BenchLeader

Gemini 3.1 Pro vs Muse Spark

完整资料:Gemini 3.1 Pro(Google)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,Gemini 3.1 Pro 与 Muse Spark 的质量不相上下(BenchLeader Index 60.4 比 64.2,在 ±4.9 的误差范围内)。看重数学(66 比 59)和知识(66 比 63)选 Gemini 3.1 Pro;看重智能体与工具(65 比 57)、编程(65 比 59)和推理(67 比 65)选 Muse Spark。

要点(截至 2026年11月16日)

  • Gemini 3.1 Pro 的 BenchLeader Index 为 60.4,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Gemini 3.1 Pro 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
  • 在两者都有结果的 16 项基准测试中,Gemini 3.1 Pro 领先 12 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 59;SWE-bench (Vals) 74.4% 比 78.8%中
智能体与工具调用Muse Spark类别得分 65 比 57;MCP Atlas 82.2% 比 78.2%高
数学Gemini 3.1 Pro类别得分 66 比 59;OTIS Mock AIME 95.6% 比 88.9%中
推理Muse Spark类别得分 67 比 65;GPQA Diamond 89.8% 比 94.4%中
知识Gemini 3.1 Pro类别得分 66 比 63;MMLU-Pro 91.0% 比 87.3%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

  • Gemini 3.1 Pro (high) 与 Muse Spark 的质量不相上下(60.4 比 64.2,在 ±4.9 的误差范围内)。
  • Gemini 3.1 Pro (high) 在知识、数学方面更强。
  • Muse Spark 在智能体与工具、编程、推理方面更强。

概览

规格Gemini 3.1 ProMuse Spark
提供商GoogleMeta
发布日期2026年2月19日2026年4月8日
上下文窗口(token)1,048,576262,144
对比时的配置Gemini 3.1 Pro (high)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $12.00 / $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Gemini 3.1 Pro (high)Muse Spark领先者
推理64.767.4Muse Spark
编程58.665.1Muse Spark
智能体与工具56.765.0Muse Spark
数学65.759.1Gemini 3.1 Pro
知识65.663.1Gemini 3.1 Pro
指令遵循–76.9无法比较
人类偏好–68.1无法比较
多模态–64.2无法比较
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推理编程智能体与工具数学知识Gemini 3.1 Pro, 推理: 64.7Gemini 3.1 Pro, 编程: 58.6Gemini 3.1 Pro, 智能体与工具: 56.7Gemini 3.1 Pro, 数学: 65.7Gemini 3.1 Pro, 知识: 65.6Muse 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: 63.1

未绘制(测得的模型少于两个):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 16 项基准测试中,Gemini 3.1 Pro 领先 12 项,Muse Spark 领先 4 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGemini 3.1 Pro (high)Muse Spark领先者
BenchLeader Index60.464.2不相上下
Arena Text1487†1489Muse 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Gemini 3.1 Pro (high)Muse Spark
每百万 token 混合价格$4.50–
每百万 token 输入 / 输出$2.00 / $12.00– / –
每百万 token 缓存输入$0.200–
每项任务价格:聊天回复$0.0044–
每项任务价格:总结一份 30 页的报告$0.031–
每项任务价格:代码编辑$0.030–
每项任务价格:智能体编程会话$0.168–
每项任务价格:结构化信息提取$0.0064–
智能体编程会话(输入大多命中缓存)$0.087–
输出速度111 tok/s–
首次回答时间15.2 秒–
完整回答耗时(最近一次测量 2026年11月13日)37.5 秒–

