BenchLeader

Gemini 3.7 Flash vs Muse Wonder

完整资料:Gemini 3.7 Flash(Google)和 Muse Wonder(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 3.7 Flash 与 Muse Wonder 的质量不相上下(BenchLeader Index 62.1 比 64.4,在 ±4.6 的误差范围内)。Gemini 3.7 Flash 更便宜,对方的价格是它的 5.3 倍(每百万 token 混合价格 $1.50 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。Gemini 3.7 Flash 输出更快。

要点(截至 2026年11月16日)

  • Gemini 3.7 Flash 的 BenchLeader Index 为 62.1,Muse Wonder 为 64.4(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)。
  • Muse Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • Gemini 3.7 Flash 比 Muse Wonder 输出更快(Artificial Analysis,7 日中位数,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
智能体与工具调用Muse Wonder类别得分 76 比 49高
数学Muse Wonder类别得分 70 比 63中
知识Muse Wonder类别得分 77 比 66高
对话质量(人类偏好)Muse WonderArena 投票 70 比 68中
成本最低Gemini 3.7 Flash每百万 token 混合价格 $1.50 比 $8.00;智能体编程会话 $0.060 比 $0.320–
首次回答最快Gemini 3.7 Flash首个回答 token 2.2 秒(Gemini 3.7 Flash (high))比 3.3 秒(Muse Wonder)–
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 Wonder 的质量不相上下(62.1 比 64.4,在 ±4.6 的误差范围内)。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • Gemini 3.7 Flash (high) 更便宜,对方的价格是它的 5.3 倍(每百万 token 混合价格 $1.50 比 $8.00)。
  • Gemini 3.7 Flash (high) 的输出速度是对方的 1.4 倍(95 比 70 token/秒)。

概览

规格Gemini 3.7 FlashMuse Wonder
提供商GoogleMeta
发布日期2026年8月13日2026年10月12日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 3.7 Flash (high)Muse Wonder
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$4.00 / $20.00 / $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 3.7 Flash (high)Muse Wonder领先者
推理67.8–无法比较
编程62.3–无法比较
智能体与工具48.975.6Muse Wonder
数学62.670.1Muse Wonder
知识65.977.1Muse Wonder
人类偏好68.169.6Muse Wonder
多模态67.2–无法比较
长上下文65.5–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智能体与工具数学知识人类偏好Gemini 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, 人类偏好: 68.1Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1Muse Wonder, 人类偏好: 69.6

未绘制(测得的模型少于两个):推理, 编程, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 2 项基准测试中,Gemini 3.7 Flash 领先 1 项,Muse Wonder 领先 1 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexGemini 3.7 Flash (high)Muse Wonder领先者
BenchLeader Index62.164.4不相上下
Arena Text14891511†Muse Wonder

