BenchLeader

Gemini 4 Argon vs Muse Spark 1.1

完整资料:Gemini 4 Argon(Google)和 Muse Spark 1.1(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 15 个来源

截至 2026年11月16日,Gemini 4 Argon 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 65.3 比 62.2,在 ±6.2 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。在两者都有成绩的所有类别中,Gemini 4 Argon 均领先。Gemini 4 Argon 的现价有效至 2026年11月30日,之后为 $8.00。

要点(截至 2026年11月16日)

  • Gemini 4 Argon 的 BenchLeader Index 为 65.3,Muse Spark 1.1 为 62.2(BenchLeader,2026年11月16日)。
  • Gemini 4 Argon 每百万 token 混合价格为 $4.00(截至 2026年11月30日,之后为 $8.00)(https://ai.google.dev/gemini-api/docs/pricing,2026年10月20日 核实)。
  • Muse Spark 1.1 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.1 比 Gemini 4 Argon 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 14 项基准测试中,Gemini 4 Argon 领先 14 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 4 Argon 的评分为 1681,Muse Spark 1.1 为 1542(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
编程均可类别得分 67 比 66;Arena WebDev 1681 比 1542均可
智能体与工具调用Gemini 4 Argon类别得分 59 比 51;Arena Agent 10.7 比 -8高
数学Gemini 4 Argon类别得分 70 比 61;Arena Maths 1536 比 1493高
推理Gemini 4 Argon类别得分 70 比 68;Arena Hard Prompts 1545 比 1511中
知识Gemini 4 Argon类别得分 72 比 69;SimpleQA Verified 76.0% 比 57.8%中
对话质量(人类偏好)Gemini 4 ArgonArena 投票 72 比 65高
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $4.00;智能体编程会话 $0.092 比 $0.160;2026年12月1日 起:$2.00 比 $8.00–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 45.7 秒(Gemini 4 Argon (high))–
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 4 Argon (high) 与 Muse Spark 1.1 的质量不相上下(65.3 比 62.2,在 ±6.2 的误差范围内)。
  • Gemini 4 Argon (high) 在智能体与工具、编程、人类偏好、知识、数学、推理方面更强。
  • 截至 2026年11月30日,Muse Spark 1.1 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00);自 2026年12月1日 起为 $2.00 比 $8.00。
  • Muse Spark 1.1 的输出速度是对方的 2.9 倍(193 比 66 token/秒)。

概览

规格Gemini 4 ArgonMuse Spark 1.1
提供商GoogleMeta
发布日期2026年9月30日2026年7月9日
正式发布2026年10月13日2026年7月9日
上下文窗口(token)1,048,5761,048,576
最大输出(token)65,536 (up to 1,048,576 with long decode)–
输入类型文本、图像、视频、音频、PDF–
推理强度设置low, medium, high–
对比时的配置Gemini 4 Argon (high)Muse Spark 1.1
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.100$1.25 / $4.25 / $0.150
已公布的价格调整自 2026年12月1日 起为 $4.00 / $20.00 / $0.200暂无公布
API 模型 IDgemini-4-argon–
使用渠道Gemini API (AI Studio), Gemini Enterprise Agent Platform, Gemini app–

上限、可用性和已公布的价格均来自厂商官方页面: ai.google.dev、ai.google.dev 定价页 (2026年10月20日 核实)。其余内容均来自当日数据。

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 4 Argon (high)Muse Spark 1.1领先者
推理69.567.8Gemini 4 Argon
编程66.765.8持平
智能体与工具58.650.9Gemini 4 Argon
数学69.961.3Gemini 4 Argon
知识71.969.2Gemini 4 Argon
指令遵循–70.4无法比较
人类偏好72.164.5Gemini 4 Argon
多模态–63.6无法比较
长上下文64.5–无法比较
综合63.8–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人类偏好Gemini 4 Argon, 推理: 69.5Gemini 4 Argon, 编程: 66.7Gemini 4 Argon, 智能体与工具: 58.6Gemini 4 Argon, 数学: 69.9Gemini 4 Argon, 知识: 71.9Gemini 4 Argon, 人类偏好: 72.1Muse Spark 1.1, 推理: 67.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知识: 69.2Muse Spark 1.1, 人类偏好: 64.5

未绘制(测得的模型少于两个):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 14 项基准测试中,Gemini 4 Argon 领先 14 项,Muse Spark 1.1 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Argon 更强。

