Gemini 4 Carbon vs Muse Spark
完整资料:Gemini 4 Carbon(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 13 个来源
截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Muse Spark(BenchLeader Index 68.9 比 64.2)。在两者都有成绩的所有类别中,Gemini 4 Carbon 均领先。
要点(截至 2026年11月16日)
- Gemini 4 Carbon 的 BenchLeader Index 为 68.9,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
- Gemini 4 Carbon 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
- 在两者都有结果的 15 项基准测试中,Gemini 4 Carbon 领先 15 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 | Gemini 4 Carbon | 类别得分 74 比 65;SciCode 64.2% 比 51.5% | 高 |
| 智能体与工具调用 | Gemini 4 Carbon | 类别得分 70 比 65;GDPval-AA v2.1 1733 比 1006 | 中 |
| 数学 | Gemini 4 Carbon | 类别得分 72 比 59;OTIS Mock AIME 100.0% 比 88.9% | 高 |
| 推理 | Gemini 4 Carbon | 类别得分 73 比 67;GPQA Diamond 96.5% 比 89.8% | 中 |
| 知识 | Gemini 4 Carbon | 类别得分 76 比 63 | 高 |
| 长文档 | 均可 | 类别得分 64 比 64;AA-LCR v1.1 79.3% 比 78.0% | 均可 |
| 对话质量(人类偏好) | Gemini 4 Carbon | Arena 投票 73 比 68 | 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
- 质量上 Gemini 4 Carbon (high) 领先:68.9 比 64.2。
- Gemini 4 Carbon (high) 在智能体与工具、编程、人类偏好、知识、长上下文、数学、推理方面更强。
概览
| 规格 | Gemini 4 Carbon | Muse Spark |
|---|---|---|
| 提供商 | Meta | |
| 发布日期 | 2026年10月28日 | 2026年4月8日 |
| 上下文窗口(token) | 1,048,576 | 262,144 |
| 对比时的配置 | Gemini 4 Carbon (high) | Muse Spark |
| 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 | – |
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 Carbon (high) | Muse Spark | 领先者 |
|---|---|---|---|
| 推理 | 73.2 | 67.4 | Gemini 4 Carbon |
| 编程 | 74.1 | 65.1 | Gemini 4 Carbon |
| 智能体与工具 | 70.3 | 65.0 | Gemini 4 Carbon |
| 数学 | 71.9 | 59.1 | Gemini 4 Carbon |
| 知识 | 76.1 | 63.1 | Gemini 4 Carbon |
| 指令遵循 | – | 76.9 | 无法比较 |
| 人类偏好 | 72.6 | 68.1 | Gemini 4 Carbon |
| 多模态 | – | 64.2 | 无法比较 |
| 长上下文 | 64.3 | 63.6 | 持平 |
| 综合 | 70.3 | – | 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。
未绘制(测得的模型少于两个):指令遵循, 多模态。
各来源的分歧
在两者都有结果的 15 项基准测试中,Gemini 4 Carbon 领先 15 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
| 综合 Index | Gemini 4 Carbon (high) | Muse Spark | 领先者 |
|---|---|---|---|
| BenchLeader Index | 68.9 | 64.2 | Gemini 4 Carbon |
| Arena Text | 1526 | 1489 | Gemini 4 Carbon |
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 Carbon (high) | Muse Spark |
|---|---|---|
| 每百万 token 混合价格 | $4.00 | – |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | – / – |
| 每百万 token 缓存输入 | $0.100 | – |
| 每项任务价格:聊天回复 | $0.0038 | – |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | – |
| 每项任务价格:代码编辑 | $0.027 | – |
| 每项任务价格:智能体编程会话 | $0.160 | – |
| 每项任务价格:结构化信息提取 | $0.0060 | – |
| 智能体编程会话(输入大多命中缓存) | $0.074 | – |
| 每项基准测试任务成本(AA Index) | $5.48 | – |
| 每项任务输出 token(AA Index) | 123k | – |
| 其中推理部分 | 72k | – |
| 每项任务耗时(AA Index) | 32 min | – |
| 输出速度 | 64 tok/s | – |
| 首次回答时间 | 73.5 秒 | – |
| 完整回答耗时(最近一次测量 2026年11月13日) | 160.6 秒 | – |
每个模型都按其排名最高的推理强度设置进行对比。Gemini 4 Carbon (high) 得分 68.9,首个回答 token 需 73 秒;Gemini 4 Carbon (medium) 为 65.8(21 秒),Gemini 4 Carbon (low) 为 60.1(11 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 124 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 Carbon (high) | Muse Spark |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 68.9 | 64.2 |
| 智能体与工具得分 | BenchLeader | 70.3 | 65.0 |
| 编程得分 | BenchLeader | 74.1 | 65.1 |
| 综合得分 | BenchLeader | 70.3 | – |
| 人类偏好得分 | BenchLeader | 72.6 | 68.1 |
| 知识得分 | BenchLeader | 76.1 | 63.1 |
| 长上下文得分 | BenchLeader | 64.3 | 63.6 |
| 数学得分 | BenchLeader | 71.9 | 59.1 |
| 推理得分 | BenchLeader | 73.2 | 67.4 |
| 指令遵循得分 | BenchLeader | – | 76.9 |
| 多模态得分 | BenchLeader | – | 64.2 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | – |
| 输出速度 | BenchLeader | 64 tok/s | – |
| 首次回答时间 | BenchLeader | 73.5 秒 | – |
| 上下文窗口 | BenchLeader | 1,048,576 token | 262,144 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 96.5% | 89.8% |
| Humanity's Last Exam | Scale AI / CAIS | – | 40.6% |
| SimpleBench | SimpleBench | 92.6%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1547 | 1506 |
