BenchLeader

GPT-5.3-Codex vs Muse Spark 1.1

完整资料:GPT-5.3-Codex(OpenAI)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 9 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 62.9 比 62.2,在 ±9.0 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $2.00 比 $4.81)。看重智能体与工具(80 比 51)和指令遵循(74 比 70)选 GPT-5.3-Codex;看重编程(66 比 61)和多模态(64 比 61)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 38.2 秒)。Muse Spark 1.1 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Muse Spark 1.1 为 62.2(BenchLeader,2026年11月16日)。
  • GPT-5.3-Codex 每百万 token 混合价格为 $4.81(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 GPT-5.3-Codex 输出更快(约 2 倍;Artificial Analysis,7 日中位数,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 1.1类别得分 66 比 61中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 51高
图像及其他媒体Muse Spark 1.1类别得分 64 比 61中
指令遵循GPT-5.3-Codex类别得分 74 比 70中
对话质量(人类偏好)–只有 Muse Spark 1.1 有 Arena 评分(类别得分 65)无法比较
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $4.81;智能体编程会话 $0.092 比 $0.161–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 38.2 秒(GPT-5.3-Codex (xhigh))–
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

  • GPT-5.3-Codex (xhigh) 与 Muse Spark 1.1 的质量不相上下(62.9 比 62.2,在 ±9.0 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、指令遵循方面更强。
  • Muse Spark 1.1 在编程、多模态方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 2.4 倍(每百万 token 混合价格 $2.00 比 $4.81)。
  • Muse Spark 1.1 的输出速度是对方的 2.0 倍(193 比 94 token/秒)。

概览

规格GPT-5.3-CodexMuse Spark 1.1
提供商OpenAIMeta
发布日期2026年2月5日2026年7月9日
上下文窗口(token)400,0001,048,576
对比时的配置GPT-5.3-Codex (xhigh)Muse Spark 1.1
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.75 / $14.00 / $0.175$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GPT-5.3-Codex (xhigh)Muse Spark 1.1领先者
推理–67.8无法比较
编程61.065.8Muse Spark 1.1
智能体与工具80.150.9GPT-5.3-Codex
数学–61.3无法比较
知识–69.2无法比较
指令遵循73.670.4GPT-5.3-Codex
人类偏好–64.5无法比较
多模态60.863.6Muse Spark 1.1
长上下文66.4–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编程智能体与工具指令遵循多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 指令遵循: 73.6GPT-5.3-Codex, 多模态: 60.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 指令遵循: 70.4Muse Spark 1.1, 多模态: 63.6

未绘制(测得的模型少于两个):推理, 数学, 知识, 长上下文, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 0 项基准测试中,GPT-5.3-Codex 领先 0 项,Muse Spark 1.1 领先 0 项。