综合 IndexGemini 4 Argon (high)Muse Spark 1.1领先者
BenchLeader Index65.362.2不相上下
Arena Text15221491Gemini 4 Argon

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 4 Argon (high)Muse Spark 1.1
每百万 token 混合价格(截至 2026年11月30日)$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$1.25 / $4.25
自 2026年12月1日 起每百万 token 混合价格$8.00$2.00
自 2026年12月1日 起每百万 token 输入 / 输出$4.00 / $20.00$1.25 / $4.25
每百万 token 缓存输入$0.100$0.150
每项任务价格:聊天回复$0.0038$0.0018
每项任务价格:总结一份 30 页的报告$0.030$0.018
每项任务价格:代码编辑$0.027$0.014
每项任务价格:智能体编程会话$0.160$0.092
每项任务价格:结构化信息提取$0.0060$0.0034
智能体编程会话(输入大多命中缓存)$0.074$0.043
每项基准测试任务成本(AA Index)$4.97–
每项任务输出 token(AA Index)116k–
其中推理部分68k–
每项任务耗时(AA Index)29 min–
输出速度66 tok/s193 tok/s
首次回答时间45.7 秒1.8 秒
完整回答耗时(最近一次测量 2026年11月13日)122.1 秒–

每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Argon (high) 得分 65.3,首个回答 token 需 46 秒;Gemini 4 Argon 为 64.4(5 秒),Gemini 4 Argon (medium) 为 61.6(13 秒)。Muse Spark 1.1 得分 62.2,首个回答 token 需 2 秒;Muse Spark 1.1 (xhigh) 为 59.5(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 184 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 4 Argon (high)Muse Spark 1.1
BenchLeader IndexBenchLeader65.362.2
智能体与工具得分BenchLeader58.650.9
编程得分BenchLeader66.765.8
综合得分BenchLeader63.8–
人类偏好得分BenchLeader72.164.5
知识得分BenchLeader71.969.2
长上下文得分BenchLeader64.5–
数学得分BenchLeader69.961.3
推理得分BenchLeader69.567.8
指令遵循得分BenchLeader–70.4
多模态得分BenchLeader–63.6
混合价格(美元/百万 token)BenchLeader$4.00$2.00
输出速度BenchLeader66 tok/s193 tok/s
首次回答时间BenchLeader45.7 秒1.8 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.4%–
SimpleBenchSimpleBench91.7%†–
Arena Hard PromptsArena (LMArena)15451511
LiveBench 2.0 ReasoningLiveBench95.1%–
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis–89.8%†
Humanity's Last Exam (AA)Artificial Analysis57.1%46.2%†
HLE-Diamond (AA)Artificial Analysis56.7%–
GPQA Diamond (Vals)Vals AI–91.2%†
ARC-AGI-1ARC Prize98.5%–
ARC-AGI-2ARC Prize91.3%–
ARC-AGI-3ARC Prize97.3%–
CritPtArtificial Analysis27.1%15.1%†
CritPt v2 hard subset (AA)Artificial Analysis52.5%–
MysteryMechanismVals AI45.5%–
HLE-Diamond (Scale)Scale AI SEAL53.2%†–
Arena ExpertArena (LMArena)15491504
Chess PuzzlesEpoch AI Benchmarking Hub59.0%34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub64.0%–
LMCAEpoch AI Benchmarking Hub63.7%49.9%†
DTBenchEpoch AI Benchmarking Hub97.3%94.4%†
编程
SciCodeSciCode61.8%58.8%
FrontierCodeCognition47.5%†–
Arena CodingArena (LMArena)15531533
Arena WebDevArena (LMArena)16811542
显示全部 184 项基准测试
指标发布方Gemini 4 Argon (high)Muse Spark 1.1
编程
LiveBench 2.0 CodingLiveBench85.7%–
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI–85.9%†
IOIVals AI100.0%–
SWE-bench (Vals)Vals AI–82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI68.2%31.1%†
Code Migration v1.1Vals AI70.8%–
ProgramBenchVals AI2.5%0.0%†
SWE-bench MultimodalVals AI56.0%–
Vibe Code Bench 1-100Vals AI21.2%–
Vibe Code Bench v1.1Vals AI91.9%72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–42.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL–41.5%†
SWE Atlas v1.1Scale AI SEAL70.1%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL65.3%†–
SWE Atlas v1.1: Test WritingScale AI SEAL77.8%†–
SWE Atlas v1.1: RefactoringScale AI SEAL67.1%†–
SWE-Bench Pro V2Scale AI SEAL99.2%–
SWE-Bench Pro V2 HARDScale AI SEAL92.2%–
MirrorCodeEpoch AI Benchmarking Hub58.9%–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
CursorBenchCursor52.9%–
ALE-BenchEpoch AI Benchmarking Hub2100.1–
FrontierSWEEpoch AI Benchmarking Hub55.0%–
WeirdML v3WeirdML20.3%–
Terminal-Bench 4.0 (AA)Artificial Analysis57.1%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
GameBench 2 OverallDuelLab GameBench 281.7†–
GameBench 2 by reasoning settingDuelLab GameBench 289.2–
Design Arena WebsiteDesign Arena1316†1263
FrontierCode 1.1 (AA)Artificial Analysis43.5%–
FrontierCode 2.0 (AA)Artificial Analysis25.7%–
智能体与工具
Terminal-BenchTerminal-Bench55.5%–
Remote Labor IndexScale AI / CAIS17.1%†–
APEX-AgentsMercor82.4%†31.8%
Arena AgentArena (LMArena)10.7-8
LiveBench Long AgenticLiveBench58.5%–
LiveBench BrowserLiveBench82.8%–
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench 2.1 (Vals)Vals AI57.7%69.3%†
MCP AtlasScale AI SEAL90.7%†88.1%
