BenchLeader

GPT-5.1 vs Muse Spark

完整资料:GPT-5.1(OpenAI)和 Muse Spark(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 10 个来源

截至 2026年11月16日,质量上 Muse Spark 领先 GPT-5.1(BenchLeader Index 64.2 比 57.5)。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)

  • GPT-5.1 的 BenchLeader Index 为 57.5,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-5.1 每百万 token 混合价格为 $3.44(标价,2026年11月16日)。
  • 在两者都有结果的 37 项基准测试中,Muse Spark 领先 30 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 56;Arena Coding 1529 比 1492高
智能体与工具调用Muse Spark类别得分 65 比 41;MCP Atlas 82.2% 比 50.1%高
数学均可类别得分 59 比 59;Arena Maths 1459 比 1469均可
推理Muse Spark类别得分 67 比 53;GPQA Diamond 89.8% 比 87.6%高
知识Muse Spark类别得分 63 比 59;MMLU-Pro 87.3% 比 86.4%中
长文档均可类别得分 65 比 64;AA-LCR v1.1 80.0% 比 78.0%均可
图像及其他媒体Muse Spark类别得分 64 比 58;Arena Vision 1306 比 1249中
指令遵循Muse Spark类别得分 77 比 71;IFBench 75.9% 比 72.9%中
对话质量(人类偏好)Muse SparkArena 投票 68 比 64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 Muse Spark 领先:64.2 比 57.5。
  • GPT-5.1 (high) 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、多模态、推理方面更强。

概览

规格GPT-5.1Muse Spark
提供商OpenAIMeta
发布日期2025年11月12日2026年4月8日
上下文窗口(token)400,000262,144
对比时的配置GPT-5.1 (high)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $10.00 / $0.125–

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GPT-5.1 (high)Muse Spark领先者
推理53.067.4Muse Spark
编程55.765.1Muse Spark
智能体与工具41.265.0Muse Spark
数学58.559.1持平
知识58.663.1Muse Spark
指令遵循71.476.9Muse Spark
人类偏好64.068.1Muse Spark
多模态57.964.2Muse Spark
长上下文64.663.6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多模态人类偏好GPT-5.1, 推理: 53.0GPT-5.1, 编程: 55.7GPT-5.1, 智能体与工具: 41.2GPT-5.1, 数学: 58.5GPT-5.1, 知识: 58.6GPT-5.1, 指令遵循: 71.4GPT-5.1, 长上下文: 64.6GPT-5.1, 多模态: 57.9GPT-5.1, 人类偏好: 64.0Muse 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, 多模态: 64.2Muse Spark, 人类偏好: 68.1