| LiveBench 2.0 Reasoning | LiveBench | 90.6% | – |
| GPQA Diamond (AA) | Artificial Analysis | – | 88.4% |
| Humanity's Last Exam (AA) | Artificial Analysis | – | 40.7% |
| HLE-Diamond (AA) | Artificial Analysis | 69.1% | – |
| GPQA Diamond (Vals) | Vals AI | – | 89.7% |
| ARC-AGI-1 | ARC Prize | 97.5% | – |
| ARC-AGI-2 | ARC Prize | 92.1% | – |
| ARC-AGI-3 | ARC Prize | 96.9% | – |
| CritPt | Artificial Analysis | – | 11.3% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 69.0% | – |
| Arena Expert | Arena (LMArena) | 1567 | 1491 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 78.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 73.0% | – |
| 编程 | |||
| SciCode | SciCode | 64.2% | 51.5% |
| Arena Coding | Arena (LMArena) | 1568 | 1529 |
| Arena WebDev | Arena (LMArena) | 1768 | – |
| LiveBench 2.0 Coding | LiveBench | 91.0% | – |
| SWE-bench (Vals) | Vals AI | – | 74.4% |
| SWE-Bench Pro | Scale AI SEAL | – | 55.0% |
| Vibe Code Bench v1.1 | Vals AI | 89.1% | 19.7% |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 49.7% | – |
显示全部 124 项基准测试
| 指标 | 发布方 | Gemini 4 Carbon (high) | Muse Spark |
|---|---|---|---|
| 编程 | |||
| SWE-Bench Pro (private) | Scale AI SEAL | – | 44.7% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 24.2% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 31.1% |
| SWE Atlas v1.1 | Scale AI SEAL | 71.4%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 73.4%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 76.7%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 64.3%† | – |
| CursorBench | Cursor | 60.4% | – |
| FrontierSWE | Epoch AI Benchmarking Hub | 61.2% | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 65.2% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 62.2% |
| Design Arena Website | Design Arena | 1319† | 1253 |
| FrontierCode 2.0 (AA) | Artificial Analysis | 40.6% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 64.5% | – |
| APEX-Agents | Mercor | 84.2%† | – |
| Arena Agent | Arena (LMArena) | 17 | – |
| LiveBench Long Agentic | LiveBench | 72.7% | – |
| LiveBench Browser | LiveBench | 80.0% | – |
| Terminal-Bench Hard | Artificial Analysis | – | 45.5% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 91.5% |
| MCP Atlas | Scale AI SEAL | – | 82.2% |
| HiL-Bench | Scale AI SEAL | 50.3%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 1733 | 1006 |
| Finance Agent v2.1 | Vals AI | 67.2% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 17.5% | – |
| Legal Research Bench | Vals AI | 55.8% | – |
| Tax Agent Bench | Vals AI | 51.8% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 59.5% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 63.1% | – |
| Arena Agent Task Completion | Arena (LMArena) | 18.4 | – |
| Vending-Bench 2 | Andon Labs | 16484.2† | – |
| AutomationBench | Artificial Analysis | 77.8% | – |
| GDP.pdf (AA) | Artificial Analysis | 28.4% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1611 | 646 |
| GDPx | GDPx by SemiAnalysis | 10.9% | – |
| Design Arena Agentic | Design Arena | 1305† | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 64.8% | – |
| MKA (AA) | Artificial Analysis | 54.3% | – |
| FACTS Search | 94.4%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 90.5% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 95.1% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | 88.9% |
| ProofBench | Vals AI | – | 17.0% |
| AIME (Vals) | Vals AI | – | 96.9% |
| ArXivMath | MathArena | 94.3% | – |
| BrokenArXiv | MathArena | 84.4% | – |
| Arena Maths | Arena (LMArena) | – | 1469 |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 2.9% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 77.7% | – |
| LiveBench 2.0 Data Analysis | LiveBench | 86.5% | – |
| LiveBench Research | LiveBench | 92.5% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 53.5 | – |
| MMLU-Pro | Vals AI | – | 87.3% |
| LegalBench | Vals AI | – | 84.2% |
| CorpFin | Vals AI | – | 65.1% |
| TaxEval | Vals AI | – | 77.7% |