HiL-BenchScale AI SEAL62.0%†–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1, normalised scoreArtificial Analysis56.2%–
GDPval-AA v2.1Artificial Analysis16341216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Analyst Agent (AA)Artificial Analysis48.8%–
CUA-benchVals AI4.8%–
CyberBenchVals AI77.9%–
Finance Agent v2Vals AI65.4%57.2%†
Finance Agent v2.1Vals AI67.7%–
Harvey's Legal Agent Benchmark v1.1Vals AI27.1%–
Harvey's Legal Agent Benchmark v1Vals AI19.6%20.0%†
Legal Research BenchVals AI54.8%38.0%†
Robo-benchVals AI0.8%–
SkillsBenchVals AI–59.2%†
SREBenchVals AI44.3%–
Tax Agent BenchVals AI49.2%–
Terminal-Bench 4.0 (Vals)Vals AI57.6%–
Terminal-Bench ScienceVals AI44.3%–
Time Horizon Index: KSPVals AI52.5%1.7%†
Arena Agent Task CompletionArena (LMArena)13.2-6.5
PostTrainBenchEpoch AI Benchmarking Hub40.4%–
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs13718.2†6520.5
AutomationBenchArtificial Analysis77.5%38.9%†
GDP.pdf (AA)Artificial Analysis21.8%14.4%†
Harvey LAB-AA v1.1Harvey3.9%–
AA-Briefcase v1.1Artificial Analysis1485851†
GDPxGDPx by SemiAnalysis7.3%–
Design Arena AgenticDesign Arena1274†1172
Terminal-Bench-Science 0.1 (AA)Artificial Analysis52.9%–
MKA (AA)Artificial Analysis51.3%–
FACTS SearchGoogle89.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%–
FrontierMath Tier 4Epoch AI Benchmarking Hub78.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI99.0%†39.0%
LiveBench MathematicsLiveBench–87.1%†
ArXivMathMathArena84.4%–
BrokenArXivMathArena47.9%–
Arena MathsArena (LMArena)15361493
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub76.0%57.8%
LiveBench 2.0 Data AnalysisLiveBench85.2%–
LiveBench ResearchLiveBench86.8%–
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
AA-Omniscience v1.1Artificial Analysis46.1–
MMLU-ProVals AI–88.7%†
LegalBenchVals AI88.3%85.0%†
CorpFinVals AI–71.3%†
TaxEvalVals AI–79.7%†
PRBench FinanceScale AI SEAL49.9%†55.0%
PRBench LegalScale AI SEAL49.4%†57.0%
MultiNRCScale AI SEAL–65.6%
BioMysteryBenchVals AI76.3%–
Excel Modeling BenchmarkVals AI75.2%56.4%†
Excel Modeling Benchmark v1.1Vals AI74.8%–
MedCodeVals AI58.8%–
MedScribeVals AI87.4%88.9%†
Public Benefits Bench v1.1Vals AI69.8%61.3%†
Access to Justice BenchmarkVals AI68.5%–
Financial Coaching BenchVals AI73.1%–
Immigration BenchVals AI68.1%–
DrugDiscoveryBenchScale AI SEAL65.4%–
EBR-benchEpoch AI Benchmarking Hub64.8%–
GDP.pdfEpoch AI Benchmarking Hub28.4%15.0%
AA-Omniscience v1.1: accuracyArtificial Analysis48.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis95.7%–
HealthBench Professional (AA)OpenAI55.0%–
FACTS ParametricGoogle72.2%†–
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
MultiChallengeScale AI SEAL78.7%†75.3%
Arena Instruction FollowingArena (LMArena)15281473
人类偏好
Arena TextArena (LMArena)15221491
EQ-Bench 4EQ-Bench1236†1244
EQ-Bench Creative Writing v3EQ-Bench1758†1928
Arena Creative WritingArena (LMArena)15231443
Arena Multi-turnArena (LMArena)15451497
Arena Longer QueriesArena (LMArena)15441481
多模态
Arena VisionArena (LMArena)–1292
LiveBench DesignLiveBench69.2%–
MMMU-ProArtificial Analysis88.3%†–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
SAGEVals AI89.5%–
AudioMCScale AI SEAL58.4%–
AudioMC (text output)Scale AI SEAL58.4%–
Humanity's Sixth SenseScale AI SEAL55.4%–
VTBScale AI SEAL–44.8%
Blueprint-Bench 2Epoch AI Benchmarking Hub54.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub72.5%–
VIALS-AAHandshake AI59.6%–
Code2Video-AAArtificial Analysis1259–
AA-3DArtificial Analysis1147–
FACTS MultimodalGoogle54.2%†–
长上下文
AA-LCR v1.1Artificial Analysis79.7%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis13.9%7.2%†
FACTS GroundingGoogle73.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub166.5†154.9
LiveBench 2.0LiveBench77.7%–
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v5.0.1Artificial Analysis50.4–
AA Intelligence Index v4.3.2Artificial Analysis52.633.7†
AA Progress Index v1Artificial Analysis341.8302.7†
Vals IndexVals AI69.4–
Vals Finance IndexVals AI66.0%–
Vals RSI IndexVals AI30.6%–
Vals Science IndexVals AI55.4%–
Vals Multimodal IndexVals AI–66.7%†
Vals Router IndexVals AI69.2%†–
Vals Legal IndexVals AI76.8%–
安全与诚实
FORTRESSScale AI SEAL–12.4%
DistressBenchScale AI SEAL68.6%†–

