BenchLeader

Gemini 3.5 Flash vs Muse Spark

完整资料:Gemini 3.5 Flash(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 12 个来源

截至 2026年11月16日,Gemini 3.5 Flash 与 Muse Spark 的质量不相上下(BenchLeader Index 62.5 比 64.2,在 ±4.4 的误差范围内)。看重多模态(66 比 64)选 Gemini 3.5 Flash;看重推理(67 比 61)、编程(65 比 60)和指令遵循(77 比 74)选 Muse Spark。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Gemini 3.5 Flash 每百万 token 混合价格为 $3.38(标价,2026年11月16日)。
  • 在两者都有结果的 38 项基准测试中,Gemini 3.5 Flash 领先 28 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 60;Arena Coding 1529 比 1508中
智能体与工具调用Muse Spark类别得分 65 比 63;Terminal-Bench Hard 45.5% 比 40.9%中
数学Muse Spark类别得分 59 比 58;Arena Maths 1469 比 1497中
推理Muse Spark类别得分 67 比 61;Arena Hard Prompts 1506 比 1496中
知识均可类别得分 63 比 63;MMLU-Pro 89.5% 比 87.3%均可
长文档Muse Spark类别得分 64 比 61;AA-LCR v1.1 78.0% 比 73.3%中
图像及其他媒体Gemini 3.5 Flash类别得分 66 比 64;Arena Vision 1308 比 1306中
指令遵循Muse Spark类别得分 77 比 74;IFBench 75.9% 比 76.3%中
对话质量(人类偏好)Muse SparkArena 投票 68 比 67中
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 3.5 Flash (high) 与 Muse Spark 的质量不相上下(62.5 比 64.2,在 ±4.4 的误差范围内)。
  • Gemini 3.5 Flash (high) 在知识、多模态方面更强。
  • Muse Spark 在智能体与工具、编程、人类偏好、指令遵循、长上下文、数学、推理方面更强。

概览

规格Gemini 3.5 FlashMuse Spark
提供商GoogleMeta
发布日期2026年5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 3.5 Flash (high)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.50 / $9.00 / $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Gemini 3.5 Flash (high)Muse Spark领先者
推理60.667.4Muse Spark
编程59.565.1Muse Spark
智能体与工具62.865.0Muse Spark
数学57.759.1Muse Spark
知识63.363.1持平
指令遵循74.476.9Muse Spark
人类偏好66.868.1Muse Spark
多模态66.264.2Gemini 3.5 Flash
长上下文61.263.6Muse Spark

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指令遵循长上下文多模态人类偏好Gemini 3.5 Flash, 推理: 60.6Gemini 3.5 Flash, 编程: 59.5Gemini 3.5 Flash, 智能体与工具: 62.8Gemini 3.5 Flash, 数学: 57.7Gemini 3.5 Flash, 知识: 63.3Gemini 3.5 Flash, 指令遵循: 74.4Gemini 3.5 Flash, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2Gemini 3.5 Flash, 人类偏好: 66.8Muse 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, 指令遵循: 76.9Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 38 项基准测试中,Gemini 3.5 Flash 领先 28 项,Muse Spark 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGemini 3.5 Flash (high)Muse Spark领先者
BenchLeader Index62.564.2不相上下
Arena Text14781489Muse 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 3.5 Flash (high)Muse Spark
每百万 token 混合价格$3.38–
每百万 token 输入 / 输出$1.50 / $9.00– / –
每百万 token 缓存输入$0.150–
每项任务价格:聊天回复$0.0033–
每项任务价格:总结一份 30 页的报告$0.023–
每项任务价格:代码编辑$0.022–
每项任务价格:智能体编程会话$0.126–
每项任务价格:结构化信息提取$0.0048–
智能体编程会话(输入大多命中缓存)$0.065–
输出速度176 tok/s–
首次回答时间9.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)27.6 秒–

