BenchLeader

GPT-5.3-Codex vs Muse Spark 1.3

完整资料:GPT-5.3-Codex(OpenAI)和 Muse Spark 1.3(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 1.3 的质量不相上下(BenchLeader Index 62.9 比 61.6,在 ±10.8 的误差范围内)。Muse Spark 1.3 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)。在两者都有成绩的所有类别中,GPT-5.3-Codex 均领先。Muse Spark 1.3 输出更快。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Muse Spark 1.3 为 61.6(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 1.3 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.3 比 GPT-5.3-Codex 输出更快(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
智能体与工具调用GPT-5.3-Codex类别得分 80 比 61高
成本最低Muse Spark 1.3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 1.3首个回答 token 2.6 秒(Muse Spark 1.3)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 1.3 的质量不相上下(62.9 比 61.6,在 ±10.8 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具方面更强。
  • Muse Spark 1.3 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 1.3 的输出速度是对方的 1.7 倍(163 比 94 token/秒)。

概览

规格GPT-5.3-CodexMuse Spark 1.3
提供商OpenAIMeta
发布日期2026年2月5日2026年9月2日
上下文窗口(token)400,0001,048,576
对比时的配置GPT-5.3-Codex (xhigh)Muse Spark 1.3
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 1.3领先者
推理–71.0无法比较
编程61.0–无法比较
智能体与工具80.161.3GPT-5.3-Codex
数学–56.3无法比较
知识–81.2无法比较
指令遵循73.6–无法比较
多模态60.8–无法比较
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, 长上下文: 66.4GPT-5.3-Codex, 多模态: 60.8Muse Spark 1.3, 推理: 71.0Muse Spark 1.3, 智能体与工具: 61.3Muse Spark 1.3, 数学: 56.3Muse Spark 1.3, 知识: 81.2

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):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 1.3 领先 0 项。

