BenchLeader

GPT-5.3-Codex vs Muse Spark 1.2

完整资料:GPT-5.3-Codex(OpenAI)和 Muse Spark 1.2(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 1.2 的质量不相上下(BenchLeader Index 62.9 比 61.5,在 ±8.6 的误差范围内)。Muse Spark 1.2 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 55)、编程(61 比 55)和长上下文(66 比 64)选 GPT-5.3-Codex;看重多模态(65 比 61)选 Muse Spark 1.2。Muse Spark 1.2 的首次回答更快(11.4 秒 比 38.2 秒)。Muse Spark 1.2 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 1.2 为 61.5(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 1.2 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.2 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)。
  • 在两者都有结果的 10 项基准测试中,Muse Spark 1.2 领先 6 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GPT-5.3-Codex类别得分 61 比 55;WeirdML 77.9% 比 60.3%中
智能体与工具调用GPT-5.3-Codex类别得分 80 比 55;AA-Briefcase v1.1 868 比 1323高
长文档GPT-5.3-Codex类别得分 66 比 64;AA-LCR v1.1 83.3% 比 79.0%中
图像及其他媒体Muse Spark 1.2类别得分 65 比 61中
对话质量(人类偏好)–只有 Muse Spark 1.2 有 Arena 评分(类别得分 69)无法比较
成本最低Muse Spark 1.2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 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))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 1.2 (xhigh) 的质量不相上下(62.9 比 61.5,在 ±8.6 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具、编程、长上下文方面更强。
  • Muse Spark 1.2 (xhigh) 在多模态方面更强。
  • Muse Spark 1.2 (xhigh) 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 1.2 (xhigh) 的输出速度是对方的 2.2 倍(208 比 94 token/秒)。

概览

规格GPT-5.3-CodexMuse Spark 1.2
提供商OpenAIMeta
发布日期2026年2月5日2026年8月5日
上下文窗口(token)400,0001,048,576
对比时的配置GPT-5.3-Codex (xhigh)Muse Spark 1.2 (xhigh)
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 1.2 (xhigh)领先者
推理–68.1无法比较
编程61.054.7GPT-5.3-Codex
智能体与工具80.155.4GPT-5.3-Codex
数学–66.8无法比较
知识–64.5无法比较
指令遵循73.6–无法比较
人类偏好–68.6无法比较
多模态60.865.3Muse Spark 1.2
长上下文66.464.1GPT-5.3-Codex

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编程智能体与工具长上下文多模态GPT-5.3-Codex, 编程: 61.0GPT-5.3-Codex, 智能体与工具: 80.1GPT-5.3-Codex, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8Muse Spark 1.2, 编程: 54.7Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 长上下文: 64.1Muse Spark 1.2, 多模态: 65.3

未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 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 10 项基准测试中,GPT-5.3-Codex 领先 4 项,Muse Spark 1.2 领先 6 项。