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.5 Flash (high) 得分 62.5,首个回答 token 需 10 秒;Gemini 3.5 Flash (medium) 为 61.8(9 秒),Gemini 3.5 Flash (minimal) 为 55.6(3 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 126 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 3.5 Flash (high)Muse Spark
BenchLeader IndexBenchLeader62.564.2
智能体与工具得分BenchLeader62.865.0
编程得分BenchLeader59.565.1
人类偏好得分BenchLeader66.868.1
指令遵循得分BenchLeader74.476.9
知识得分BenchLeader63.363.1
长上下文得分BenchLeader61.263.6
数学得分BenchLeader57.759.1
多模态得分BenchLeader66.264.2
推理得分BenchLeader60.667.4
混合价格(美元/百万 token)BenchLeader$3.38–
输出速度BenchLeader176 tok/s–
首次回答时间BenchLeader9.9 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench76.7%†–
Arena Hard PromptsArena (LMArena)14961506
LiveBench 1.0 ReasoningLiveBench82.0%–
GPQA Diamond (AA)Artificial Analysis92.2%88.4%
Humanity's Last Exam (AA)Artificial Analysis42.7%40.7%
GPQA Diamond (Vals)Vals AI92.7%89.7%
EnigmaEvalScale AI SEAL25.4%–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%–
CritPtArtificial Analysis13.1%11.3%
Arena ExpertArena (LMArena)14911491
Chess PuzzlesEpoch AI Benchmarking Hub45.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%–
LMCAEpoch AI Benchmarking Hub47.1%–
DTBenchEpoch AI Benchmarking Hub94.7%–
ForecastBenchForecastBench64.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%51.5%
WeirdMLWeirdML62.6%–
Arena CodingArena (LMArena)15081529
Arena WebDevArena (LMArena)1500–
LiveBench 1.0 CodingLiveBench78.2%–
SciCode (AA)Artificial Analysis53.9%–
显示全部 126 项基准测试
指标发布方Gemini 3.5 Flash (high)Muse Spark
编程
LiveCodeBenchVals AI87.6%–
SWE-bench (Vals)Vals AI78.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI26.8%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI48.7%19.7%
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%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%–
ALE-BenchEpoch AI Benchmarking Hub911.0–
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%62.2%
GameBench 2 OverallDuelLab GameBench 249.4†–
GameBench 2 by reasoning settingDuelLab GameBench 263.2–
Design Arena WebsiteDesign Arena1260†1253
智能体与工具
APEX-AgentsMercor27.5%†–
LiveBench Agentic CodingLiveBench49.0%–
Terminal-Bench HardArtificial Analysis40.9%45.5%
τ²-Bench Telecom (AA)Artificial Analysis95.3%91.5%
Terminal-Bench 2.1 (Vals)Vals AI74.2%–
MCP AtlasScale AI SEAL83.6%82.2%
HiL-BenchScale AI SEAL27.7%†–
GDPval-AA v2.1Artificial Analysis12111006
τ³-Banking (AA)Artificial Analysis32.2%–
ITBench SRE (AA)Artificial Analysis40.4%–
Analyst Agent (AA)Artificial Analysis45.0%–
APEX-Agents (AA)Artificial Analysis47.0%–
Finance Agent v2Vals AI57.9%–
Harvey's Legal Agent Benchmark v1Vals AI2.5%–
Legal Research BenchVals AI30.8%–
SkillsBenchVals AI52.7%–
Tax Agent BenchVals AI21.6%–
Terminal-Bench 2.0 (Vals)Vals AI67.4%59.5%
Terminal-Bench 4.0 (Vals)Vals AI6.1%–
Terminal-Bench ScienceVals AI5.7%–
Web Search IndexVals AI37.0%–
GBAEvalEpoch AI Benchmarking Hub6.7%†–
Vending-Bench 2Andon Labs5396.4†–
AutomationBenchArtificial Analysis42.1%–
GDP.pdf (AA)Artificial Analysis19.8%–
EnterpriseOps-GymArtificial Analysis50.1%–
AA-Briefcase v1.1Artificial Analysis876646
Design Arena AgenticDesign Arena1174†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%88.9%
ProofBenchVals AI31.0%17.0%
LiveBench MathematicsLiveBench88.2%–
AIME (Vals)Vals AI–96.9%
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
Arena MathsArena (LMArena)14971469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%–
LiveBench 1.0 Data AnalysisLiveBench64.9%–
MMLU-ProVals AI89.5%87.3%
LegalBenchVals AI83.6%84.2%
CorpFinVals AI64.7%65.1%
TaxEvalVals AI74.4%77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI–63.1%
Excel Modeling BenchmarkVals AI63.5%–
MedCodeVals AI55.8%51.3%
MedScribeVals AI76.6%85.9%
Public Benefits Bench v1.1Vals AI59.5%–
Financial Coaching BenchVals AI63.0%–
DrugDiscoveryBenchScale AI SEAL50.0%–
EBR-benchEpoch AI Benchmarking Hub4.8%–
GDP.pdfEpoch AI Benchmarking Hub14.0%†–
指令遵循
LiveBench LanguageLiveBench84.6%–
LiveBench Instruction FollowingLiveBench75.6%–
IFBenchArtificial Analysis76.3%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)14651465
人类偏好
Arena TextArena (LMArena)14781489
EQ-Bench 4EQ-Bench1077†–
Arena Creative WritingArena (LMArena)14651464
Arena Multi-turnArena (LMArena)14801493
Arena Longer QueriesArena (LMArena)14831476
多模态
Arena VisionArena (LMArena)13081306
MMMU-ProArtificial Analysis84.3%80.5%
MMMU-Pro (Vals)Vals AI88.3%87.4%
MortgageTaxVals AI68.1%–
Humanity's Sixth SenseScale AI SEAL32.6%–
GeoBenchGeoBench85.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
长上下文
AA-LCR v1.1Artificial Analysis73.3%78.0%
Arena DocumentArena (LMArena)14551467
MLCRArtificial Analysis10.0%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†153.1
LiveBench 1.0LiveBench74.6%–
AA Intelligence Index v4.3.2Artificial Analysis32.631.3
AA Progress Index v1Artificial Analysis305.1289.1
Vals Multimodal IndexVals AI62.9%–
安全与诚实
FORTRESSScale AI SEAL–20.2%
DistressBenchScale AI SEAL66.9%†–

