BenchLeader

DeepSeek V4.1 Flash 1017 vs Muse Spark

完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 Muse Spark(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,质量上 Muse Spark 领先 DeepSeek V4.1 Flash(BenchLeader Index 64.2 比 57.7)。看重长上下文(66 比 64)和数学(61 比 59)选 DeepSeek V4.1 Flash;看重知识(63 比 48)、推理(67 比 56)和智能体与工具(65 比 58)选 Muse Spark。

要点(截至 2026年11月16日)

  • DeepSeek V4.1 Flash 的 BenchLeader Index 为 57.7,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • DeepSeek V4.1 Flash 每百万 token 混合价格为 $0.525(标价,2026年11月16日)。
  • 在两者都有结果的 11 项基准测试中,DeepSeek V4.1 Flash 领先 11 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 63;SciCode 51.5% 比 55.9%中
智能体与工具调用Muse Spark类别得分 65 比 58;GDPval-AA v2.1 1006 比 1746中
数学DeepSeek V4.1 Flash 1017类别得分 61 比 59;OTIS Mock AIME 99.4% 比 88.9%中
推理Muse Spark类别得分 67 比 56;GPQA Diamond 89.8% 比 93.2%高
知识Muse Spark类别得分 63 比 48高
长文档DeepSeek V4.1 Flash 1017类别得分 66 比 64;AA-LCR v1.1 82.7% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 63;MMMU-Pro 80.5% 比 80.6%中
对话质量(人类偏好)–只有 Muse Spark 有 Arena 评分(类别得分 68)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

  • 质量上 Muse Spark 领先:64.2 比 57.7。
  • DeepSeek V4.1 Flash 1017 (max) 在长上下文、数学方面更强。
  • Muse Spark 在智能体与工具、编程、知识、多模态、推理方面更强。

概览

规格DeepSeek V4.1 Flash 1017Muse Spark
提供商DeepSeekMeta
发布日期2026年10月17日2026年4月8日
上下文窗口(token)1,048,576262,144
对比时的配置DeepSeek V4.1 Flash 1017 (max)Muse Spark
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.300 / $1.20 / $0.0060–

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DeepSeek V4.1 Flash 1017 (max)Muse Spark领先者
推理55.767.4Muse Spark
编程63.065.1Muse Spark
智能体与工具57.665.0Muse Spark
数学60.959.1DeepSeek V4.1 Flash 1017
知识47.763.1Muse Spark
指令遵循–76.9无法比较
人类偏好–68.1无法比较
多模态63.064.2Muse Spark
长上下文66.063.6DeepSeek V4.1 Flash 1017
综合55.5–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数学知识长上下文多模态DeepSeek V4.1 Flash 1017, 推理: 55.7DeepSeek V4.1 Flash 1017, 编程: 63.0DeepSeek V4.1 Flash 1017, 智能体与工具: 57.6DeepSeek V4.1 Flash 1017, 数学: 60.9DeepSeek V4.1 Flash 1017, 知识: 47.7DeepSeek V4.1 Flash 1017, 长上下文: 66.0DeepSeek V4.1 Flash 1017, 多模态: 63.0Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2

未绘制(测得的模型少于两个):指令遵循, 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 11 项基准测试中,DeepSeek V4.1 Flash 1017 领先 11 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexDeepSeek V4.1 Flash 1017 (max)Muse Spark领先者
BenchLeader Index57.764.2Muse Spark

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DeepSeek V4.1 Flash 1017 (max)Muse Spark
每百万 token 混合价格$0.525–
每百万 token 输入 / 输出$0.300 / $1.20– / –
每百万 token 缓存输入$0.0060–
每项任务价格:聊天回复$0.0005–
每项任务价格:总结一份 30 页的报告$0.0043–
每项任务价格:代码编辑$0.0036–
每项任务价格:智能体编程会话$0.023–
每项任务价格:结构化信息提取$0.0008–
智能体编程会话(输入大多命中缓存)$0.0096–
每项基准测试任务成本(AA Index)$0.602–
每项任务输出 token(AA Index)139k–
其中推理部分91k–
每项任务耗时(AA Index)13 min–
输出速度174 tok/s–
首次回答时间39.7 秒–
完整回答耗时(最近一次测量 2026年11月13日)91.2 秒–

