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”。
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-Codex | Muse Wonder |
|---|---|---|
| 提供商 | OpenAI | Meta |
| 发布日期 | 2026年2月5日 | 2026年10月12日 |
| 上下文窗口(token) | 400,000 | 1,048,576 |
| 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 | 80.1 | 75.6 | GPT-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。
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。
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 Index | GPT-5.3-Codex (xhigh) | Muse Wonder | 领先者 |
|---|---|---|---|
| BenchLeader Index | 62.9 | 64.4 | 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/s | 70 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 Index | BenchLeader | 62.9 | 64.4 |
| 智能体与工具得分 | BenchLeader | 80.1 | 75.6 |
| 编程得分 | BenchLeader | 61.0 | – |
| 指令遵循得分 | BenchLeader | 73.6 | – |
| 长上下文得分 | BenchLeader | 66.4 | – |
| 多模态得分 | BenchLeader | 60.8 | – |
| 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 | BenchLeader | 94 tok/s | 70 tok/s |
| 首次回答时间 | BenchLeader | 38.2 秒 | 3.3 秒 |
| 上下文窗口 | BenchLeader | 400,000 token | 1,048,576 token |
| 推理 | |||
| Arena Hard Prompts | Arena (LMArena) | – | 1531† |
| LiveBench 2.0 Reasoning | LiveBench | – | 90.6%† |
| LiveBench 1.0 Reasoning | LiveBench | – | 90.6%† |
| GPQA Diamond (AA) | Artificial Analysis | 91.5% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 42.5% | 50.1%† |
| HLE-Diamond (AA) | Artificial Analysis | – | 39.0%† |
| CritPt | Artificial Analysis | 16.9% | 28.3%† |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 50.5%† |
| MysteryMechanism | Vals AI | – | 27.5%† |
| HLE-Diamond (Scale) | Scale AI SEAL | – | 37.3% |
| Arena Expert | Arena (LMArena) | – | 1525† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | – | 51.0%† |
| LMCA | Epoch AI Benchmarking Hub | – | 56.8% |
| DTBench | Epoch AI Benchmarking Hub | – | 95.2% |
| 编程 | |||
| SWE-bench Verified (Epoch) | Epoch AI Benchmarking Hub | 74.8%† | – |
| SciCode | SciCode | – | 60.3%† |
| WeirdML | WeirdML | 77.9% | – |
| Arena Coding | Arena (LMArena) | – | 1542† |
| Arena WebDev | Arena (LMArena) | 1406† | 1647† |
| LiveBench 2.0 Coding | LiveBench | – | 74.9%† |
| LiveBench 1.0 Coding | LiveBench | – | 80.7%† |
| LiveCodeBench | Vals AI | 87.3% | – |
| IOI | Vals AI | 53.8% | 66.9%† |
| SWE-bench (Vals) | Vals AI | 78.0% | – |
| Code Migration | Vals 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 v1.1 | Vals AI | – | 72.4%† |
| SWE-bench Multimodal | Vals AI | – | 45.6%† |
| Vibe Code Bench 1-100 | Vals AI | – | 26.6%† |
| Vibe Code Bench v1.1 | Vals AI | 61.8% | 83.1%† |
| SWE Atlas v1.1 | Scale AI SEAL | – | 64.8% |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | – | 73.4% |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | – | 61.1% |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | – | 60.0% |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 96.7%† |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 90.2%† |
| MirrorCode | Epoch AI Benchmarking Hub | – | 45.6%† |
| CursorBench | Cursor | – | 50.4%† |
| ALE-Bench | Epoch AI Benchmarking Hub | 1655.2 | – |
| WeirdML v3 | WeirdML | – | 15.2%† |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 52.0%† |
| GameBench 2 Overall | DuelLab GameBench 2 | – | 64.8 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | – | 54.9† |
| Design Arena Website | Design Arena | 1155† | 1378† |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 46.5%† |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 27.9%† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 78.4%† | 47.0%† |
| APEX-Agents | Mercor | – | 66.1%† |
| Arena Agent | Arena (LMArena) | – | 1.8† |
| LiveBench Long Agentic | LiveBench | – | 46.2%† |
| LiveBench Browser | LiveBench | – | 60.0%† |
| LiveBench Agentic Coding | LiveBench | – | 62.7%† |
| Terminal-Bench Hard | Artificial Analysis | 53.0% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 86.0% | – |
| HiL-Bench | Scale AI SEAL | 4.3%† | 79.7% |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 63.5%† |
| GDPval-AA v2.1 | Artificial Analysis | – | 1770† |
| CUA-bench | Vals AI | – | 7.2%† |
| CyberBench | Vals AI | – | 80.4%† |
| Finance Agent v2 | Vals AI | – | 56.6%† |
