BenchLeader

Gemini 3.7 Flash vs Muse Spark

完整资料:Gemini 3.7 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 11 个来源

截至 2026年11月16日,Gemini 3.7 Flash 与 Muse Spark 的质量不相上下(BenchLeader Index 62.1 比 64.2,在 ±4.9 的误差范围内)。看重数学(63 比 59)、多模态(67 比 64)和知识(66 比 63)选 Gemini 3.7 Flash;看重智能体与工具(65 比 49)和编程(65 比 62)选 Muse Spark。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Gemini 3.7 Flash 每百万 token 混合价格为 $1.50(标价,2026年11月16日)。
  • 在两者都有结果的 31 项基准测试中,Gemini 3.7 Flash 领先 27 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 62;Arena Coding 1529 比 1520中
智能体与工具调用Muse Spark类别得分 65 比 49;GDPval-AA v2.1 1006 比 1404高
数学Gemini 3.7 Flash类别得分 63 比 59;Arena Maths 1502 比 1469中
推理均可类别得分 68 比 67;GPQA Diamond 94.8% 比 89.8%均可
知识Gemini 3.7 Flash类别得分 66 比 63;MMLU-Pro 90.1% 比 87.3%中
长文档Gemini 3.7 Flash类别得分 66 比 64;AA-LCR v1.1 81.7% 比 78.0%中
图像及其他媒体Gemini 3.7 Flash类别得分 67 比 64;Arena Vision 1313 比 1306中
对话质量(人类偏好)均可Arena 投票 68 比 68均可
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 3.7 Flash (high) 与 Muse Spark 的质量不相上下(62.1 比 64.2,在 ±4.9 的误差范围内)。
  • Gemini 3.7 Flash (high) 在知识、长上下文、数学、多模态、推理方面更强。
  • Muse Spark 在智能体与工具、编程方面更强。

概览

规格Gemini 3.7 FlashMuse Spark
提供商GoogleMeta
发布日期2026年8月13日2026年4月8日
上下文窗口(token)1,048,576262,144
对比时的配置Gemini 3.7 Flash (high)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.750 / $3.75 / $0.075–

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 3.7 Flash (high)Muse Spark领先者
推理67.867.4持平
编程62.365.1Muse Spark
智能体与工具48.965.0Muse Spark
数学62.659.1Gemini 3.7 Flash
知识65.963.1Gemini 3.7 Flash
指令遵循–76.9无法比较
人类偏好68.168.1持平
多模态67.264.2Gemini 3.7 Flash
长上下文65.563.6Gemini 3.7 Flash

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 3.7 Flash, 推理: 67.8Gemini 3.7 Flash, 编程: 62.3Gemini 3.7 Flash, 智能体与工具: 48.9Gemini 3.7 Flash, 数学: 62.6Gemini 3.7 Flash, 知识: 65.9Gemini 3.7 Flash, 长上下文: 65.5Gemini 3.7 Flash, 多模态: 67.2Gemini 3.7 Flash, 人类偏好: 68.1Muse 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: 64.2Muse Spark, 人类偏好: 68.1

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 31 项基准测试中,Gemini 3.7 Flash 领先 27 项,Muse Spark 领先 4 项。所有同时评测两者的综合评分都认为 Gemini 3.7 Flash 更强。

综合 IndexGemini 3.7 Flash (high)Muse Spark领先者
BenchLeader Index62.164.2不相上下
Arena Text14891489Gemini 3.7 Flash

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 3.7 Flash (high)Muse Spark
每百万 token 混合价格$1.50–
每百万 token 输入 / 输出$0.750 / $3.75– / –
每百万 token 缓存输入$0.075–
每项任务价格:聊天回复$0.0014–
每项任务价格:总结一份 30 页的报告$0.011–
每项任务价格:代码编辑$0.010–
每项任务价格:智能体编程会话$0.060–
每项任务价格:结构化信息提取$0.0023–
智能体编程会话(输入大多命中缓存)$0.030–
输出速度95 tok/s–
首次回答时间2.2 秒–