每个模型都按其排名最高的推理强度设置进行对比。DeepSeek V4.1 Flash 1017 (max) 得分 57.7,首个回答 token 需 40 秒;DeepSeek V4.1 Flash 1017 (high) 为 51.2(20 秒),DeepSeek V4.1 Flash 1017 (无推理) 为 44.9(1 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 127 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DeepSeek V4.1 Flash 1017 (max)Muse Spark
BenchLeader IndexBenchLeader57.764.2
智能体与工具得分BenchLeader57.665.0
编程得分BenchLeader63.065.1
综合得分BenchLeader55.5–
知识得分BenchLeader47.763.1
长上下文得分BenchLeader66.063.6
数学得分BenchLeader60.959.1
多模态得分BenchLeader63.064.2
推理得分BenchLeader55.767.4
人类偏好得分BenchLeader–68.1
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$0.525–
输出速度BenchLeader174 tok/s–
首次回答时间BenchLeader39.7 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.2%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
Arena Hard PromptsArena (LMArena)–1506
LiveBench 2.0 ReasoningLiveBench89.1%–
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis43.3%40.7%
HLE-Diamond (AA)Artificial Analysis25.3%–
GPQA Diamond (Vals)Vals AI–89.7%
ARC-AGI-1ARC Prize93.5%–
ARC-AGI-2ARC Prize78.1%–
ARC-AGI-3ARC Prize5.8%–
CritPtArtificial Analysis24.0%11.3%
CritPt v2 hard subset (AA)Artificial Analysis25.0%–
HLE-Diamond (Scale)Scale AI SEAL20.5%†–
Arena ExpertArena (LMArena)–1491
Chess PuzzlesEpoch AI Benchmarking Hub46.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub49.0%–
编程
SciCodeSciCode55.9%51.5%
Arena CodingArena (LMArena)–1529
Arena WebDevArena (LMArena)1664–
LiveBench 2.0 CodingLiveBench80.4%–
SciCode (AA)Artificial Analysis55.9%–
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI44.2%–
显示全部 127 项基准测试
指标发布方DeepSeek V4.1 Flash 1017 (max)Muse Spark
编程
Code Migration v1.1Vals AI67.5%–
Vibe Code Bench v1.1Vals AI87.7%19.7%
Vibe Code Bench 1-100 v1.1Vals AI26.1%–
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
CursorBenchCursor47.7%–
ALE-BenchEpoch AI Benchmarking Hub1622–
WeirdML v3WeirdML9.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis33.8%–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
GameBench 2 OverallDuelLab GameBench 261.4†–
GameBench 2 by reasoning settingDuelLab GameBench 269.9–
Design Arena WebsiteDesign Arena1295†1253
FrontierCode 1.1 (AA)Artificial Analysis43.7%–
FrontierCode 2.0 (AA)Artificial Analysis28.5%–
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
APEX-AgentsMercor69.8%–
Arena AgentArena (LMArena)2–
LiveBench Long AgenticLiveBench38.8%–
LiveBench BrowserLiveBench67.2%–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
MCP AtlasScale AI SEAL–82.2%
GDPval-AA v2.1, normalised scoreArtificial Analysis62.3%–
GDPval-AA v2.1Artificial Analysis17461006
Finance Agent v2Vals AI57.0%–
Finance Agent v2.1Vals AI62.9%–
Harvey's Legal Agent Benchmark v1.1Vals AI14.2%–
Harvey's Legal Agent Benchmark v1Vals AI9.2%–
Legal Research BenchVals AI45.2%–
Tax Agent BenchVals AI44.4%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI31.8%–
Arena Agent Task CompletionArena (LMArena)2.3–
AutomationBenchArtificial Analysis66.6%–
GDP.pdf (AA)Artificial Analysis17.2%–
AA-Briefcase v1.1Artificial Analysis1570646
GDPxGDPx by SemiAnalysis5.4%–
Design Arena AgenticDesign Arena1282†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis12.9%–
CWE-Bench (AA)Artificial Analysis69.2%–
DeepSec-Bench (AA)Artificial Analysis24.9%–
CyberGym end-to-end (AA)Artificial Analysis76.3%–
MKA (AA)Artificial Analysis38.5%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.2%–
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI–96.9%
ArXivMathMathArena42.5%–
BrokenArXivMathArena48.7%–
Arena MathsArena (LMArena)–1469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub42.5%–
LiveBench 2.0 Data AnalysisLiveBench79.5%–
LiveBench ResearchLiveBench78.6%–
AA-Omniscience v1.1Artificial Analysis0.9–
MMLU-ProVals AI–87.3%
LegalBenchVals AI–84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL47.1%†52.4%
PRBench LegalScale AI SEAL47.3%†52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI–63.1%
Excel Modeling BenchmarkVals AI61.8%–
Excel Modeling Benchmark v1.1Vals AI69.2%–
MedCodeVals AI–51.3%
MedScribeVals AI–85.9%
Access to Justice BenchmarkVals AI73.1%–
DrugDiscoveryBenchScale AI SEAL60.6%†–
AA-Omniscience v1.1: accuracyArtificial Analysis39.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis35.9%–
指令遵循
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL74.9%†75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)–1465
人类偏好
Arena TextArena (LMArena)–1489
Arena Creative WritingArena (LMArena)–1464
Arena Multi-turnArena (LMArena)–1493
Arena Longer QueriesArena (LMArena)–1476
多模态
Arena VisionArena (LMArena)–1306
LiveBench DesignLiveBench79.8%–
MMMU-ProArtificial Analysis80.6%80.5%
MMMU-Pro (Vals)Vals AI–87.4%
Humanity's Sixth SenseScale AI SEAL30.1%–
VIALS-AAHandshake AI40.4%–
长上下文
AA-LCR v1.1Artificial Analysis82.7%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis26.7%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.4†153.1
LiveBench 2.0LiveBench70.3%–
AA Intelligence Index v5.0.1Artificial Analysis32.6–
AA Intelligence Index v4.3.2Artificial Analysis45.131.3
AA Progress Index v1Artificial Analysis323.7289.1
Vals IndexVals AI61.3–
Vals Finance IndexVals AI60.9%–
Vals Router IndexVals AI61.3%†–
Vals Legal IndexVals AI71.9%–
AA Cyber IndexArtificial Analysis56.8–
安全与诚实
FORTRESSScale AI SEAL27.2%†20.2%
元数据
AA Openness IndexArtificial Analysis44.4–