| PRBench Finance | Scale AI SEAL | – | 52.4% |
| PRBench Legal | Scale AI SEAL | 53.4%† | 52.3% |
| MultiNRC | Scale AI SEAL | – | 59.0% |
| CaseLaw v2 | Vals AI | – | 63.1% |
| Excel Modeling Benchmark v1.1 | Vals AI | 76.5% | – |
| MedCode | Vals AI | – | 51.3% |
| MedScribe | Vals AI | – | 85.9% |
| DrugDiscoveryBench | Scale AI SEAL | 71.5% | – |
| EBR-bench | Epoch AI Benchmarking Hub | 87.6% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 58.3% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 88.6% | – |
| FACTS Parametric | 81.6%† | – | |
| 指令遵循 | |||
| IFBench | Artificial Analysis | – | 75.9% |
| MultiChallenge | Scale AI SEAL | – | 75.5% |
| TutorBench | Scale AI SEAL | – | 68.5% |
| Arena Instruction Following | Arena (LMArena) | 1525 | 1465 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1526 | 1489 |
| Arena Creative Writing | Arena (LMArena) | 1516 | 1464 |
| Arena Multi-turn | Arena (LMArena) | 1564 | 1493 |
| Arena Longer Queries | Arena (LMArena) | 1538 | 1476 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1306 |
| LiveBench Design | LiveBench | 80.2% | – |
| MMMU-Pro | Artificial Analysis | 89.3%† | 80.5% |
| MMMU-Pro (Vals) | Vals AI | – | 87.4% |
| Humanity's Sixth Sense | Scale AI SEAL | 71.1% | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 58.6%† | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 77.5% | – |
| VIALS-AA | Handshake AI | 64.0% | – |
| FACTS Multimodal | 60.2%† | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 79.3% | 78.0% |
| Arena Document | Arena (LMArena) | – | 1467 |
| MLCR | Artificial Analysis | 19.4% | – |
| FACTS Grounding | 77.2%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 169.8† | 153.1 |
| LiveBench 2.0 | LiveBench | 83.5% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 60.0 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | – | 31.3 |
| AA Progress Index v1 | Artificial Analysis | 350.8 | 289.1 |
| Vals Index | Vals AI | 70.5 | – |
| Vals Finance Index | Vals AI | 67.0% | – |
| Vals RSI Index | Vals AI | 27.7% | – |
| Vals Legal Index | Vals AI | 75.9% | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 16.4%† | 20.2% |
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 4 Carbon (high):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
- Gemini 4 Carbon (high):BenchLeader Index 69.9 → 68.9。
- Gemini 4 Carbon (high):1 项新结果(Terminal-Bench)。
- Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
- Gemini 4 Carbon (high):1 项新结果(DrugDiscoveryBench);输入价格 $4.00/M → $2.00/M;输出价格 $20.00/M → $10.00/M;价格 $7.76/M → $5.48/M。
- Gemini 4 Carbon (high):BenchLeader Index 68.5 → 69.9。
- Gemini 4 Carbon (high):13 项新结果(GPQA Diamond, FrontierMath Tiers 1–3, FrontierMath Tier 4…)。
- Gemini 4 Carbon (high):2 项新结果(FrontierSWE, Vals RSI Index)。
- Gemini 4 Carbon (high):BenchLeader Index 69.3 → 68.5。
- Gemini 4 Carbon (high):BenchLeader Index 68.8 → 69.3。
相关对比
- Gemini 4 Carbon vs Claude Fable 5.2
- Gemini 4 Carbon vs Claude Opus 5.5
- Gemini 4 Carbon vs GPT-6 Astra
- Muse Spark vs Claude Fable 5.2
- Muse Spark vs Claude Opus 5.5
- Muse Spark vs GPT-6 Astra
- Gemini 4 Argon vs Muse Spark
- Gemini 4 Carbon vs GPT-6.1 Sol
排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型
Gemini 4 Carbon vs Muse Spark:常见问题
- Gemini 4 Carbon 比 Muse Spark 更好吗?
- 质量上 Gemini 4 Carbon (high) 领先:68.9 比 64.2。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Gemini 4 Carbon (high) 总体领先,但请结合你的用途查看各类别得分。
- 编程用 Gemini 4 Carbon 还是 Muse Spark 更好?
- Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Gemini 4 Carbon 为 64.2%,Muse Spark 为 51.5%。
- 智能体和工具调用用 Gemini 4 Carbon 还是 Muse Spark 更好?
- Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 比 65,50 为平均水平)。
- 处理长文档哪个更好?
- 两者在长上下文基准测试上持平(64 比 64)。Gemini 4 Carbon 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 4 Carbon 和 Muse Spark 的看法一致吗?
- 在两者都有结果的 15 项基准测试中,Gemini 4 Carbon 领先 15 项,Muse Spark 领先 0 项。所有同时评测两者的综合评分都认为 Gemini 4 Carbon 更强。
更多问题(1)
- Gemini 4 Carbon 是什么时候发布的?
- Gemini 4 Carbon 于 2026年10月28日 发布。