BenchLeader

Gemini 3.5 Flash vs Muse Spark 1.2

完整资料:Gemini 3.5 Flash(Google)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 11 个来源

截至 2026年11月16日,Gemini 3.5 Flash 与 Muse Spark 1.2 的质量不相上下(BenchLeader Index 62.5 比 61.5,在 ±5.7 的误差范围内)。Muse Spark 1.2 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $2.00 比 $3.38)。看重智能体与工具(63 比 55)和编程(60 比 55)选 Gemini 3.5 Flash;看重数学(67 比 58)、推理(68 比 61)和长上下文(64 比 61)选 Muse Spark 1.2。

要点(截至 2026年11月16日)

  • Gemini 3.5 Flash 的 BenchLeader Index 为 62.5,Muse Spark 1.2 为 61.5(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)。
  • Muse Spark 1.2 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • 在两者都有结果的 63 项基准测试中,Muse Spark 1.2 领先 39 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 3.5 Flash 的评分为 1500,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Gemini 3.5 Flash类别得分 60 比 55;WeirdML 62.6% 比 60.3%中
智能体与工具调用Gemini 3.5 Flash类别得分 63 比 55;Terminal-Bench 2.1 (Vals) 74.2% 比 69.7%中
数学Muse Spark 1.2类别得分 67 比 58;Arena Maths 1486 比 1497高
推理Muse Spark 1.2类别得分 68 比 61;Arena Hard Prompts 1514 比 1496中
知识Muse Spark 1.2类别得分 65 比 63;LegalBench 85.3% 比 83.6%中
长文档Muse Spark 1.2类别得分 64 比 61;AA-LCR v1.1 79.0% 比 73.3%中
图像及其他媒体均可类别得分 66 比 65;Arena Vision 1308 比 1305均可
对话质量(人类偏好)Muse Spark 1.2Arena 投票 69 比 67中
成本最低Muse Spark 1.2每百万 token 混合价格 $2.00 比 $3.38;智能体编程会话 $0.092 比 $0.126–
首次回答最快均可首个回答 token 9.9 秒(Gemini 3.5 Flash (high))比 11.4 秒(Muse Spark 1.2 (xhigh))–
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 1.2 (xhigh) 的质量不相上下(62.5 比 61.5,在 ±5.7 的误差范围内)。
  • Gemini 3.5 Flash (high) 在智能体与工具、编程、多模态方面更强。
  • Muse Spark 1.2 (xhigh) 在人类偏好、知识、长上下文、数学、推理方面更强。
  • Muse Spark 1.2 (xhigh) 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $2.00 比 $3.38)。

概览

规格Gemini 3.5 FlashMuse Spark 1.2
提供商GoogleMeta
发布日期2026年5月19日2026年8月5日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 3.5 Flash (high)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)$1.50 / $9.00 / $0.150$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Gemini 3.5 Flash (high)Muse Spark 1.2 (xhigh)领先者
推理60.668.1Muse Spark 1.2
编程59.554.7Gemini 3.5 Flash
智能体与工具62.855.4Gemini 3.5 Flash
数学57.766.8Muse Spark 1.2
知识63.364.5Muse Spark 1.2
指令遵循74.4–无法比较
人类偏好66.868.6Muse Spark 1.2
多模态66.265.3持平
长上下文61.264.1Muse Spark 1.2

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, 长上下文: 61.2Gemini 3.5 Flash, 多模态: 66.2Gemini 3.5 Flash, 人类偏好: 66.8Muse 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 63 项基准测试中,Gemini 3.5 Flash 领先 22 项,Muse Spark 1.2 领先 39 项,2 项持平。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。