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 4 Argon:标价将调整为每百万 token 输入 $4.00 / 输出 $20.00(已公布)。
  • Gemini 4 Argon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Gemini 4 Argon (high):1 项新结果(Terminal-Bench)。
  • Gemini 4 Argon (high):1 项分数修订。
  • Gemini 4 Argon (high):BenchLeader Index 65.9 → 65.3。
  • Gemini 4 Argon (high):1 项新结果(PostTrainBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $9.95/M → $4.97/M。
  • Gemini 4 Argon (high):4 项分数修订。
  • Gemini 4 Argon (high):1 项分数修订。
  • Gemini 4 Argon (high):价格 $7.68/M → $9.95/M。
  • Muse Spark 1.1:1 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 4 Argon vs Muse Spark 1.1:常见问题

Gemini 4 Argon 比 Muse Spark 1.1 更好吗?
Gemini 4 Argon (high) 与 Muse Spark 1.1 的质量不相上下(65.3 比 62.2,在 ±6.2 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 4 Argon 和 Muse Spark 1.1 哪个更便宜?价格会变吗?
目前 Muse Spark 1.1 更便宜:每百万 token $2.00 比 $4.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。Gemini 4 Argon 的现价有效至 2026年11月30日,之后为 $8.00。
编程用 Gemini 4 Argon 还是 Muse Spark 1.1 更好?
两者在编程方面持平(类别得分 67 比 66)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 4 Argon 为 1681,Muse Spark 1.1 为 1542。
Gemini 4 Argon 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 66 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 4 Argon 还是 Muse Spark 1.1 更好?
Gemini 4 Argon 在智能体任务方面得分更高(类别得分 59 比 51,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Gemini 4 Argon 为 10.7,Muse Spark 1.1 为 -8。
更多问题(4)
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
哪个延迟更低?
Muse Spark 1.1 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.8 秒比 45.7 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 4 Argon 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 14 项基准测试中,Gemini 4 Argon 领先 14 项,Muse Spark 1.1 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Argon 更强。
Gemini 4 Argon 是什么时候发布的?
Gemini 4 Argon 于 2026年9月30日 首次亮相,并于 2026年10月13日 正式发布。