每个模型都按其排名最高的推理强度设置进行对比。Gemini 3.7 Flash (high) 得分 62.1,首个回答 token 需 2 秒;Gemini 3.7 Flash (medium) 为 60.1(2 秒),Gemini 3.7 Flash (low) 为 57.3(2 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 115 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 3.7 Flash (high)Muse Spark
BenchLeader IndexBenchLeader62.164.2
智能体与工具得分BenchLeader48.965.0
编程得分BenchLeader62.365.1
人类偏好得分BenchLeader68.168.1
知识得分BenchLeader65.963.1
长上下文得分BenchLeader65.563.6
数学得分BenchLeader62.659.1
多模态得分BenchLeader67.264.2
推理得分BenchLeader67.867.4
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$1.50–
输出速度BenchLeader95 tok/s–
首次回答时间BenchLeader2.2 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
Arena Hard PromptsArena (LMArena)15101506
LiveBench 1.0 ReasoningLiveBench87.8%–
GPQA Diamond (AA)Artificial Analysis94.5%88.4%
Humanity's Last Exam (AA)Artificial Analysis47.9%40.7%
GPQA Diamond (Vals)Vals AI93.9%89.7%
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize84.6%–
CritPtArtificial Analysis14.3%11.3%
Arena ExpertArena (LMArena)15191491
Chess PuzzlesEpoch AI Benchmarking Hub66.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
LMCAEpoch AI Benchmarking Hub50.4%–
DTBenchEpoch AI Benchmarking Hub96.8%–
ForecastBenchForecastBench66.2%–
编程
SciCodeSciCode57.2%51.5%
FrontierCodeCognition43.6%†–
Arena CodingArena (LMArena)15201529
Arena WebDevArena (LMArena)1588–
LiveBench 1.0 CodingLiveBench78.9%–
SciCode (AA)Artificial Analysis57.2%–
LiveCodeBenchVals AI88.7%–
IOIVals AI67.8%–
SWE-bench (Vals)Vals AI80.8%74.4%
显示全部 115 项基准测试
指标发布方Gemini 3.7 Flash (high)Muse Spark
编程
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI34.8%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI70.4%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%
MirrorCodeEpoch AI Benchmarking Hub41.1%–
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%–
ALE-BenchEpoch AI Benchmarking Hub904.3–
FrontierSWEEpoch AI Benchmarking Hub20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%62.2%
Design Arena WebsiteDesign Arena1295†1253
智能体与工具
Terminal-BenchTerminal-Bench12.4%–
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†–
Arena AgentArena (LMArena)-2.2–
LiveBench Agentic CodingLiveBench58.3%–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
Terminal-Bench 2.1 (Vals)Vals AI77.5%–
MCP AtlasScale AI SEAL–82.2%
GDPval-AA v2.1Artificial Analysis14041006
τ³-Banking (AA)Artificial Analysis32.8%–
Analyst Agent (AA)Artificial Analysis60.0%–
CyberBenchVals AI43.8%–
Finance Agent v2Vals AI59.0%–
Harvey's Legal Agent Benchmark v1Vals AI8.8%–
Legal Research BenchVals AI34.6%–
SkillsBenchVals AI65.9%–
SREBenchVals AI4.6%–
Tax Agent BenchVals AI22.8%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI12.1%–
Terminal-Bench ScienceVals AI7.1%–
Arena Agent Task CompletionArena (LMArena)-3.5–
AutomationBenchArtificial Analysis62.0%–
GDP.pdf (AA)Artificial Analysis23.6%–
EnterpriseOps-GymArtificial Analysis50.4%†–
AA-Briefcase v1.1Artificial Analysis1115646
Design Arena AgenticDesign Arena1222†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%88.9%
ProofBenchVals AI58.0%†17.0%
LiveBench MathematicsLiveBench93.5%–
AIME (Vals)Vals AI–96.9%
Arena MathsArena (LMArena)15021469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%–
LiveBench 1.0 Data AnalysisLiveBench68.0%–
MMLU-ProVals AI90.1%87.3%
LegalBenchVals AI87.3%84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI74.7%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 AI71.3%–
MedCodeVals AI53.4%51.3%
MedScribeVals AI83.9%85.9%
GDP.pdfEpoch AI Benchmarking Hub23.8%–
指令遵循
LiveBench LanguageLiveBench85.5%–
LiveBench Instruction FollowingLiveBench79.9%–
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)14861465
人类偏好
Arena TextArena (LMArena)14891489
EQ-Bench Creative Writing v3EQ-Bench1720†–
Arena Creative WritingArena (LMArena)14871464
Arena Multi-turnArena (LMArena)14901493
Arena Longer QueriesArena (LMArena)15011476
多模态
Arena VisionArena (LMArena)13131306
MMMU-ProArtificial Analysis85.5%80.5%
MMMU-Pro (Vals)Vals AI89.0%87.4%
MortgageTaxVals AI66.7%–
Humanity's Sixth SenseScale AI SEAL39.8%–
Furniture AssemblyEpoch AI Benchmarking Hub26.7%–
长上下文
AA-LCR v1.1Artificial Analysis81.7%78.0%
Arena DocumentArena (LMArena)14681467
MLCRArtificial Analysis12.2%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†153.1
LiveBench 1.0LiveBench78.8%–
AA Intelligence Index v4.3.2Artificial Analysis39.131.3
AA Progress Index v1Artificial Analysis317.4289.1
Vals RSI IndexVals AI18.3%–
安全与诚实
FORTRESSScale AI SEAL–20.2%
DistressBenchScale AI SEAL69.0%†–

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

  • Gemini 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(MirrorCode)。
  • Gemini 3.7 Flash (high):1 项新结果(AA Progress Index v1)。
  • Muse Spark: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 3.7 Flash vs Muse Spark:常见问题

Gemini 3.7 Flash 比 Muse Spark 更好吗?
Gemini 3.7 Flash (high) 与 Muse Spark 的质量不相上下(62.1 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 3.7 Flash 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 3.7 Flash 为 57.2%,Muse Spark 为 51.5%。
智能体和工具调用用 Gemini 3.7 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 49,50 为平均水平)。
处理长文档哪个更好?
Gemini 3.7 Flash 在长上下文基准测试上得分更高(66 比 64)。Gemini 3.7 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 3.7 Flash 和 Muse Spark 的看法一致吗?
在两者都有结果的 31 项基准测试中,Gemini 3.7 Flash 领先 27 项,Muse Spark 领先 4 项。所有同时评测两者的综合评分都认为 Gemini 3.7 Flash 更强。
更多问题(1)
Gemini 3.7 Flash 是什么时候发布的?
Gemini 3.7 Flash 于 2026年8月13日 发布。