BenchLeader

Gemini 4 Carbon vs Muse Spark 1.1

完整资料:Gemini 4 Carbon(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 14 个来源

截至 2026年11月16日,质量上 Gemini 4 Carbon 领先 Muse Spark 1.1(BenchLeader Index 68.9 比 62.2)。不过,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 Carbon 均领先。Muse Spark 1.1 输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Gemini 4 Carbon 的 BenchLeader Index 为 68.9,Muse Spark 1.1 为 62.2(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)。
  • 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 Carbon 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 12 项基准测试中,Gemini 4 Carbon 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Gemini 4 Carbon 的评分为 1768,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Gemini 4 Carbon类别得分 74 比 66;Arena WebDev 1768 比 1542高
智能体与工具调用Gemini 4 Carbon类别得分 70 比 51;Arena Agent 17 比 -8高
数学Gemini 4 Carbon类别得分 72 比 61高
推理Gemini 4 Carbon类别得分 73 比 68;Arena Hard Prompts 1547 比 1511中
知识Gemini 4 Carbon类别得分 76 比 69;SimpleQA Verified 77.7% 比 57.8%中
对话质量(人类偏好)Gemini 4 CarbonArena 投票 73 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–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 73.5 秒(Gemini 4 Carbon (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

  • 质量上 Gemini 4 Carbon (high) 领先:68.9 比 62.2。
  • Gemini 4 Carbon (high) 在智能体与工具、编程、人类偏好、知识、数学、推理方面更强。
  • 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)。
  • Muse Spark 1.1 的输出速度是对方的 3.0 倍(193 比 64 token/秒)。

概览

规格Gemini 4 CarbonMuse Spark 1.1
提供商GoogleMeta
发布日期2026年10月28日2026年7月9日
上下文窗口(token)1,048,5761,048,576
对比时的配置Gemini 4 Carbon (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

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 1.1领先者
推理73.267.8Gemini 4 Carbon
编程74.165.8Gemini 4 Carbon
智能体与工具70.350.9Gemini 4 Carbon
数学71.961.3Gemini 4 Carbon
知识76.169.2Gemini 4 Carbon
指令遵循–70.4无法比较
人类偏好72.664.5Gemini 4 Carbon
多模态–63.6无法比较
长上下文64.3–无法比较
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。

2550 avg75推理编程智能体与工具数学知识人类偏好Gemini 4 Carbon, 推理: 73.2Gemini 4 Carbon, 编程: 74.1Gemini 4 Carbon, 智能体与工具: 70.3Gemini 4 Carbon, 数学: 71.9Gemini 4 Carbon, 知识: 76.1Gemini 4 Carbon, 人类偏好: 72.6Muse 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 12 项基准测试中,Gemini 4 Carbon 领先 12 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 Carbon 更强。