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.1 Pro (high) 得分 60.4,首个回答 token 需 15 秒;Gemini 3.1 Pro 为 59.9(15 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 159 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Gemini 3.1 Pro (high)Muse Spark
BenchLeader IndexBenchLeader60.464.2
智能体与工具得分BenchLeader56.765.0
编程得分BenchLeader58.665.1
知识得分BenchLeader65.663.1
数学得分BenchLeader65.759.1
推理得分BenchLeader64.767.4
人类偏好得分BenchLeader–68.1
指令遵循得分BenchLeader–76.9
长上下文得分BenchLeader–63.6
多模态得分BenchLeader–64.2
混合价格(美元/百万 token)BenchLeader$4.50–
输出速度BenchLeader111 tok/s–
首次回答时间BenchLeader15.2 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.4%89.8%
Humanity's Last ExamScale AI / CAIS46.4%†40.6%
SimpleBenchSimpleBench79.6%†–
Arena Hard PromptsArena (LMArena)1508†1506
LiveBench 1.0 ReasoningLiveBench84.0%–
GPQA Diamond (AA)Artificial Analysis94.1%†88.4%
Humanity's Last Exam (AA)Artificial Analysis47.0%†40.7%
HLE-Diamond (AA)Artificial Analysis31.4%†–
GPQA Diamond (Vals)Vals AI95.5%89.7%
EnigmaEvalScale AI SEAL36.8%–
ARC-AGI-1ARC Prize98.0%†–
ARC-AGI-2ARC Prize77.1%†–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis17.7%†11.3%
MysteryMechanismVals AI20.7%–
Arena ExpertArena (LMArena)1509†1491
Chess PuzzlesEpoch AI Benchmarking Hub51.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%–
CL-benchEpoch AI Benchmarking Hub20.8%†–
CL-bench LifeEpoch AI Benchmarking Hub16.9%†–
LMCAEpoch AI Benchmarking Hub53.8%–
DTBenchEpoch AI Benchmarking Hub95.5%–
ForecastBenchForecastBench65.2%–
编程
SciCodeSciCode58.7%†51.5%
WeirdMLWeirdML72.1%†–
显示全部 159 项基准测试
指标发布方Gemini 3.1 Pro (high)Muse Spark
编程
GSO-BenchGSO-Bench22.6%†–
Arena CodingArena (LMArena)1520†1529
Arena WebDevArena (LMArena)1446†–
LiveBench 1.0 CodingLiveBench76.5%–
SciCode (AA)Artificial Analysis58.7%†–
LiveCodeBenchVals AI88.5%–
IOIVals AI51.8%–
SWE-bench (Vals)Vals AI78.8%74.4%
SWE-Bench ProScale AI SEAL46.1%†55.0%
Code MigrationVals AI17.3%–
ProgramBenchVals AI0.0%–
Vibe Code Bench 1-100Vals AI6.7%–
Vibe Code Bench v1.1Vals AI32.0%19.7%
SWE-Bench Pro (private)Scale AI SEAL32.2%†44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL13.5%†24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL33.8%†–
SWE Atlas v1.0: Test WritingScale AI SEAL29.8%†31.1%
MirrorCodeEpoch AI Benchmarking Hub8.9%–
DeepSWE v1.1Epoch AI Benchmarking Hub11.7%†–
ALE-BenchEpoch AI Benchmarking Hub1160.6†–
AlgoTuneAlgoTune2.0†–
Terminal-Bench 4.0 (AA)Artificial Analysis4.0%†–
Terminal-Bench 2.1 (AA)Artificial Analysis73.8%†62.2%
Design Arena WebsiteDesign Arena1226†1253
智能体与工具
Terminal-BenchTerminal-Bench80.2%†–
APEX-AgentsMercor35.1%†–
Arena AgentArena (LMArena)-4.5†–
LiveBench Agentic CodingLiveBench44.1%–
Terminal-Bench HardArtificial Analysis53.8%†45.5%
τ²-Bench Telecom (AA)Artificial Analysis95.6%†91.5%
Terminal-Bench 2.1 (Vals)Vals AI70.8%–
MCP AtlasScale AI SEAL78.2%82.2%
HiL-BenchScale AI SEAL35.3%†–
τ³-bench Bankingτ²-bench26.0%–
GDPval-AA v2.1, normalised scoreArtificial Analysis14.6%†–
GDPval-AA v2.1Artificial Analysis799†1006
τ³-Banking (AA)Artificial Analysis21.4%†–
ITBench SRE (AA)Artificial Analysis30.3%†–
Analyst Agent (AA)Artificial Analysis41.3%†–
APEX-Agents (AA)Artificial Analysis32.0%†–
Finance Agent v2Vals AI43.0%–
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
Legal Research BenchVals AI20.7%–
SREBenchVals AI0.0%–
Tax Agent BenchVals AI9.3%–
Terminal-Bench 2.0 (Vals)Vals AI67.4%59.5%
Terminal-Bench 4.0 (Vals)Vals AI2.5%–
Terminal-Bench ScienceVals AI1.4%–
Arena SearchArena (LMArena)1209†–
Arena Agent Task CompletionArena (LMArena)-11.3†–
BALROGBALROG57.0%†–
DeepResearch BenchDeepResearch Bench47.8%–
PostTrainBenchEpoch AI Benchmarking Hub18.1%†–
ExploitBenchEpoch AI Benchmarking Hub26.1%†–
METR Time HorizonsMETR77.0%†–
GBAEvalEpoch AI Benchmarking Hub0.8%†–
Vending-Bench 2Andon Labs911.2†–
AutomationBenchArtificial Analysis35.4%†–
GDP.pdf (AA)Artificial Analysis17.8%†–
Harvey LAB-AA v1.1Harvey0.0%†–
EnterpriseOps-GymArtificial Analysis42.2%†–
AA-Briefcase v1.1Artificial Analysis457†646
Design Arena AgenticDesign Arena1088†–
BrowseCompOpenAI31.2%†–
DeepSearchQAGoogle60.2%†–
FACTS SearchGoogle90.2%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.6%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%88.9%
ProofBenchVals AI26.0%†17.0%
LiveBench MathematicsLiveBench91.0%–
AIME (Vals)Vals AI98.1%96.9%
AIME 2026MathArena98.3%–
HMMT February 2026MathArena94.7%–
USAMO 2026MathArena74.4%–
MathArena ApexMathArena60.9%–
Arena MathsArena (LMArena)1488†1469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub73.5%–
LiveBench 1.0 Data AnalysisLiveBench78.5%–
MMLU-ProVals AI91.0%87.3%
LegalBenchVals AI87.4%84.2%
CorpFinVals AI64.5%65.1%
TaxEvalVals AI72.9%77.7%
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL41.9%†52.4%
PRBench LegalScale AI SEAL44.0%†52.3%
MultiNRCScale AI SEAL64.7%†59.0%
BioMysteryBenchVals AI60.0%–
CaseLaw v2Vals AI64.8%63.1%
Excel Modeling BenchmarkVals AI52.6%–
MedCodeVals AI59.1%51.3%
MedScribeVals AI76.1%85.9%
Public Benefits Bench v1.1Vals AI53.8%–
Financial Coaching BenchVals AI66.7%–
DrugDiscoveryBenchScale AI SEAL41.9%–
EBR-benchEpoch AI Benchmarking Hub14.3%†–
GDP.pdfEpoch AI Benchmarking Hub17.0%–
Global-MMLU-Lite (AA)Artificial Analysis93.2%†–
FACTS ParametricGoogle79.4%†–
指令遵循
LiveBench LanguageLiveBench85.4%–
LiveBench Instruction FollowingLiveBench79.1%–
IFBenchArtificial Analysis77.1%†75.9%
MultiChallengeScale AI SEAL71.4%†75.5%
TutorBenchScale AI SEAL53.0%†68.5%
Arena Instruction FollowingArena (LMArena)1480†1465
人类偏好
Arena TextArena (LMArena)1487†1489
EQ-Bench 4EQ-Bench1132†–
EQ-Bench Creative Writing v3EQ-Bench1491†–
Arena Creative WritingArena (LMArena)1482†1464
Arena Multi-turnArena (LMArena)1495†1493
Arena Longer QueriesArena (LMArena)1499†1476
多模态
Arena VisionArena (LMArena)1296†1306
MMMU-ProArtificial Analysis82.4%†80.5%
MMMU-Pro (Vals)Vals AI88.2%87.4%
MortgageTaxVals AI69.4%–
SAGEVals AI83.2%–
VTBScale AI SEAL29.0%†–
GeoBenchGeoBench84.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub26.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub26.7%–
FACTS MultimodalGoogle50.4%†–
长上下文
AA-LCR v1.1Artificial Analysis82.0%†78.0%
Arena DocumentArena (LMArena)1459†1467
MLCRArtificial Analysis11.1%†–
FACTS GroundingGoogle56.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†153.1
LiveBench 1.0LiveBench77.0%–
AA Intelligence Index v4.3.2Artificial Analysis29.7†31.3
AA Progress Index v1Artificial Analysis296.1†289.1
Vals Science IndexVals AI27.4%–
Vals Multimodal IndexVals AI56.1%–
安全与诚实
FORTRESSScale AI SEAL29.8%†20.2%
MASKScale AI SEAL42.4%†–
DistressBenchScale AI SEAL68.8%†–

