Gemma 4 31B vs Muse Ember
完整资料:Gemma 4 31B(Google)和 Muse Ember(Meta),包括全部基准测试、价格和排名。
更新于 · 数据来自 9 个来源
截至 2026年11月16日,Gemma 4 31B 与 Muse Ember 的质量不相上下(BenchLeader Index 51.9 比 52.1,在 ±8.7 的误差范围内)。Muse Ember 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $0.200 比 $0.250)。看重推理(61 比 51)选 Gemma 4 31B;看重知识(49 比 24)和编程(60 比 48)选 Muse Ember。Gemma 4 31B 的首次回答更快(0.5 秒 比 5.0 秒)。Muse Ember 的输出更快(3 倍以上)。
要点(截至 2026年11月16日)
- Gemma 4 31B 的 BenchLeader Index 为 51.9,Muse Ember 为 52.1(BenchLeader,2026年11月16日)。
- Gemma 4 31B 每百万 token 混合价格为 $0.250(标价,2026年11月16日)。
- Muse Ember 每百万 token 混合价格为 $0.200(标价,2026年11月16日)。
- Muse Ember 比 Gemma 4 31B 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
- 在两者都有结果的 1 项基准测试中,Muse Ember 领先 1 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,Gemma 4 31B 的评分为 1370,Muse Ember 为 1609(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 | Muse Ember | 类别得分 60 比 48;Arena WebDev 1609 比 1370 | 高 |
| 推理 | Gemma 4 31B | 类别得分 61 比 51 | 高 |
| 知识 | Muse Ember | 类别得分 49 比 24 | 高 |
| 对话质量(人类偏好) | – | 只有 Gemma 4 31B 有 Arena 评分(类别得分 54) | 无法比较 |
| 成本最低 | Muse Ember | 每百万 token 混合价格 $0.200 比 $0.250;智能体编程会话 $0.008 比 $0.014 | – |
| 首次回答最快 | Gemma 4 31B | 首个回答 token 0.5 秒(Gemma 4 31B)比 5.0 秒(Muse Ember (max)) | – |
| 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
- Gemma 4 31B 与 Muse Ember (max) 的质量不相上下(51.9 比 52.1,在 ±8.7 的误差范围内)。
- Gemma 4 31B 在推理方面更强。
- Muse Ember (max) 在编程、知识方面更强。
- Muse Ember (max) 更便宜,对方的价格是它的 1.3 倍(每百万 token 混合价格 $0.200 比 $0.250)。
- Muse Ember (max) 的输出速度是对方的 6.8 倍(437 比 64 token/秒)。
概览
| 规格 | Gemma 4 31B | Muse Ember |
|---|---|---|
| 提供商 | Meta | |
| 发布日期 | 2026年4月2日 | 2026年11月9日 |
| 上下文窗口(token) | 262,144 | 1,048,576 |
| 对比时的配置 | Gemma 4 31B | Muse Ember (max) |
| 开放权重 | 是 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $0.200 / $0.400 / $0.250 | $0.100 / $0.500 / $0.0040 |
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 | Gemma 4 31B | Muse Ember (max) | 领先者 |
|---|---|---|---|
| 推理 | 61.0 | 51.1 | Gemma 4 31B |
| 编程 | 48.2 | 60.0 | Muse Ember |
| 智能体与工具 | – | 52.4 | 无法比较 |
| 数学 | 64.7 | – | 无法比较 |
| 知识 | 24.4 | 48.8 | Muse Ember |
| 人类偏好 | 54.3 | – | 无法比较 |
| 多模态 | 62.0 | – | 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):智能体与工具, 数学, 指令遵循, 长上下文, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 1 项基准测试中,Gemma 4 31B 领先 0 项,Muse Ember 领先 1 项。所有同时评测两者的综合评分都认为 Muse Ember 更强。
| 综合 Index | Gemma 4 31B | Muse Ember (max) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 51.9 | 52.1 | 不相上下 |
| AA Intelligence Index v5.0.1 | 4.4† | 36.0 | Muse Ember |
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 | Gemma 4 31B | Muse Ember (max) |
|---|---|---|
| 每百万 token 混合价格 | $0.250 | $0.200 |
| 每百万 token 输入 / 输出 | $0.200 / $0.400 | $0.100 / $0.500 |
| 每百万 token 缓存输入 | $0.250 | $0.0040 |
| 每项任务价格:聊天回复 | $0.0002 | $0.0002 |
| 每项任务价格:总结一份 30 页的报告 | $0.0026 | $0.0015 |
| 每项任务价格:代码编辑 | $0.0018 | $0.0014 |
| 每项任务价格:智能体编程会话 | $0.014 | $0.0080 |
| 每项任务价格:结构化信息提取 | $0.0005 | $0.0003 |
| 智能体编程会话(输入大多命中缓存) | $0.016 | $0.0037 |
| 每项基准测试任务成本(AA Index) | – | $0.136 |
| 每项任务输出 token(AA Index) | – | 84k |
| 其中推理部分 | – | 52k |
| 每项任务耗时(AA Index) | – | 3 min |
| 输出速度 | 64 tok/s | 437 tok/s |
| 首次回答时间 | 0.5 秒 | 5.0 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | – | 12.9 秒 |
每个模型都按其排名最高的推理强度设置进行对比。Gemma 4 31B 得分 51.9,首个回答 token 需 1 秒;Gemma 4 31B (无推理) 为 49.8(4 秒),Gemma 4 31B (thinking) 为 46.6(52 秒)。Muse Ember (max) 得分 52.1,首个回答 token 需 5 秒;Muse Ember (xhigh) 为 49.1(4 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 94 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 | Gemma 4 31B | Muse Ember (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 51.9 | 52.1 |
