BenchLeader

GLM 5.2 vs Muse Spark

完整资料:GLM 5.2(Zhipu AI)和 Muse Spark(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,GLM 5.2 与 Muse Spark 的质量不相上下(BenchLeader Index 58.9 比 64.2,在 ±5.3 的误差范围内)。在两者都有成绩的所有类别中,Muse Spark 均领先。

要点(截至 2026年11月16日)

  • GLM 5.2 的 BenchLeader Index 为 58.9,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GLM 5.2 每百万 token 混合价格为 $2.15(标价,2026年11月16日)。
  • 在两者都有结果的 25 项基准测试中,GLM 5.2 领先 18 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Muse Spark类别得分 65 比 62;SciCode 51.5% 比 51.2%中
智能体与工具调用Muse Spark类别得分 65 比 62;Terminal-Bench Hard 45.5% 比 50.8%中
数学Muse Spark类别得分 59 比 53;OTIS Mock AIME 88.9% 比 86.4%中
推理Muse Spark类别得分 67 比 57;Arena Hard Prompts 1506 比 1496高
知识Muse Spark类别得分 63 比 44高
长文档均可类别得分 64 比 64;AA-LCR v1.1 78.3% 比 78.0%均可
指令遵循Muse Spark类别得分 77 比 72;IFBench 75.9% 比 73.3%中
对话质量(人类偏好)Muse SparkArena 投票 68 比 66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

  • GLM 5.2 (max) 与 Muse Spark 的质量不相上下(58.9 比 64.2,在 ±5.3 的误差范围内)。
  • GLM 5.2 (max) 在长上下文方面更强。
  • Muse Spark 在智能体与工具、编程、人类偏好、指令遵循、知识、数学、推理方面更强。

概览

规格GLM 5.2Muse Spark
提供商Zhipu AIMeta
发布日期2026年6月16日2026年4月8日
上下文窗口(token)1,000,000262,144
对比时的配置GLM 5.2 (max)Muse Spark
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.40 / $4.40 / $0.260–

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GLM 5.2 (max)Muse Spark领先者
推理57.267.4Muse Spark
编程61.865.1Muse Spark
智能体与工具62.165.0Muse Spark
数学52.659.1Muse Spark
知识44.363.1Muse Spark
指令遵循71.876.9Muse Spark
人类偏好66.468.1Muse Spark
多模态–64.2无法比较
长上下文63.863.6持平

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指令遵循长上下文人类偏好GLM 5.2, 推理: 57.2GLM 5.2, 编程: 61.8GLM 5.2, 智能体与工具: 62.1GLM 5.2, 数学: 52.6GLM 5.2, 知识: 44.3GLM 5.2, 指令遵循: 71.8GLM 5.2, 长上下文: 63.8GLM 5.2, 人类偏好: 66.4Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 指令遵循: 76.9Muse Spark, 长上下文: 63.6Muse Spark, 人类偏好: 68.1

未绘制(测得的模型少于两个):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 25 项基准测试中,GLM 5.2 领先 18 项,Muse Spark 领先 7 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGLM 5.2 (max)Muse Spark领先者
BenchLeader Index58.964.2不相上下
Arena Text14751489Muse Spark

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GLM 5.2 (max)Muse Spark
每百万 token 混合价格$2.15–
每百万 token 输入 / 输出$1.40 / $4.40– / –
每百万 token 缓存输入$0.260–
每项任务价格:聊天回复$0.0019–
每项任务价格:总结一份 30 页的报告$0.019–
每项任务价格:代码编辑$0.015–
每项任务价格:智能体编程会话$0.102–
每项任务价格:结构化信息提取$0.0037–
智能体编程会话(输入大多命中缓存)$0.050–
输出速度69 tok/s–
首次回答时间26.8 秒–
完整回答耗时(最近一次测量 2026年11月13日)56.7 秒–