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

  • DeepSeek V4.1 Flash 1017 (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 58.5 → 58.0。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • DeepSeek V4.1 Flash 1017 (max):1 项新结果(Terminal-Bench);1 项分数修订。
  • DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 59.0 → 58.5。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • Muse Spark:1 项分数修订。
  • DeepSeek V4.1 Flash 1017 (max):3 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

DeepSeek V4.1 Flash 1017 vs Muse Spark:常见问题

Muse Spark 比 DeepSeek V4.1 Flash 1017 更好吗?
质量上 Muse Spark 领先:64.2 比 57.7。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Muse Spark 总体领先,但请结合你的用途查看各类别得分。
编程用 DeepSeek V4.1 Flash 1017 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 63,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,DeepSeek V4.1 Flash 1017 为 55.9%,Muse Spark 为 51.5%。
DeepSeek V4.1 Flash 和 DeepSeek V4.1 Flash 1017 是同一个模型吗?
本页对比的检查点是 DeepSeek V4.1 Flash 1017(BenchLeader Index 57.7);它取代了之前的版本,因此搜索 DeepSeek V4.1 Flash 的用户也会来到本页。
智能体和工具调用用 DeepSeek V4.1 Flash 1017 还是 Muse Spark 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 58,50 为平均水平)。
处理长文档哪个更好?
DeepSeek V4.1 Flash 1017 在长上下文基准测试上得分更高(66 比 64)。DeepSeek V4.1 Flash 1017 支持更长的上下文:1,048,576 token,Muse Spark 为 262,144 token。
更多问题(2)
第三方基准测试对 DeepSeek V4.1 Flash 1017 和 Muse Spark 的看法一致吗?
在两者都有结果的 11 项基准测试中,DeepSeek V4.1 Flash 1017 领先 11 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
DeepSeek V4.1 Flash 1017 是什么时候发布的?
DeepSeek V4.1 Flash 1017 于 2026年10月17日 发布。