综合 IndexGPT-5.3-Codex (xhigh)Muse Spark 1.1领先者
BenchLeader Index62.962.2不相上下

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-5.3-Codex (xhigh)Muse Spark 1.1
每百万 token 混合价格$4.81$2.00
每百万 token 输入 / 输出$1.75 / $14.00$1.25 / $4.25
每百万 token 缓存输入$0.175$0.150
每项任务价格:聊天回复$0.0049$0.0018
每项任务价格:总结一份 30 页的报告$0.029$0.018
每项任务价格:代码编辑$0.032$0.014
每项任务价格:智能体编程会话$0.161$0.092
每项任务价格:结构化信息提取$0.0063$0.0034
智能体编程会话(输入大多命中缓存)$0.090$0.043
输出速度94 tok/s193 tok/s
首次回答时间38.2 秒1.8 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.3-Codex (xhigh) 得分 62.9,首个回答 token 需 38 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 99 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-5.3-Codex (xhigh)Muse Spark 1.1
BenchLeader IndexBenchLeader62.962.2
智能体与工具得分BenchLeader80.150.9
编程得分BenchLeader61.065.8
指令遵循得分BenchLeader73.670.4
长上下文得分BenchLeader66.4–
多模态得分BenchLeader60.863.6
人类偏好得分BenchLeader–64.5
知识得分BenchLeader–69.2
数学得分BenchLeader–61.3
推理得分BenchLeader–67.8
混合价格(美元/百万 token)BenchLeader$4.81$2.00
输出速度BenchLeader94 tok/s193 tok/s
首次回答时间BenchLeader38.2 秒1.8 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
Arena Hard PromptsArena (LMArena)–1511
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis91.5%89.8%†
Humanity's Last Exam (AA)Artificial Analysis42.5%46.2%†
GPQA Diamond (Vals)Vals AI–91.2%†
CritPtArtificial Analysis16.9%15.1%†
Arena ExpertArena (LMArena)–1504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–58.8%
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1533
Arena WebDevArena (LMArena)1406†1542
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI87.3%85.9%†
IOIVals AI53.8%–
SWE-bench (Vals)Vals AI78.0%82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI61.8%72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–42.2%†
显示全部 99 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Muse Spark 1.1
编程
SWE Atlas v1.0: Test WritingScale AI SEAL–41.5%†
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
ALE-BenchEpoch AI Benchmarking Hub1655.2–
Terminal-Bench 4.0 (AA)Artificial Analysis–6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
Design Arena WebsiteDesign Arena1155†1263
智能体与工具
Terminal-BenchTerminal-Bench78.4%†–
APEX-AgentsMercor–31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
HiL-BenchScale AI SEAL4.3%†–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis–1216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI–38.0%†
SkillsBenchVals AI–59.2%†
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)–-6.5
METR Time HorizonsMETR74.5%†–
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs5940.1†6520.5
AutomationBenchArtificial Analysis–38.9%†
GDP.pdf (AA)Artificial Analysis–14.4%†
AA-Briefcase v1.1Artificial Analysis868851†
Design Arena AgenticDesign Arena1018†1172
数学
ProofBenchVals AI–39.0%
LiveBench MathematicsLiveBench–87.1%†
Arena MathsArena (LMArena)–1493
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.8%
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
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 SEAL–57.0%
MultiNRCScale AI SEAL–65.6%
Excel Modeling BenchmarkVals AI–56.4%†
MedScribeVals AI–88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
GDP.pdfEpoch AI Benchmarking Hub–15.0%
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
IFBenchArtificial Analysis75.4%–
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)–1473
人类偏好
Arena TextArena (LMArena)–1491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)–1443
Arena Multi-turnArena (LMArena)–1497
Arena Longer QueriesArena (LMArena)–1481
多模态
Arena VisionArena (LMArena)–1292
MMMU-ProArtificial Analysis78.5%–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
VTBScale AI SEAL–44.8%
长上下文
AA-LCR v1.1Artificial Analysis83.3%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis–7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–154.9
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v4.3.2Artificial Analysis32.533.7†
AA Progress Index v1Artificial Analysis301.3302.7†
Vals Multimodal IndexVals AI–66.7%†
安全与诚实
FORTRESSScale AI SEAL–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

  • Muse Spark 1.1:1 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • Muse Spark 1.1:2 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.1:1 项分数修订。
  • Muse Spark 1.1:BenchLeader Index 63.1 → 62.5。

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-5.3-Codex vs Muse Spark 1.1:常见问题

GPT-5.3-Codex 比 Muse Spark 1.1 更好吗?
GPT-5.3-Codex (xhigh) 与 Muse Spark 1.1 的质量不相上下(62.9 比 62.2,在 ±9.0 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。
GPT-5.3-Codex 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 $4.81(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 GPT-5.3-Codex 还是 Muse Spark 1.1 更好?
Muse Spark 1.1 在编程方面得分更高(类别得分 66 比 61,50 为平均水平)。
GPT-5.3-Codex 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 94 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.3-Codex 还是 Muse Spark 1.1 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 51,50 为平均水平)。
更多问题(3)
处理长文档哪个更好?
Muse Spark 1.1 支持更长的上下文:1,048,576 token,GPT-5.3-Codex 为 400,000 token。
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 38.2 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
Muse Spark 1.1 是什么时候发布的?
Muse Spark 1.1 于 2026年7月9日 发布。