每个模型都按其排名最高的推理强度设置进行对比。GLM 5.2 (max) 得分 58.9,首个回答 token 需 27 秒;GLM 5.2 为 51.9(1 秒),GLM 5.2 (无推理) 为 45.8(2 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 126 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GLM 5.2 (max)Muse Spark
BenchLeader IndexBenchLeader58.964.2
智能体与工具得分BenchLeader62.165.0
编程得分BenchLeader61.865.1
人类偏好得分BenchLeader66.468.1
指令遵循得分BenchLeader71.876.9
知识得分BenchLeader44.363.1
长上下文得分BenchLeader63.863.6
数学得分BenchLeader52.659.1
推理得分BenchLeader57.267.4
多模态得分BenchLeader–64.2
混合价格(美元/百万 token)BenchLeader$2.15–
输出速度BenchLeader69 tok/s–
首次回答时间BenchLeader26.8 秒–
上下文窗口BenchLeader1,000,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub91.9%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench58.8%†–
Arena Hard PromptsArena (LMArena)14961506
LiveBench 1.0 ReasoningLiveBench78.6%†–
GPQA Diamond (AA)Artificial Analysis89.5%88.4%
Humanity's Last Exam (AA)Artificial Analysis41.1%40.7%
HLE-Diamond (AA)Artificial Analysis17.7%–
GPQA Diamond (Vals)Vals AI85.6%†89.7%
Kagi LLM BenchmarkKagi LLM Benchmark62.6%†–
ARC-AGI-1ARC Prize77.0%†–
ARC-AGI-2ARC Prize22.8%†–
CritPtArtificial Analysis20.9%11.3%
Arena ExpertArena (LMArena)15021491
Chess PuzzlesEpoch AI Benchmarking Hub22.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub18.0%†–
LMCAEpoch AI Benchmarking Hub45.8%–
DTBenchEpoch AI Benchmarking Hub93.6%–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub78.7%–
SciCodeSciCode51.2%51.5%
WeirdMLWeirdML70.1%–
FrontierCodeCognition24.5%†–
Arena CodingArena (LMArena)15151529
Arena WebDevArena (LMArena)1608–
LiveBench 1.0 CodingLiveBench79.7%†–
显示全部 126 项基准测试
指标发布方GLM 5.2 (max)Muse Spark
编程
SciCode (AA)Artificial Analysis51.2%–
LiveCodeBenchVals AI69.5%†–
SWE-bench (Vals)Vals AI82.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI37.9%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI64.0%19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL48.1%†24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL42.4%†–
SWE Atlas v1.0: Test WritingScale AI SEAL41.5%†31.1%
MirrorCodeEpoch AI Benchmarking Hub36.7%–
Surface Evolver BenchEpoch AI Benchmarking Hub55.6%†–
DeepSWE v1.1Epoch AI Benchmarking Hub43.8%–
ALE-BenchEpoch AI Benchmarking Hub1010.2–
Terminal-Bench 4.0 (AA)Artificial Analysis1.0%–
Terminal-Bench 2.1 (AA)Artificial Analysis77.9%62.2%
Startrise FrontendStartrise72.1%†–
GameBench 2 OverallDuelLab GameBench 243.1†–
GameBench 2 by reasoning settingDuelLab GameBench 232.4†–
Design Arena WebsiteDesign Arena1277†1253
智能体与工具
APEX-AgentsMercor45.2%†–
Arena AgentArena (LMArena)0.2–
LiveBench Agentic CodingLiveBench51.8%†–
Terminal-Bench HardArtificial Analysis50.8%45.5%
τ²-Bench Telecom (AA)Artificial Analysis99.1%91.5%
Terminal-Bench 2.1 (Vals)Vals AI67.8%–
MCP AtlasScale AI SEAL77.8%†82.2%
HiL-BenchScale AI SEAL43.7%†–
τ³-bench Bankingτ²-bench37.1%†–
GDPval-AA v2.1Artificial Analysis13801006
τ³-Banking (AA)Artificial Analysis34.6%–
ITBench SRE (AA)Artificial Analysis42.7%–
APEX-Agents (AA)Artificial Analysis33.7%–
Finance Agent v2Vals AI49.7%†–
Harvey's Legal Agent Benchmark v1Vals AI7.1%–
Legal Research BenchVals AI31.3%–
SkillsBenchVals AI45.1%–
SREBenchVals AI0.0%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Arena Agent Task CompletionArena (LMArena)1.7–
PostTrainBenchEpoch AI Benchmarking Hub30.4%–
GBAEvalEpoch AI Benchmarking Hub0.0%†–
Vending-Bench 2Andon Labs8313.8†–
AutomationBenchArtificial Analysis28.4%–
GDP.pdf (AA)Artificial Analysis10.4%–
EnterpriseOps-GymArtificial Analysis42.7%–
AA-Briefcase v1.1Artificial Analysis1226646
Design Arena AgenticDesign Arena1194†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub59.2%–
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%–
OTIS Mock AIMEEpoch AI Benchmarking Hub86.4%88.9%
ProofBenchVals AI35.0%17.0%
LiveBench MathematicsLiveBench89.8%†–
AIME (Vals)Vals AI–96.9%
AIME 2026MathArena90.0%–
HMMT February 2026MathArena92.4%–
MathArena ApexMathArena19.8%–
Arena MathsArena (LMArena)14871469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub34.2%–
LiveBench 1.0 Data AnalysisLiveBench73.7%†–
AA-Omniscience v1.1Artificial Analysis0.6–
MMLU-ProVals AI86.7%†87.3%
LegalBenchVals AI84.1%†84.2%
CorpFinVals AI66.1%†65.1%
TaxEvalVals AI73.3%†77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI–63.1%
Excel Modeling BenchmarkVals AI61.5%†–
MedCodeVals AI40.8%†51.3%
MedScribeVals AI83.5%†85.9%
DrugDiscoveryBenchScale AI SEAL36.2%†–
EBR-benchEpoch AI Benchmarking Hub9.5%–
AA-Omniscience v1.1: accuracyArtificial Analysis21.1%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis74.1%–
指令遵循
LiveBench LanguageLiveBench76.2%†–
LiveBench Instruction FollowingLiveBench62.3%†–
IFBenchArtificial Analysis73.3%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)14701465
人类偏好
Arena TextArena (LMArena)14751489
EQ-Bench 4EQ-Bench1208†–
EQ-Bench Creative Writing v3EQ-Bench1759†–
Arena Creative WritingArena (LMArena)14511464
Arena Multi-turnArena (LMArena)14771493
Arena Longer QueriesArena (LMArena)14861476
多模态
Arena VisionArena (LMArena)–1306
MMMU-ProArtificial Analysis–80.5%
MMMU-Pro (Vals)Vals AI–87.4%
长上下文
AA-LCR v1.1Artificial Analysis78.3%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis12.8%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.0†153.1
LiveBench 1.0LiveBench73.2%†–
AA Intelligence Index v4.3.2Artificial Analysis33.731.3
AA Progress Index v1Artificial Analysis302.5289.1
安全与诚实
FORTRESSScale AI SEAL48.7%†20.2%
元数据
AA Openness IndexArtificial Analysis44.4–