综合 IndexGemini 4 Carbon (high)Muse Spark 1.1领先者
BenchLeader Index68.962.2Gemini 4 Carbon
Arena Text15261491Gemini 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 1.1
每百万 token 混合价格$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$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)$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/s193 tok/s
首次回答时间73.5 秒1.8 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 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 147 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 1.1
BenchLeader IndexBenchLeader68.962.2
智能体与工具得分BenchLeader70.350.9
编程得分BenchLeader74.165.8
综合得分BenchLeader70.3–
人类偏好得分BenchLeader72.664.5
知识得分BenchLeader76.169.2
长上下文得分BenchLeader64.3–
数学得分BenchLeader71.961.3
推理得分BenchLeader73.267.8
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BenchLeader64 tok/s193 tok/s
首次回答时间BenchLeader73.5 秒1.8 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub96.5%–
SimpleBenchSimpleBench92.6%†–
Arena Hard PromptsArena (LMArena)15471511
LiveBench 2.0 ReasoningLiveBench90.6%–
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis–89.8%†
Humanity's Last Exam (AA)Artificial Analysis–46.2%†
HLE-Diamond (AA)Artificial Analysis69.1%–
GPQA Diamond (Vals)Vals AI–91.2%†
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize92.1%–
ARC-AGI-3ARC Prize96.9%–
CritPtArtificial Analysis–15.1%†
CritPt v2 hard subset (AA)Artificial Analysis69.0%–
Arena ExpertArena (LMArena)15671504
Chess PuzzlesEpoch AI Benchmarking Hub78.0%34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub73.0%–
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
编程
SciCodeSciCode64.2%58.8%
Arena CodingArena (LMArena)15681533
Arena WebDevArena (LMArena)17681542
LiveBench 2.0 CodingLiveBench91.0%–
LiveBench 1.0 CodingLiveBench–77.2%†
SciCode (AA)Artificial Analysis–58.8%†
显示全部 147 项基准测试
指标发布方Gemini 4 Carbon (high)Muse Spark 1.1
编程
LiveCodeBenchVals AI–85.9%†
SWE-bench (Vals)Vals AI–82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI89.1%72.2%†
Vibe Code Bench 1-100 v1.1Vals AI49.7%–
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 SEAL71.4%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†–
SWE Atlas v1.1: Test WritingScale AI SEAL76.7%†–
SWE Atlas v1.1: RefactoringScale AI SEAL64.3%†–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
CursorBenchCursor60.4%–
FrontierSWEEpoch AI Benchmarking Hub61.2%–
Terminal-Bench 4.0 (AA)Artificial Analysis65.2%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
Design Arena WebsiteDesign Arena1319†1263
FrontierCode 2.0 (AA)Artificial Analysis40.6%–
智能体与工具
Terminal-BenchTerminal-Bench64.5%–
APEX-AgentsMercor84.2%†31.8%
Arena AgentArena (LMArena)17-8
LiveBench Long AgenticLiveBench72.7%–
LiveBench BrowserLiveBench80.0%–
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
HiL-BenchScale AI SEAL50.3%†–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis17331216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Finance Agent v2.1Vals AI67.2%–
Harvey's Legal Agent Benchmark v1.1Vals AI17.5%–
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI55.8%38.0%†
SkillsBenchVals AI–59.2%†
Tax Agent BenchVals AI51.8%–
Terminal-Bench 4.0 (Vals)Vals AI63.1%–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)18.4-6.5
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs16484.2†6520.5
AutomationBenchArtificial Analysis77.8%38.9%†
GDP.pdf (AA)Artificial Analysis28.4%14.4%†
AA-Briefcase v1.1Artificial Analysis1611851†
GDPxGDPx by SemiAnalysis10.9%–
Design Arena AgenticDesign Arena1305†1172
Terminal-Bench-Science 0.1 (AA)Artificial Analysis64.8%–
MKA (AA)Artificial Analysis54.3%–
FACTS SearchGoogle94.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.5%–
FrontierMath Tier 4Epoch AI Benchmarking Hub95.1%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI–39.0%
LiveBench MathematicsLiveBench–87.1%†
ArXivMathMathArena94.3%–
BrokenArXivMathArena84.4%–
Arena MathsArena (LMArena)–1493
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub77.7%57.8%
LiveBench 2.0 Data AnalysisLiveBench86.5%–
LiveBench ResearchLiveBench92.5%–
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
AA-Omniscience v1.1Artificial Analysis53.5–
MMLU-ProVals AI–88.7%†
LegalBenchVals AI–85.0%†
CorpFinVals AI–71.3%†
TaxEvalVals AI–79.7%†
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL53.4%†57.0%
MultiNRCScale AI SEAL–65.6%
Excel Modeling BenchmarkVals AI–56.4%†
Excel Modeling Benchmark v1.1Vals AI76.5%–
MedScribeVals AI–88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
DrugDiscoveryBenchScale AI SEAL71.5%–
EBR-benchEpoch AI Benchmarking Hub87.6%–
GDP.pdfEpoch AI Benchmarking Hub–15.0%
AA-Omniscience v1.1: accuracyArtificial Analysis58.3%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis88.6%–
FACTS ParametricGoogle81.6%†–
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)15251473
人类偏好
Arena TextArena (LMArena)15261491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)15161443
Arena Multi-turnArena (LMArena)15641497
Arena Longer QueriesArena (LMArena)15381481
多模态
Arena VisionArena (LMArena)–1292
LiveBench DesignLiveBench80.2%–
MMMU-ProArtificial Analysis89.3%†–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
Humanity's Sixth SenseScale AI SEAL71.1%–
VTBScale AI SEAL–44.8%
Blueprint-Bench 2Epoch AI Benchmarking Hub58.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub77.5%–
VIALS-AAHandshake AI64.0%–
FACTS MultimodalGoogle60.2%†–
长上下文
AA-LCR v1.1Artificial Analysis79.3%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis19.4%7.2%†
FACTS GroundingGoogle77.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169.8†154.9
LiveBench 2.0LiveBench83.5%–
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v5.0.1Artificial Analysis60.0–
AA Intelligence Index v4.3.2Artificial Analysis–33.7†
AA Progress Index v1Artificial Analysis350.8302.7†
Vals IndexVals AI70.5–
Vals Finance IndexVals AI67.0%–
Vals RSI IndexVals AI27.7%–
Vals Multimodal IndexVals AI–66.7%†
Vals Legal IndexVals AI75.9%–
安全与诚实
FORTRESSScale AI SEAL16.4%†12.4%

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。

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)。
  • 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。
  • Gemini 4 Carbon (high):1 项分数修订。

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 1.1:常见问题

Gemini 4 Carbon 比 Muse Spark 1.1 更好吗?
质量上 Gemini 4 Carbon (high) 领先:68.9 比 62.2。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。
Gemini 4 Carbon 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)。两者均未公布价格调整。
编程用 Gemini 4 Carbon 还是 Muse Spark 1.1 更好?
Gemini 4 Carbon 在编程方面得分更高(类别得分 74 比 66,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemini 4 Carbon 为 1768,Muse Spark 1.1 为 1542。
Gemini 4 Carbon 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 64 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Gemini 4 Carbon 还是 Muse Spark 1.1 更好?
Gemini 4 Carbon 在智能体任务方面得分更高(类别得分 70 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 Carbon 为 17,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 73.5 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 Carbon 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 12 项基准测试中,Gemini 4 Carbon 领先 12 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 Carbon 更强。
Gemini 4 Carbon 是什么时候发布的?
Gemini 4 Carbon 于 2026年10月28日 发布。