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 37 项基准测试中,GPT-5.1 领先 6 项,Muse Spark 领先 30 项,1 项持平。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGPT-5.1 (high)Muse Spark领先者
BenchLeader Index57.564.2Muse Spark
Arena Text14551489Muse 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GPT-5.1 (high)Muse Spark
每百万 token 混合价格$3.44–
每百万 token 输入 / 输出$1.25 / $10.00– / –
每百万 token 缓存输入$0.125–
每项任务价格:聊天回复$0.0035–
每项任务价格:总结一份 30 页的报告$0.021–
每项任务价格:代码编辑$0.022–
每项任务价格:智能体编程会话$0.115–
每项任务价格:结构化信息提取$0.0045–
智能体编程会话(输入大多命中缓存)$0.064–
输出速度88 tok/s–
首次回答时间36.8 秒–
完整回答耗时(最近一次测量 2026年11月13日)80.1 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.1 (high) 得分 57.5,首个回答 token 需 37 秒;GPT-5.1 为 56.1(1 秒),GPT-5.1 (thinking) 为 54.6(1 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 98 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GPT-5.1 (high)Muse Spark
BenchLeader IndexBenchLeader57.564.2
智能体与工具得分BenchLeader41.265.0
编程得分BenchLeader55.765.1
人类偏好得分BenchLeader64.068.1
指令遵循得分BenchLeader71.476.9
知识得分BenchLeader58.663.1
长上下文得分BenchLeader64.663.6
数学得分BenchLeader58.559.1
多模态得分BenchLeader57.964.2
推理得分BenchLeader53.067.4
混合价格(美元/百万 token)BenchLeader$3.44–
输出速度BenchLeader88 tok/s–
首次回答时间BenchLeader36.8 秒–
上下文窗口BenchLeader400,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.6%89.8%
Humanity's Last ExamScale AI / CAIS23.7%†40.6%
SimpleBenchSimpleBench53.2%–
Arena Hard PromptsArena (LMArena)14761506
GPQA Diamond (AA)Artificial Analysis87.3%88.4%
Humanity's Last Exam (AA)Artificial Analysis28.5%40.7%
GPQA Diamond (Vals)Vals AI86.6%89.7%
GPQA Diamond (HELM)HELM Capabilities44.2%†–
ARC-AGI-1ARC Prize72.8%–
ARC-AGI-2ARC Prize17.6%–
CritPtArtificial Analysis4.9%11.3%
Arena ExpertArena (LMArena)14811491
Chess PuzzlesEpoch AI Benchmarking Hub42.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub16.0%†–
CL-benchEpoch AI Benchmarking Hub23.7%–
CL-bench LifeEpoch AI Benchmarking Hub17.3%–
LMCAEpoch AI Benchmarking Hub43.9%–
DTBenchEpoch AI Benchmarking Hub90.1%–
ForecastBenchForecastBench62.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub68.0%–
SciCodeSciCode43.3%†51.5%
WeirdMLWeirdML60.8%–
GSO-BenchGSO-Bench13.7%–
Arena CodingArena (LMArena)14921529
Arena WebDevArena (LMArena)1342†–
显示全部 98 项基准测试
指标发布方GPT-5.1 (high)Muse Spark
编程
LiveCodeBenchVals AI86.5%–
SWE-bench (Vals)Vals AI69.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
SWE-bench Verified (bash only)SWE-bench66.0%†–
SWE-bench Verified (any scaffold)SWE-bench66.0%†–
Vibe Code Bench v1.1Vals AI24.6%19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
ALE-BenchEpoch AI Benchmarking Hub1192.2–
Terminal-Bench 2.1 (AA)Artificial Analysis52.4%62.2%
Design Arena WebsiteDesign Arena11791253
LiveCodeBench (AA)Artificial Analysis86.8%–
智能体与工具
Terminal-BenchTerminal-Bench47.6%†–
Terminal-Bench HardArtificial Analysis45.5%45.5%
τ²-Bench Telecom (AA)Artificial Analysis81.9%91.5%
MCP AtlasScale AI SEAL50.1%82.2%
GDPval-AA v2.1Artificial Analysis8341006
τ³-Banking (AA)Artificial Analysis15.9%–
Poker AgentVals AI1038.6%†–
Terminal-Bench 2.0 (Vals)Vals AI44.9%59.5%
Arena SearchArena (LMArena)1184†–
DeepResearch BenchDeepResearch Bench42.8%†–
Vending-Bench 2Andon Labs1473.4†–
AA-Briefcase v1.1Artificial Analysis–646
Design Arena AgenticDesign Arena1009†–
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub88.6%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI93.3%96.9%
MGSMVals AI93.0%–
MathArena ApexMathArena1.0%–
Omni-MATH (HELM)HELM Capabilities46.4%†–
Arena MathsArena (LMArena)14591469
AIME 2025 (AA)Artificial Analysis94.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub48.0%–
MMLU-ProVals AI86.4%87.3%
LegalBenchVals AI85.7%84.2%
CorpFinVals AI63.8%65.1%
TaxEvalVals AI74.9%77.7%
MedQAVals AI96.4%–
PRBench FinanceScale AI SEAL48.0%†52.4%
PRBench LegalScale AI SEAL49.3%†52.3%
MultiNRCScale AI SEAL49.0%†59.0%
MMLU-Pro (HELM)HELM Capabilities57.9%†–
CaseLaw v2Vals AI73.4%63.1%
MedCodeVals AI52.7%51.3%
MedScribeVals AI88.1%85.9%
Global-MMLU-Lite (AA)Artificial Analysis90.6%–
指令遵循
IFBenchArtificial Analysis72.9%75.9%
MultiChallengeScale AI SEAL63.4%†75.5%
TutorBenchScale AI SEAL54.1%†68.5%
IFEval (HELM)HELM Capabilities93.5%†–
WildBench (HELM)HELM Capabilities86.3%†–
Arena Instruction FollowingArena (LMArena)14501465
人类偏好
Arena TextArena (LMArena)14551489
Arena Creative WritingArena (LMArena)14281464
Arena Multi-turnArena (LMArena)14641493
Arena Longer QueriesArena (LMArena)14601476
多模态
Arena VisionArena (LMArena)12491306
MMMU-ProArtificial Analysis75.5%80.5%
VISTAScale AI SEAL43.8%†–
MMMU-Pro (Vals)Vals AI83.2%87.4%
MortgageTaxVals AI61.4%–
VPCTEpoch AI Benchmarking Hub58.7%–
长上下文
AA-LCR v1.1Artificial Analysis80.0%78.0%
Arena DocumentArena (LMArena)1416†1467
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150.9†153.1
AA Intelligence Index v4.3.2Artificial Analysis24.731.3
AA Progress Index v1Artificial Analysis275.7289.1
HELM Capabilities meanHELM Capabilities65.6%†–
安全与诚实
FORTRESSScale AI SEAL25.7%†20.2%
MASKScale AI SEAL86.3%†–
元数据
AA Openness IndexArtificial Analysis5.6–

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。

变化

  • GPT-5.1 (high):2 项新结果(GDPval-AA v2.1, AIME 2025 (AA))。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • GPT-5.1 (high):1 项新结果(AA Progress Index v1)。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • GPT-5.1 (high):1 项新结果(Global-MMLU-Lite (AA))。
  • GPT-5.1 (high):BenchLeader Index 58.4 → 57.9。

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

GPT-5.1 vs Muse Spark:常见问题

Muse Spark 比 GPT-5.1 更好吗?
质量上 Muse Spark 领先:64.2 比 57.5。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Muse Spark 总体领先,但请结合你的用途查看各类别得分。
编程用 GPT-5.1 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,GPT-5.1 为 1492,Muse Spark 为 1529。
智能体和工具调用用 GPT-5.1 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 41,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,GPT-5.1 为 50.1%,Muse Spark 为 82.2%。
处理长文档哪个更好?
两者在长上下文基准测试上持平(65 比 64)。GPT-5.1 支持更长的上下文:400,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 GPT-5.1 和 Muse Spark 的看法一致吗?
在两者都有结果的 37 项基准测试中,GPT-5.1 领先 6 项,Muse Spark 领先 30 项,1 项持平。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)
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。