| Finance Agent v2.1 | Vals AI | – | 65.5%† |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 23.8%† |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 17.1%† |
| Legal Research Bench | Vals AI | – | 50.5%† |
| Tax Agent Bench | Vals AI | – | 36.3%† |
| Terminal-Bench 2.0 (Vals) | Vals AI | 64.0%† | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 49.5%† |
| Terminal-Bench Science | Vals AI | – | 22.9%† |
| Arena Agent Task Completion | Arena (LMArena) | – | 5.4† |
| PostTrainBench | Epoch AI Benchmarking Hub | – | 24.2%† |
| METR Time Horizons | METR | 74.5%† | – |
| Vending-Bench 2 | Andon Labs | 5940.1† | 9432.2 |
| AutomationBench | Artificial Analysis | – | 68.1%† |
| GDP.pdf (AA) | Artificial Analysis | – | 30.6%† |
| Harvey LAB-AA v1.1 | Harvey | – | 10.0%† |
| AA-Briefcase v1.1 | Artificial Analysis | 868 | 1659† |
| GDPx | GDPx by SemiAnalysis | – | 6.8%† |
| Design Arena Agentic | Design Arena | 1018† | 1177† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | – | 25.7%† |
| MKA (AA) | Artificial Analysis | – | 47.5%† |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | – | 82.1%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | – | 70.7%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 99.4%† |
| ProofBench | Vals AI | – | 84.0% |
| LiveBench Mathematics | LiveBench | – | 96.5%† |
| Arena Maths | Arena (LMArena) | – | 1490† |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | – | 81.6%† |
| LiveBench Research | LiveBench | – | 93.0%† |
| LiveBench 1.0 Data Analysis | LiveBench | – | 81.6%† |
| AA-Omniscience v1.1 | Artificial Analysis | – | 25.1† |
| PRBench Finance | Scale AI SEAL | – | 58.7% |
| PRBench Legal | Scale AI SEAL | – | 58.4% |
| BioMysteryBench | Vals AI | – | 67.0%† |
| Excel Modeling Benchmark | Vals AI | – | 67.1%† |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 72.5%† |
| Public Benefits Bench v1.1 | Vals AI | – | 70.2%† |
| Access to Justice Benchmark | Vals AI | – | 73.0%† |
| Financial Coaching Bench | Vals AI | – | 73.8%† |
| Immigration Bench | Vals AI | – | 69.6%† |
| EBR-bench | Epoch AI Benchmarking Hub | – | 31.4%† |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 30.8%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 38.0%† |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 79.1%† |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 82.9%† |
| LiveBench Instruction Following | LiveBench | – | 73.0%† |
| IFBench | Artificial Analysis | 75.4% | – |
| Arena Instruction Following | Arena (LMArena) | – | 1498† |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1511† |
| EQ-Bench 4 | EQ-Bench | – | 1325 |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 2007 |
| Arena Creative Writing | Arena (LMArena) | – | 1491† |
| Arena Multi-turn | Arena (LMArena) | – | 1525† |
| Arena Longer Queries | Arena (LMArena) | – | 1507† |
| 多模态 | |||
| LiveBench Design | LiveBench | – | 70.9%† |
| MMMU-Pro | Artificial Analysis | 78.5% | 83.8%† |
| Humanity's Sixth Sense | Scale AI SEAL | – | 43.7%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 31.7% |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 54.2%† |
| VIALS-AA | Handshake AI | – | 55.3%† |
| Code2Video-AA | Artificial Analysis | – | 997† |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 83.3% | 80.7%† |
| MLCR | Artificial Analysis | – | 22.2%† |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 161.7 |
| LiveBench 2.0 | LiveBench | – | 70.7%† |
| LiveBench 1.0 | LiveBench | – | 81.2%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 43.6† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 32.5 | 52.4† |
| AA Progress Index v1 | Artificial Analysis | 301.3 | 335.8† |
| Vals Index | Vals AI | – | 64.9† |
| Vals Finance Index | Vals AI | – | 61.2%† |
| Vals Science Index | Vals AI | – | 39.1%† |
| Vals Router Index | Vals AI | – | 64.9% |
| Vals Legal Index | Vals AI | – | 75.3%† |
| 安全与诚实 | |||
| DistressBench | Scale 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。
相关对比
- GPT-5.3-Codex vs Claude Fable 5.2
- GPT-5.3-Codex vs Gemini 4 Carbon
- GPT-5.3-Codex vs Claude Opus 5.5
- Muse Wonder vs Claude Fable 5.2
- Muse Wonder vs Gemini 4 Carbon
- Muse Wonder vs Claude Opus 5.5
- Muse Wonder vs GPT-6 Astra
- o3 vs Muse Wonder
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。