| 编程得分 | BenchLeader | 48.2 | 60.0 |
| 人类偏好得分 | BenchLeader | 54.3 | – |
| 知识得分 | BenchLeader | 24.4 | 48.8 |
| 数学得分 | BenchLeader | 64.7 | – |
| 多模态得分 | BenchLeader | 62.0 | – |
| 推理得分 | BenchLeader | 61.0 | 51.1 |
| 智能体与工具得分 | BenchLeader | – | 52.4 |
| 混合价格(美元/百万 token) | BenchLeader | $0.250 | $0.200 |
| 输出速度 | BenchLeader | 64 tok/s | 437 tok/s |
| 首次回答时间 | BenchLeader | 0.5 秒 | 5.0 秒 |
| 上下文窗口 | BenchLeader | 262,144 token | 1,048,576 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 75.8%† | – |
| SimpleBench | SimpleBench | – | 72.7%† |
| Arena Hard Prompts | Arena (LMArena) | 1475 | – |
| LiveBench 2.0 Reasoning | LiveBench | 68.3%† | – |
| GPQA Diamond (AA) | Artificial Analysis | 76.3%† | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 11.8%† | – |
| HLE-Diamond (AA) | Artificial Analysis | 7.2%† | 25.1% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 63.5% | – |
| CritPt | Artificial Analysis | 0.0%† | – |
| CritPt v2 hard subset (AA) | Artificial Analysis | 4.0%† | 39.0% |
| Arena Expert | Arena (LMArena) | 1498 | – |
| LMCA | Epoch AI Benchmarking Hub | 39.3% | – |
| DTBench | Epoch AI Benchmarking Hub | 82.7% | – |
| ForecastBench | ForecastBench | 61.1% | – |
| 编程 | |||
| SciCode | SciCode | 45.5% | – |
| WeirdML | WeirdML | 52.3% | – |
| Arena Coding | Arena (LMArena) | 1502 | – |
| Arena WebDev | Arena (LMArena) | 1370 | 1609 |
| LiveBench 2.0 Coding | LiveBench | 20.3%† | – |
| Vibe Code Bench v1.1 | Vals AI | – | 83.7% |
| SWE Atlas v1.1 | Scale AI SEAL | – | 56.0%† |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 61.3%† |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 56.7%† |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 50.0%† |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | 30.6% | – |
显示全部 94 项基准测试
| 指标 | 发布方 | Gemma 4 31B | Muse Ember (max) |
|---|---|---|---|
| 编程 | |||
| ALE-Bench | Epoch AI Benchmarking Hub | 925.5 | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 0.0%† | 40.9% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 29.2%† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 18.6† | – |
| Design Arena Website | Design Arena | – | 1330† |
| FrontierCode 2.0 (AA) | Artificial Analysis | 0.0%† | 27.2% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | – | 30.6%† |
| APEX-Agents | Mercor | – | 64.3%† |
| Arena Agent | Arena (LMArena) | – | 1.7 |
| LiveBench Long Agentic | LiveBench | 8.5%† | – |
| LiveBench Browser | LiveBench | 0.0%† | – |
| Terminal-Bench Hard | Artificial Analysis | 30.3%† | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 65.5%† | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 2.4%† | – |
| GDPval-AA v2.1 | Artificial Analysis | 555† | – |
| τ³-Banking (AA) | Artificial Analysis | 8.9%† | – |
| ITBench SRE (AA) | Artificial Analysis | 37.3%† | – |
| Finance Agent v2.1 | Vals AI | – | 63.8% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 25.0% |
| Legal Research Bench | Vals AI | – | 49.0% |
| Tax Agent Bench | Vals AI | – | 38.2% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 39.3%† | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 39.4% |
| Arena Agent Task Completion | Arena (LMArena) | – | -7.6 |
| AutomationBench | Artificial Analysis | 4.9%† | 68.1% |
| GDP.pdf (AA) | Artificial Analysis | 6.0%† | 22.8% |
| EnterpriseOps-Gym | Artificial Analysis | 28.4%† | – |
| AA-Briefcase v1.1 | Artificial Analysis | 369† | 1520 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 0.0%† | 20.0% |
| FACTS Search | 75.3% | – | |
| 数学 | |||