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。

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

  • GLM 5.2 (max):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GLM 5.2 (max):BenchLeader Index 59.5 → 59.0。
  • GLM 5.2 (max):3 项新结果(AIME 2026, HMMT February 2026, MathArena Apex);1 项分数修订。
  • GLM 5.2 (max):1 项新结果(MirrorCode)。
  • GLM 5.2 (max):BenchLeader Index 60.2 → 59.5。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • GLM 5.2 (max):4 项新结果(HLE-Diamond (AA), AA-Omniscience v1.1, AA-Omniscience v1.1: accuracy…)。
  • Muse Spark:1 项分数修订。
  • GLM 5.2 (max):价格 $0.30/M → $0.26/M。

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

GLM 5.2 vs Muse Spark:常见问题

GLM 5.2 比 Muse Spark 更好吗?
GLM 5.2 (max) 与 Muse Spark 的质量不相上下(58.9 比 64.2,在 ±5.3 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。
编程用 GLM 5.2 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GLM 5.2 为 51.2%,Muse Spark 为 51.5%。
智能体和工具调用用 GLM 5.2 还是 Muse Spark 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 62,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,GLM 5.2 为 50.8%,Muse Spark 为 45.5%。
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)。GLM 5.2 支持更长的上下文:1,000,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 GLM 5.2 和 Muse Spark 的看法一致吗?
在两者都有结果的 25 项基准测试中,GLM 5.2 领先 18 项,Muse Spark 领先 7 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
GLM 5.2 是什么时候发布的?
GLM 5.2 于 2026年6月16日 发布。