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 Wonder
每百万 token 混合价格$1.50$8.00
每百万 token 输入 / 输出$0.750 / $3.75$4.00 / $20.00
每百万 token 缓存输入$0.075$0.200
每项任务价格:聊天回复$0.0014$0.0076
每项任务价格:总结一份 30 页的报告$0.011$0.060
每项任务价格:代码编辑$0.010$0.054
每项任务价格:智能体编程会话$0.060$0.320
每项任务价格:结构化信息提取$0.0023$0.012
智能体编程会话(输入大多命中缓存)$0.030$0.149
输出速度95 tok/s70 tok/s
首次回答时间2.2 秒3.3 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(13 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 155 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 Wonder
BenchLeader IndexBenchLeader62.164.4
智能体与工具得分BenchLeader48.975.6
编程得分BenchLeader62.3–
人类偏好得分BenchLeader68.169.6
知识得分BenchLeader65.977.1
长上下文得分BenchLeader65.5–
数学得分BenchLeader62.670.1
多模态得分BenchLeader67.2–
推理得分BenchLeader67.8–
混合价格(美元/百万 token)BenchLeader$1.50$8.00
输出速度BenchLeader95 tok/s70 tok/s
首次回答时间BenchLeader2.2 秒3.3 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.8%–
Arena Hard PromptsArena (LMArena)15101531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench87.8%90.6%†
GPQA Diamond (AA)Artificial Analysis94.5%–
Humanity's Last Exam (AA)Artificial Analysis47.9%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
GPQA Diamond (Vals)Vals AI93.9%–
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize84.6%–
CritPtArtificial Analysis14.3%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)15191525†
Chess PuzzlesEpoch AI Benchmarking Hub66.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%51.0%†
LMCAEpoch AI Benchmarking Hub50.4%56.8%
DTBenchEpoch AI Benchmarking Hub96.8%95.2%
ForecastBenchForecastBench66.2%–
编程
SciCodeSciCode57.2%60.3%†
FrontierCodeCognition43.6%†–
Arena CodingArena (LMArena)15201542†
Arena WebDevArena (LMArena)15881647†
LiveBench 2.0 CodingLiveBench–74.9%†
显示全部 155 项基准测试
指标发布方Gemini 3.7 Flash (high)Muse Wonder
编程
LiveBench 1.0 CodingLiveBench78.9%80.7%†
LiveCodeBenchVals AI88.7%–
IOIVals AI67.8%66.9%†
SWE-bench (Vals)Vals AI80.8%–
Code MigrationVals AI34.8%62.5%†
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI70.4%83.1%†
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub41.1%45.6%†
DeepSWE v1.1Epoch AI Benchmarking Hub65.3%–
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub904.3–
FrontierSWEEpoch AI Benchmarking Hub20.3%–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis13.6%52.0%†
Terminal-Bench 2.1 (AA)Artificial Analysis85.8%–
GameBench 2 OverallDuelLab GameBench 2–64.8
GameBench 2 by reasoning settingDuelLab GameBench 2–54.9†
Design Arena WebsiteDesign Arena1295†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
智能体与工具
Terminal-BenchTerminal-Bench12.4%47.0%†
Remote Labor IndexScale AI / CAIS5.0%†–
APEX-AgentsMercor67.8%†66.1%†
Arena AgentArena (LMArena)-2.21.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench58.3%62.7%†
Terminal-Bench 2.1 (Vals)Vals AI77.5%–
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis14041770†
τ³-Banking (AA)Artificial Analysis32.8%–
Analyst Agent (AA)Artificial Analysis60.0%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI43.8%80.4%†
Finance Agent v2Vals AI59.0%56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI8.8%17.1%†
Legal Research BenchVals AI34.6%50.5%†
SkillsBenchVals AI65.9%–
SREBenchVals AI4.6%–
Tax Agent BenchVals AI22.8%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI12.1%49.5%†
Terminal-Bench ScienceVals AI7.1%22.9%†
Arena Agent Task CompletionArena (LMArena)-3.55.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs–9432.2
AutomationBenchArtificial Analysis62.0%68.1%†
GDP.pdf (AA)Artificial Analysis23.6%30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
EnterpriseOps-GymArtificial Analysis50.4%†–
AA-Briefcase v1.1Artificial Analysis11151659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1222†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.6%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub36.6%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub97.2%99.4%†
ProofBenchVals AI58.0%†84.0%
LiveBench MathematicsLiveBench93.5%96.5%†
Arena MathsArena (LMArena)15021490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.2%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench68.0%81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
MMLU-ProVals AI90.1%–
LegalBenchVals AI87.3%–
TaxEvalVals AI74.7%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI–67.0%†
Excel Modeling BenchmarkVals AI71.3%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI53.4%–
MedScribeVals AI83.9%–
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub23.8%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
指令遵循
LiveBench LanguageLiveBench85.5%82.9%†
LiveBench Instruction FollowingLiveBench79.9%73.0%†
Arena Instruction FollowingArena (LMArena)14861498†
人类偏好
Arena TextArena (LMArena)14891511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench1720†2007
Arena Creative WritingArena (LMArena)14871491†
Arena Multi-turnArena (LMArena)14901525†
Arena Longer QueriesArena (LMArena)15011507†
多模态
Arena VisionArena (LMArena)1313–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis85.5%83.8%†
MMMU-Pro (Vals)Vals AI89.0%–
MortgageTaxVals AI66.7%–
Humanity's Sixth SenseScale AI SEAL39.8%43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–31.7%
Furniture AssemblyEpoch AI Benchmarking Hub26.7%54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis81.7%80.7%†
Arena DocumentArena (LMArena)1468–
MLCRArtificial Analysis12.2%22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.4†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench78.8%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis39.152.4†
AA Progress Index v1Artificial Analysis317.4335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals RSI IndexVals AI18.3%–
Vals Science IndexVals AI–39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
DistressBenchScale AI SEAL69.0%†85.9%

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

  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • Gemini 3.7 Flash (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Gemini 3.7 Flash (high):BenchLeader Index 62.6 → 62.1。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Gemini 3.7 Flash (high):1 项分数修订。
  • Muse Wonder:5 项分数修订。
  • Gemini 3.7 Flash (high):1 项新结果(Arena Document)。
  • Muse Wonder:1 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

Gemini 3.7 Flash vs Muse Wonder:常见问题

Gemini 3.7 Flash 比 Muse Wonder 更好吗?
Gemini 3.7 Flash (high) 与 Muse Wonder 的质量不相上下(62.1 比 64.4,在 ±4.6 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 3.7 Flash 和 Muse Wonder 哪个更便宜?价格会变吗?
目前 Gemini 3.7 Flash 更便宜:每百万 token $1.50 比 $8.00(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。
Gemini 3.7 Flash 和 Muse Wonder 哪个更快?
Gemini 3.7 Flash 输出更快(输出 95 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 3.7 Flash 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 49,50 为平均水平)。
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
更多问题(3)
哪个延迟更低?
Gemini 3.7 Flash 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.2 秒比 3.3 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 3.7 Flash 和 Muse Wonder 的看法一致吗?
在两者都有结果的 2 项基准测试中,Gemini 3.7 Flash 领先 1 项,Muse Wonder 领先 1 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。