AI72.1%†–
Humanity's Sixth SenseScale AI SEAL30.5%43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub30.4%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub60.8%54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis79.3%80.7%†
Arena DocumentArena (LMArena)1486†–
MLCRArtificial Analysis11.1%22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub164.7†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench80.1%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis44.243.6†
AA Intelligence Index v4.3.2Artificial Analysis50.852.4†
AA Progress Index v1Artificial Analysis333.7335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals RSI IndexVals AI33.0%–
Vals Science IndexVals AI47.9%39.1%†
Vals Multimodal IndexVals AI73.9%†–
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
FORTRESSScale AI SEAL16.8%†–
DistressBenchScale AI SEAL70.2%†85.9%

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

  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • 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 Wonder:BenchLeader Index 63.5 → 63.0。
  • Claude Opus 5 (max):1 项新结果(MirrorCode)。
  • Claude Opus 5 (max):BenchLeader Index 65.5 → 65.0。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • Claude Opus 5 (max):7 项新结果(AA Intelligence Index v5.0.1, HLE-Diamond (AA), AA-Omniscience v1.1…)。

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 Wonder:常见问题

Claude Opus 5 比 Muse Wonder 更好吗?
Claude Opus 5 (max) 与 Muse Wonder 的质量不相上下(65.0 比 64.4,在 ±3.4 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 Wonder 哪个更便宜?价格会变吗?
目前 Muse Wonder 更便宜:每百万 token $8.00 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 5 和 Muse Wonder 哪个更快?
Claude Opus 5 输出更快(输出 80 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Claude Opus 5 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 64,50 为平均水平)。
处理长文档哪个更好?
两者都约为 1M token(Claude Opus 5 为 1,000,000,Muse Wonder 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Wonder 的看法一致吗?
在两者都有结果的 3 项基准测试中,Claude Opus 5 领先 3 项,Muse Wonder 领先 0 项。第三方来源看法不一:Claude Opus 5 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Arena Text 上领先。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。