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)。
  • Gemini 3.1 Pro (high):4 项新结果(AIME 2026, HMMT February 2026, USAMO 2026…)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Gemini 3.1 Pro (high):1 项分数修订。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • Gemini 3.1 Pro (high):价格 $1.30/M → $1.44/M。
  • Gemini 3.1 Pro (high):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals Science Index)。
  • Gemini 3.1 Pro (high):1 项分数修订。
  • Gemini 3.1 Pro (high):1 项新结果(τ³-bench Banking)。

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

Gemini 3.1 Pro vs Muse Spark:常见问题

Gemini 3.1 Pro 比 Muse Spark 更好吗?
Gemini 3.1 Pro (high) 与 Muse Spark 的质量不相上下(60.4 比 64.2,在 ±4.9 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 Gemini 3.1 Pro 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 59,50 为平均水平)。
智能体和工具调用用 Gemini 3.1 Pro 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 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 MCP Atlas 上,Gemini 3.1 Pro 为 78.2%,Muse Spark 为 82.2%。
处理长文档哪个更好?
Gemini 3.1 Pro 支持更长的上下文:1,048,576 token,Muse Spark 为 262,144 token。
第三方基准测试对 Gemini 3.1 Pro 和 Muse Spark 的看法一致吗?
在两者都有结果的 16 项基准测试中,Gemini 3.1 Pro 领先 12 项,Muse Spark 领先 4 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。