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

  • Gemini 3.5 Flash (high):1 项新结果(GDPval-AA v2.1);1 项分数修订。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Gemini 3.5 Flash (high):1 项分数修订。
  • Gemini 3.5 Flash (high):BenchLeader Index 63.2 → 62.6。
  • Gemini 3.5 Flash (high):1 项新结果(AA Progress Index v1)。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • Gemini 3.5 Flash (high):价格 $3.69/M → $2.98/M。

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 3.5 Flash vs Muse Spark:常见问题

Gemini 3.5 Flash 比 Muse Spark 更好吗?
Gemini 3.5 Flash (high) 与 Muse Spark 的质量不相上下(62.5 比 64.2,在 ±4.4 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。
编程用 Gemini 3.5 Flash 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 3.5 Flash 为 53.9%,Muse Spark 为 51.5%。
智能体和工具调用用 Gemini 3.5 Flash 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 63,50 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 3.5 Flash 为 83.6%,Muse Spark 为 82.2%。
处理长文档哪个更好?
Muse Spark 在长上下文基准测试上得分更高(64 比 61)。Gemini 3.5 Flash 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 3.5 Flash 和 Muse Spark 的看法一致吗?
在两者都有结果的 38 项基准测试中,Gemini 3.5 Flash 领先 28 项,Muse Spark 领先 10 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)
Gemini 3.5 Flash 是什么时候发布的?
Gemini 3.5 Flash 于 2026年5月19日 发布。