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 73.3%† | – |
| Arena Maths | Arena (LMArena) | 1467 | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 10.4% | – |
| LiveBench 2.0 Data Analysis | LiveBench | 53.3%† | – |
| LiveBench Research | LiveBench | 38.1%† | – |
| AA-Omniscience v1.1 | Artificial Analysis | -48.5† | 7.4 |
| CaseLaw v2 | Vals AI | 52.6%† | – |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 72.2% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 19.9%† | 21.1% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 14.5%† | 82.6% |
| FACTS Parametric | 6.9% | – | |
| 指令遵循 | |||
| IFBench | Artificial Analysis | 53.5%† | – |
| Arena Instruction Following | Arena (LMArena) | 1453 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1452 | – |
| EQ-Bench 4 | EQ-Bench | 1110 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 1369 | – |
| Arena Creative Writing | Arena (LMArena) | 1418 | – |
| Arena Multi-turn | Arena (LMArena) | 1465 | – |
| Arena Longer Queries | Arena (LMArena) | 1469 | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1279 | – |
| LiveBench Design | LiveBench | 56.5%† | – |
| MMMU-Pro | Artificial Analysis | 70.3%† | – |
| MortgageTax | Vals AI | 61.4%† | – |
| SAGE | Vals AI | 82.8%† | – |
| FACTS Multimodal | 42.3% | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 46.7%† | – |
| Arena Document | Arena (LMArena) | 1452 | – |
| MLCR | Artificial Analysis | – | 18.3% |
| FACTS Grounding | 75.8% | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 144.3 | – |
| LiveBench 2.0 | LiveBench | 32.4%† | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 4.4† | 36.0 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 13.9† | – |
| AA Progress Index v1 | Artificial Analysis | 233† | – |
| Vals Index | Vals AI | – | 60.5 |
| Vals Finance Index | Vals AI | – | 60.9% |
| Vals Legal Index | Vals AI | – | 75.7% |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 11.9%† |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 38.9† | – |
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
- Gemma 4 31B:BenchLeader Index 47.5 → 51.9。
- Gemma 4 31B:1 项新结果(FACTS Search)。
- Muse Ember (max):1 项新结果(Arena Agent)。
- Muse Ember (max):2 项新结果(MLCR, Arena WebDev)。
- Gemma 4 31B:BenchLeader Index 48.0 → 47.5。
- Gemma 4 31B:5 项分数修订。
- Gemma 4 31B:1 项分数修订。
- Gemma 4 31B:1 项分数修订。
- Gemma 4 31B:BenchLeader Index 48.5 → 48.0。
- Gemma 4 31B:3 项分数修订。
相关对比
- Muse Ember vs Muse Spark Open 816B A42B
- Muse Ember vs Mistral Large 4
- Muse Ember vs Gemini 3.1 Flash Lite
- Muse Ember vs Inkling Small
- Muse Ember vs Qwen3.5-27B
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
Gemma 4 31B vs Muse Ember:常见问题
- Gemma 4 31B 比 Muse Ember 更好吗?
- Gemma 4 31B 与 Muse Ember (max) 的质量不相上下(51.9 比 52.1,在 ±8.7 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。
- Gemma 4 31B 和 Muse Ember 哪个更便宜?价格会变吗?
- 目前 Muse Ember 更便宜:每百万 token $0.200 比 $0.250(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 Gemma 4 31B 还是 Muse Ember 更好?
- Muse Ember 在编程方面得分更高(类别得分 60 比 48,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Gemma 4 31B 为 1370,Muse Ember 为 1609。
- Gemma 4 31B 和 Muse Ember 哪个更快?
- Muse Ember 输出更快(3 倍以上;输出 437 比 64 token/秒,Artificial Analysis 7 日中位数)。
- 处理长文档哪个更好?
- Muse Ember 支持更长的上下文:1,048,576 token,Gemma 4 31B 为 262,144 token。
更多问题(3)
- 哪个延迟更低?
- Gemma 4 31B 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 0.5 秒比 5.0 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 Gemma 4 31B 和 Muse Ember 的看法一致吗?
- 在两者都有结果的 1 项基准测试中,Gemma 4 31B 领先 0 项,Muse Ember 领先 1 项。所有同时评测两者的综合评分都认为 Muse Ember 更强。
- Muse Ember 是什么时候发布的?
- Muse Ember 于 2026年11月9日 发布。