综合 IndexGPT-5.3-Codex (xhigh)Muse Spark 1.3领先者
BenchLeader Index62.961.6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 1.3
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/s163 tok/s
首次回答时间38.2 秒2.6 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 1.3 得分 61.6,首个回答 token 需 3 秒;Muse Spark 1.3 (max) 为 60.6(31 秒),Muse Spark 1.3 (xhigh) 为 58.1(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 130 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 1.3
BenchLeader IndexBenchLeader62.961.6
智能体与工具得分BenchLeader80.161.3
编程得分BenchLeader61.0–
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.4–
多模态得分BenchLeader60.8–
知识得分BenchLeader–81.2
数学得分BenchLeader–56.3
推理得分BenchLeader–71.0
混合价格(美元/百万 token)BenchLeader$4.81$2.00
输出速度BenchLeader94 tok/s163 tok/s
首次回答时间BenchLeader38.2 秒2.6 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
SimpleBenchSimpleBench–81.8%
Arena Hard PromptsArena (LMArena)–1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench–89.7%†
GPQA Diamond (AA)Artificial Analysis91.5%93.5%†
Humanity's Last Exam (AA)Artificial Analysis42.5%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
CritPtArtificial Analysis16.9%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis–48.0%†
MysteryMechanismVals AI–36.0%†
HLE-Diamond (Scale)Scale AI SEAL–25.4%
Arena ExpertArena (LMArena)–1521†
Chess PuzzlesEpoch AI Benchmarking Hub–37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–25.0%†
LMCAEpoch AI Benchmarking Hub–53.9%
DTBenchEpoch AI Benchmarking Hub–96.5%
ForecastBenchForecastBench–65.5%†
BTF-3Epoch AI Benchmarking Hub–14.1%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–58.8%†
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1534†
Arena WebDevArena (LMArena)1406†1655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench–81.1%†
显示全部 130 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Muse Spark 1.3
编程
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%56.6%†
SWE-bench (Vals)Vals AI78.0%–
Code MigrationVals AI–47.4%†
ProgramBenchVals AI–2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI–20.5%†
Vibe Code Bench v1.1Vals AI61.8%85.9%†
MirrorCodeEpoch AI Benchmarking Hub–54.4%†
CursorBenchCursor–41.6%†
ALE-BenchEpoch AI Benchmarking Hub1655.21688.3†
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis–84.3%†
Startrise FrontendStartrise–74.7%
GameBench 2 OverallDuelLab GameBench 2–57.7
GameBench 2 by reasoning settingDuelLab GameBench 2–68.5†
Design Arena WebsiteDesign Arena1155†1353†
FrontierCode 1.1 (AA)Artificial Analysis–40.6%†
FrontierCode 2.0 (AA)Artificial Analysis–23.1%†
智能体与工具
Terminal-BenchTerminal-Bench78.4%†14.8%†
APEX-AgentsMercor–58.6%
Arena AgentArena (LMArena)–2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench–64.1%†
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
Terminal-Bench 2.1 (Vals)Vals AI–79.0%†
HiL-BenchScale AI SEAL4.3%†66.9%
GDPval-AA v2.1Artificial Analysis–1681†
τ³-Banking (AA)Artificial Analysis–50.5%†
ITBench SRE (AA)Artificial Analysis–33.2%†
Analyst Agent (AA)Artificial Analysis–37.5%†
CUA-benchVals AI–5.8%†
CyberBenchVals AI–72.7%†
Finance Agent v2Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1Vals AI–23.8%†
Legal Research BenchVals AI–55.3%†
SREBenchVals AI–3.8%†
Tax Agent BenchVals AI–42.4%†
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–24.8%†
Terminal-Bench ScienceVals AI–10.0%†
Arena Agent Task CompletionArena (LMArena)–3.7†
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–57.9%†
GDP.pdf (AA)Artificial Analysis–26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
AA-Briefcase v1.1Artificial Analysis8681581†
Design Arena AgenticDesign Arena1018†1283†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–10.9%†
CWE-Bench (AA)Artificial Analysis–60.8%†
DeepSec-Bench (AA)Artificial Analysis–12.5%†
CyberGym end-to-end (AA)Artificial Analysis–59.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–99.2%†
ProofBenchVals AI–55.0%
LiveBench MathematicsLiveBench–96.0%†
Arena MathsArena (LMArena)–1506†
知识
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench–79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
PRBench FinanceScale AI SEAL–59.5%
PRBench LegalScale AI SEAL–61.6%
Excel Modeling BenchmarkVals AI–67.4%†
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI–70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL–62.2%†
GDP.pdfEpoch AI Benchmarking Hub–27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
指令遵循
LiveBench LanguageLiveBench–82.8%†
LiveBench Instruction FollowingLiveBench–78.0%†
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1485†
人类偏好
Arena TextArena (LMArena)–1497†
EQ-Bench Creative Writing v3EQ-Bench–1907
Arena Creative WritingArena (LMArena)–1468†
Arena Multi-turnArena (LMArena)–1493†
Arena Longer QueriesArena (LMArena)–1498†
多模态
Arena VisionArena (LMArena)–1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis78.5%82.0%†
Humanity's Sixth SenseScale AI SEAL–37.4%†
GeoBenchGeoBench–86.0%
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
长上下文
AA-LCR v1.1Artificial Analysis83.3%83.0%†
Arena DocumentArena (LMArena)–1474†
MLCRArtificial Analysis–13.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench–81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis32.548.1†
AA Progress Index v1Artificial Analysis301.3324.5†
Vals RSI IndexVals AI–19.6%†
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
DistressBenchScale AI SEAL–84.9%

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

  • Muse Spark 1.3:BenchLeader Index 60.2 → 61.6。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 59.2 → 60.2。
  • Muse Spark 1.3:2 项新结果(SimpleBench, GeoBench)。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。
  • Muse Spark 1.3:4 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 58.2 → 57.7。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:1 项分数修订。
  • GPT-5.3-Codex (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 1.3:常见问题

GPT-5.3-Codex 比 Muse Spark 1.3 更好吗?
GPT-5.3-Codex (xhigh) 与 Muse Spark 1.3 的质量不相上下(62.9 比 61.6,在 ±10.8 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 1.3 哪个更便宜?价格会变吗?
目前 Muse Spark 1.3 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。
GPT-5.3-Codex 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 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 1.3 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 61,50 为平均水平)。
处理长文档哪个更好?
Muse Spark 1.3 支持更长的上下文:1,048,576 token,GPT-5.3-Codex 为 400,000 token。
更多问题(2)
哪个延迟更低?
Muse Spark 1.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.6 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 1.3 是什么时候发布的?
Muse Spark 1.3 于 2026年9月2日 发布。