综合 IndexGemini 3.5 Flash (high)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index62.561.5不相上下
Arena Text14781493Muse 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Gemini 3.5 Flash (high)Muse Spark 1.2 (xhigh)
每百万 token 混合价格$3.38$2.00
每百万 token 输入 / 输出$1.50 / $9.00$1.25 / $4.25
每百万 token 缓存输入$0.150$0.150
每项任务价格:聊天回复$0.0033$0.0018
每项任务价格:总结一份 30 页的报告$0.023$0.018
每项任务价格:代码编辑$0.022$0.014
每项任务价格:智能体编程会话$0.126$0.092
每项任务价格:结构化信息提取$0.0048$0.0034
智能体编程会话(输入大多命中缓存)$0.065$0.043
输出速度176 tok/s208 tok/s
首次回答时间9.9 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)27.6 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。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 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 122 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 1.2 (xhigh)
BenchLeader IndexBenchLeader62.561.5
智能体与工具得分BenchLeader62.855.4
编程得分BenchLeader59.554.7
人类偏好得分BenchLeader66.868.6
指令遵循得分BenchLeader74.4–
知识得分BenchLeader63.364.5
长上下文得分BenchLeader61.264.1
数学得分BenchLeader57.766.8
多模态得分BenchLeader66.265.3
推理得分BenchLeader60.668.1
混合价格(美元/百万 token)BenchLeader$3.38$2.00
输出速度BenchLeader176 tok/s208 tok/s
首次回答时间BenchLeader9.9 秒11.4 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.8%–
SimpleBenchSimpleBench76.7%†74.5%†
Arena Hard PromptsArena (LMArena)14961514
LiveBench 1.0 ReasoningLiveBench82.0%90.0%
GPQA Diamond (AA)Artificial Analysis92.2%90.4%
Humanity's Last Exam (AA)Artificial Analysis42.7%45.5%
GPQA Diamond (Vals)Vals AI92.7%–
EnigmaEvalScale AI SEAL25.4%–
ARC-AGI-1ARC Prize92.5%–
ARC-AGI-2ARC Prize72.1%–
CritPtArtificial Analysis13.1%17.7%
Arena ExpertArena (LMArena)14911503
Chess PuzzlesEpoch AI Benchmarking Hub45.0%27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub32.0%–
LMCAEpoch AI Benchmarking Hub47.1%48.4%
DTBenchEpoch AI Benchmarking Hub94.7%94.7%
ForecastBenchForecastBench64.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub79.3%–
SciCodeSciCode53.9%57.4%
WeirdMLWeirdML62.6%60.3%
Arena CodingArena (LMArena)15081542
Arena WebDevArena (LMArena)15001534
LiveBench 1.0 CodingLiveBench78.2%77.5%
LiveCodeBenchVals AI87.6%–
IOIVals AI–21.8%
显示全部 122 项基准测试
指标发布方Gemini 3.5 Flash (high)Muse Spark 1.2 (xhigh)
编程
SWE-bench (Vals)Vals AI78.8%86.6%
Code MigrationVals AI26.8%29.9%
ProgramBenchVals AI0.0%0.5%
Vibe Code Bench v1.1Vals AI48.7%79.1%
Surface Evolver BenchEpoch AI Benchmarking Hub58.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub36.1%54.9%
ALE-BenchEpoch AI Benchmarking Hub911.0–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
Terminal-Bench 4.0 (AA)Artificial Analysis6.6%7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis78.7%80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 249.4†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 263.256.9
Design Arena WebsiteDesign Arena1260†1309†
智能体与工具
APEX-AgentsMercor27.5%†45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench49.0%57.6%
Terminal-Bench HardArtificial Analysis40.9%–
τ²-Bench Telecom (AA)Artificial Analysis95.3%–
Terminal-Bench 2.1 (Vals)Vals AI74.2%69.7%
MCP AtlasScale AI SEAL83.6%–
HiL-BenchScale AI SEAL27.7%†–
GDPval-AA v2.1Artificial Analysis12111478
τ³-Banking (AA)Artificial Analysis32.2%34.9%
ITBench SRE (AA)Artificial Analysis40.4%–
Analyst Agent (AA)Artificial Analysis45.0%–
APEX-Agents (AA)Artificial Analysis47.0%–
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI57.9%60.6%
Harvey's Legal Agent Benchmark v1Vals AI2.5%25.4%
Legal Research BenchVals AI30.8%43.8%
SkillsBenchVals AI52.7%53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI21.6%32.8%
Terminal-Bench 2.0 (Vals)Vals AI67.4%–
Terminal-Bench 4.0 (Vals)Vals AI6.1%6.1%
Terminal-Bench ScienceVals AI5.7%–
Web Search IndexVals AI37.0%–
Arena Agent Task CompletionArena (LMArena)–-9.8
GBAEvalEpoch AI Benchmarking Hub6.7%†–
Vending-Bench 2Andon Labs5396.4†–
AutomationBenchArtificial Analysis42.1%40.6%
GDP.pdf (AA)Artificial Analysis19.8%17.4%
EnterpriseOps-GymArtificial Analysis50.1%47.3%
AA-Briefcase v1.1Artificial Analysis8761323
Design Arena AgenticDesign Arena1174†1185†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub62.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub26.8%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.6%–
ProofBenchVals AI31.0%43.0%†
LiveBench MathematicsLiveBench88.2%91.2%
AIME 2026MathArena95.0%–
HMMT February 2026MathArena95.5%–
MathArena ApexMathArena32.3%–
Arena MathsArena (LMArena)14971486
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub66.2%60.3%
LiveBench 1.0 Data AnalysisLiveBench64.9%76.5%
MMLU-ProVals AI89.5%88.3%
LegalBenchVals AI83.6%85.3%
CorpFinVals AI64.7%70.9%
TaxEvalVals AI74.4%80.4%
BioMysteryBenchVals AI–64.8%
Excel Modeling BenchmarkVals AI63.5%57.0%
MedCodeVals AI55.8%49.4%
MedScribeVals AI76.6%90.1%
Public Benefits Bench v1.1Vals AI59.5%68.5%
Financial Coaching BenchVals AI63.0%75.7%
Immigration BenchVals AI–66.5%
DrugDiscoveryBenchScale AI SEAL50.0%–
EBR-benchEpoch AI Benchmarking Hub4.8%–
GDP.pdfEpoch AI Benchmarking Hub14.0%†16.0%
指令遵循
LiveBench LanguageLiveBench84.6%78.6%
LiveBench Instruction FollowingLiveBench75.6%74.3%
IFBenchArtificial Analysis76.3%–
Arena Instruction FollowingArena (LMArena)14651479
人类偏好
Arena TextArena (LMArena)14781493
EQ-Bench 4EQ-Bench1077†–
EQ-Bench Creative Writing v3EQ-Bench–1842†
Arena Creative WritingArena (LMArena)14651443
Arena Multi-turnArena (LMArena)14801510
Arena Longer QueriesArena (LMArena)14831491
多模态
Arena VisionArena (LMArena)13081305
MMMU-ProArtificial Analysis84.3%–
MMMU-Pro (Vals)Vals AI88.3%86.1%
MortgageTaxVals AI68.1%65.4%
Humanity's Sixth SenseScale AI SEAL32.6%24.5%
GeoBenchGeoBench85.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
长上下文
AA-LCR v1.1Artificial Analysis73.3%79.0%
Arena DocumentArena (LMArena)1455–
MLCRArtificial Analysis10.0%7.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.3†155.0†
LiveBench 1.0LiveBench74.6%78.0%
AA Intelligence Index v4.3.2Artificial Analysis32.639.6
AA Progress Index v1Artificial Analysis305.1309.1
Vals Multimodal IndexVals AI62.9%69.8%†
安全与诚实
DistressBenchScale AI SEAL66.9%†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