综合 IndexGPT-5.3-Codex (xhigh)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index62.961.5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 1.2 (xhigh)
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/s208 tok/s
首次回答时间38.2 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)97.1 秒23.9 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 1.2 (xhigh) 得分 61.5,首个回答 token 需 11 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 97 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 1.2 (xhigh)
BenchLeader IndexBenchLeader62.961.5
智能体与工具得分BenchLeader80.155.4
编程得分BenchLeader61.054.7
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.464.1
多模态得分BenchLeader60.865.3
人类偏好得分BenchLeader–68.6
知识得分BenchLeader–64.5
数学得分BenchLeader–66.8
推理得分BenchLeader–68.1
混合价格(美元/百万 token)BenchLeader$4.81$2.00
输出速度BenchLeader94 tok/s208 tok/s
首次回答时间BenchLeader38.2 秒11.4 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
SimpleBenchSimpleBench–74.5%†
Arena Hard PromptsArena (LMArena)–1514
LiveBench 1.0 ReasoningLiveBench–90.0%
GPQA Diamond (AA)Artificial Analysis91.5%90.4%
Humanity's Last Exam (AA)Artificial Analysis42.5%45.5%
CritPtArtificial Analysis16.9%17.7%
Arena ExpertArena (LMArena)–1503
Chess PuzzlesEpoch AI Benchmarking Hub–27.0%
LMCAEpoch AI Benchmarking Hub–48.4%
DTBenchEpoch AI Benchmarking Hub–94.7%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–57.4%
WeirdMLWeirdML77.9%60.3%
Arena CodingArena (LMArena)–1542
Arena WebDevArena (LMArena)1406†1534
LiveBench 1.0 CodingLiveBench–77.5%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%21.8%
SWE-bench (Vals)Vals AI78.0%86.6%
Code MigrationVals AI–29.9%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI61.8%79.1%
DeepSWE v1.1Epoch AI Benchmarking Hub–54.9%
ALE-BenchEpoch AI Benchmarking Hub1655.2–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
显示全部 97 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Muse Spark 1.2 (xhigh)
编程
Terminal-Bench 4.0 (AA)Artificial Analysis–7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 2–51.5†
GameBench 2 by reasoning settingDuelLab GameBench 2–56.9
Design Arena WebsiteDesign Arena1155†1309†
智能体与工具
Terminal-BenchTerminal-Bench78.4%†–
APEX-AgentsMercor–45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench–57.6%
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–69.7%
HiL-BenchScale AI SEAL4.3%†–
GDPval-AA v2.1Artificial Analysis–1478
τ³-Banking (AA)Artificial Analysis–34.9%
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–60.6%
Harvey's Legal Agent Benchmark v1Vals AI–25.4%
Legal Research BenchVals AI–43.8%
SkillsBenchVals AI–53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI–32.8%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–6.1%
Arena Agent Task CompletionArena (LMArena)–-9.8
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–40.6%
GDP.pdf (AA)Artificial Analysis–17.4%
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis8681323
Design Arena AgenticDesign Arena1018†1185†
数学
ProofBenchVals AI–43.0%†
LiveBench MathematicsLiveBench–91.2%
Arena MathsArena (LMArena)–1486
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–60.3%
LiveBench 1.0 Data AnalysisLiveBench–76.5%
MMLU-ProVals AI–88.3%
LegalBenchVals AI–85.3%
CorpFinVals AI–70.9%
TaxEvalVals AI–80.4%
BioMysteryBenchVals AI–64.8%
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI–49.4%
MedScribeVals AI–90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
GDP.pdfEpoch AI Benchmarking Hub–16.0%
指令遵循
LiveBench LanguageLiveBench–78.6%
LiveBench Instruction FollowingLiveBench–74.3%
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1479
人类偏好
Arena TextArena (LMArena)–1493
EQ-Bench Creative Writing v3EQ-Bench–1842†
Arena Creative WritingArena (LMArena)–1443
Arena Multi-turnArena (LMArena)–1510
Arena Longer QueriesArena (LMArena)–1491
多模态
Arena VisionArena (LMArena)–1305
MMMU-ProArtificial Analysis78.5%–
MMMU-Pro (Vals)Vals AI–86.1%
MortgageTaxVals AI–65.4%
Humanity's Sixth SenseScale AI SEAL–24.5%
长上下文
AA-LCR v1.1Artificial Analysis83.3%79.0%
MLCRArtificial Analysis–7.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–155.0†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis32.539.6
AA Progress Index v1Artificial Analysis301.3309.1
Vals Multimodal IndexVals AI–69.8%†
安全与诚实
DistressBenchScale AI SEAL–88.4%†

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

  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):价格 $1.29/M → $0.81/M。
  • Muse Spark 1.2 (xhigh):价格 $0.97/M → $1.29/M。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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 1.2:常见问题

GPT-5.3-Codex 比 Muse Spark 1.2 更好吗?
GPT-5.3-Codex (xhigh) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(62.9 比 61.5,在 ±8.6 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 1.2 哪个更便宜?价格会变吗?
目前 Muse Spark 1.2 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 1.2 更好?
GPT-5.3-Codex 在编程方面得分更高(类别得分 61 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 WeirdML 上,GPT-5.3-Codex 为 77.9%,Muse Spark 1.2 为 60.3%。
GPT-5.3-Codex 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(约 2 倍;输出 208 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 1.2 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 55,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
GPT-5.3-Codex 在长上下文基准测试上得分更高(66 比 64)。Muse Spark 1.2 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 1.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.4 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。
第三方基准测试对 GPT-5.3-Codex 和 Muse Spark 1.2 的看法一致吗?
在两者都有结果的 10 项基准测试中,GPT-5.3-Codex 领先 4 项,Muse Spark 1.2 领先 6 项。
Muse Spark 1.2 是什么时候发布的?
Muse Spark 1.2 于 2026年8月5日 发布。