BenchLeader

GPT-5.3-Codex vs Muse Wonder

完整资料:GPT-5.3-Codex(OpenAI)和 Muse Wonder(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 8 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 Muse Wonder 的质量不相上下(BenchLeader Index 62.9 比 64.4,在 ±7.6 的误差范围内)。GPT-5.3-Codex 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $4.81 比 $8.00)。在两者都有成绩的所有类别中,GPT-5.3-Codex 均领先。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Muse Wonder 为 64.4(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 Wonder 每百万 token 混合价格为 $8.00(标价,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 76中
对话质量(人类偏好)–只有 Muse Wonder 有 Arena 评分(类别得分 70)无法比较
成本最低GPT-5.3-Codex每百万 token 混合价格 $4.81 比 $8.00;智能体编程会话 $0.161 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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 Wonder 的质量不相上下(62.9 比 64.4,在 ±7.6 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具方面更强。
  • GPT-5.3-Codex (xhigh) 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $4.81 比 $8.00)。
  • GPT-5.3-Codex (xhigh) 的输出速度是对方的 1.4 倍(94 比 70 token/秒)。

概览

规格GPT-5.3-CodexMuse Wonder
提供商OpenAIMeta
发布日期2026年2月5日2026年10月12日
上下文窗口(token)400,0001,048,576
对比时的配置GPT-5.3-Codex (xhigh)Muse Wonder
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$4.00 / $20.00 / $0.200

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 Wonder领先者
编程61.0–无法比较
智能体与工具80.175.6GPT-5.3-Codex
数学–70.1无法比较
知识–77.1无法比较
指令遵循73.6–无法比较
人类偏好–69.6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-5.3-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 Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1Muse Wonder, 人类偏好: 69.6

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):推理。

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 Wonder 领先 0 项。

综合 IndexGPT-5.3-Codex (xhigh)Muse Wonder领先者
BenchLeader Index62.964.4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 Wonder
每百万 token 混合价格$4.81$8.00
每百万 token 输入 / 输出$1.75 / $14.00$4.00 / $20.00
每百万 token 缓存输入$0.175$0.200
每项任务价格:聊天回复$0.0049$0.0076
每项任务价格:总结一份 30 页的报告$0.029$0.060
每项任务价格:代码编辑$0.032$0.054
每项任务价格:智能体编程会话$0.161$0.320
每项任务价格:结构化信息提取$0.0063$0.012
智能体编程会话(输入大多命中缓存)$0.090$0.149
输出速度94 tok/s70 tok/s
首次回答时间38.2 秒3.3 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(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 133 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 Wonder
BenchLeader IndexBenchLeader62.964.4
智能体与工具得分BenchLeader80.175.6
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–
人类偏好得分BenchLeader–69.6
知识得分BenchLeader–77.1
数学得分BenchLeader–70.1
混合价格(美元/百万 token)BenchLeader$4.81$8.00
输出速度BenchLeader94 tok/s70 tok/s
首次回答时间BenchLeader38.2 秒3.3 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
Arena Hard PromptsArena (LMArena)–1531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
GPQA Diamond (AA)Artificial Analysis91.5%–
Humanity's Last Exam (AA)Artificial Analysis42.5%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
CritPtArtificial Analysis16.9%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)–1525†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–51.0%†
LMCAEpoch AI Benchmarking Hub–56.8%
DTBenchEpoch AI Benchmarking Hub–95.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
SciCodeSciCode–60.3%†
WeirdMLWeirdML77.9%–
Arena CodingArena (LMArena)–1542†
Arena WebDevArena (LMArena)1406†1647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench–80.7%†
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%66.9%†
SWE-bench (Vals)Vals AI78.0%–
Code MigrationVals AI–62.5%†
显示全部 133 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Muse Wonder
编程
Code Migration v1.1Vals AI–72.4%†
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI61.8%83.1%†
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub–45.6%†
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub1655.2–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–52.0%†
GameBench 2 OverallDuelLab GameBench 2–64.8
GameBench 2 by reasoning settingDuelLab GameBench 2–54.9†
Design Arena WebsiteDesign Arena1155†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
智能体与工具
Terminal-BenchTerminal-Bench78.4%†47.0%†
APEX-AgentsMercor–66.1%†
Arena AgentArena (LMArena)–1.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench–62.7%†
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
HiL-BenchScale AI SEAL4.3%†79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis–1770†
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI–56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI–17.1%†
Legal Research BenchVals AI–50.5%†
Tax Agent BenchVals AI–36.3%†
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena Agent Task CompletionArena (LMArena)–5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†9432.2
AutomationBenchArtificial Analysis–68.1%†
GDP.pdf (AA)Artificial Analysis–30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis8681659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1018†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–99.4%†
ProofBenchVals AI–84.0%
LiveBench MathematicsLiveBench–96.5%†
Arena MathsArena (LMArena)–1490†
知识
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench–81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI–67.0%†
Excel Modeling BenchmarkVals AI–67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
指令遵循
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–73.0%†
IFBenchArtificial Analysis75.4%–
Arena Instruction FollowingArena (LMArena)–1498†
人类偏好
Arena TextArena (LMArena)–1511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench–2007
Arena Creative WritingArena (LMArena)–1491†
Arena Multi-turnArena (LMArena)–1525†
Arena Longer QueriesArena (LMArena)–1507†
多模态
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis78.5%83.8%†
Humanity's Sixth SenseScale AI SEAL–43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–31.7%
Furniture AssemblyEpoch AI Benchmarking Hub–54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis83.3%80.7%†
MLCRArtificial Analysis–22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench–81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis32.552.4†
AA Progress Index v1Artificial Analysis301.3335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals Science IndexVals AI–39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
DistressBenchScale AI SEAL–85.9%

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 Wonder:BenchLeader Index 63.0 → 64.4。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • Muse Wonder:1 项分数修订。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • Muse Wonder:1 项新结果(Startrise Frontend)。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Wonder:3 项分数修订。

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 Wonder:常见问题

GPT-5.3-Codex 比 Muse Wonder 更好吗?
GPT-5.3-Codex (xhigh) 与 Muse Wonder 的质量不相上下(62.9 比 64.4,在 ±7.6 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 Wonder 哪个更便宜?价格会变吗?
目前 GPT-5.3-Codex 更便宜:每百万 token $4.81 比 $8.00(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 Wonder 哪个更快?
GPT-5.3-Codex 输出更快(输出 94 比 70 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 Wonder 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 76,50 为平均水平)。
处理长文档哪个更好?
Muse Wonder 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 Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。