  • Gemini 3.5 Flash (high):1 项新结果(GDPval-AA v2.1);1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Gemini 3.5 Flash (high):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex)。
  • Gemini 3.5 Flash (high):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Gemini 3.5 Flash (high):BenchLeader Index 63.2 → 62.6。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。
  • Gemini 3.5 Flash (high):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA Progress Index v1)。

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 1.2:常见问题

Gemini 3.5 Flash 比 Muse Spark 1.2 更好吗?
Gemini 3.5 Flash (high) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(62.5 比 61.5,在 ±5.7 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。
Gemini 3.5 Flash 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 $3.38(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 Gemini 3.5 Flash 还是 Muse Spark 1.2 更好?
Gemini 3.5 Flash 在编程方面得分更高(类别得分 60 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,Gemini 3.5 Flash 为 1500,Muse Spark 1.2 为 1534。
Gemini 3.5 Flash 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(输出 208 比 176 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.5 Flash 还是 Muse Spark 1.2 更好?
Gemini 3.5 Flash 在智能体任务方面得分更高(类别得分 63 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,Gemini 3.5 Flash 为 32.2%,Muse Spark 1.2 为 34.9%。
更多问题(4)
处理长文档哪个更好?
Muse Spark 1.2 在长上下文基准测试上得分更高(64 比 61)。两者都支持 1,048,576 token 的上下文。
哪个延迟更低?
Gemini 3.5 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 9.9 秒比 11.4 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 Gemini 3.5 Flash 和 Muse Spark 1.2 的看法一致吗?
在两者都有结果的 63 项基准测试中,Gemini 3.5 Flash 领先 22 项,Muse Spark 1.2 领先 39 项,2 项持平。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。