BenchLeader

GPT-5.3-Codex vs Muse Wonder Full

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

更新于 · 数据来自 7 个来源

截至 2026年11月16日,GPT-5.3-Codex 与 Muse Wonder Full 的质量不相上下(BenchLeader Index 62.9 比 61.7,在 ±7.4 的误差范围内)。看重智能体与工具(80 比 64)选 GPT-5.3-Codex;看重编程(70 比 61)选 Muse Wonder Full。

要点(截至 2026年11月16日)

  • GPT-5.3-Codex 的 BenchLeader Index 为 62.9,Muse Wonder Full 为 61.7(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)。
  • 在两者都有结果的 7 项基准测试中,Muse Wonder Full 领先 7 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Muse Wonder Full类别得分 70 比 61;IOI 79.8% 比 53.8%高
智能体与工具调用GPT-5.3-Codex类别得分 80 比 64;AA-Briefcase v1.1 868 比 1729高
长文档均可类别得分 66 比 67;AA-LCR v1.1 83.3% 比 83.7%均可
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 Full (max) 的质量不相上下(62.9 比 61.7,在 ±7.4 的误差范围内)。
  • GPT-5.3-Codex (xhigh) 在智能体与工具方面更强。
  • Muse Wonder Full (max) 在编程、长上下文方面更强。

概览

规格GPT-5.3-CodexMuse Wonder Full
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)400,0001,000,000
对比时的配置GPT-5.3-Codex (xhigh)Muse Wonder Full (max)
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–

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 Full (max)领先者
推理–65.8无法比较
编程61.069.9Muse Wonder Full
智能体与工具80.163.6GPT-5.3-Codex
知识–62.3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66.466.6持平

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: 66.4Muse Wonder Full, 编程: 69.9Muse Wonder Full, 智能体与工具: 63.6Muse Wonder Full, 长上下文: 66.6

未绘制(测得的模型少于两个):推理, 数学, 知识, 指令遵循, 多模态, 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 7 项基准测试中,GPT-5.3-Codex 领先 0 项,Muse Wonder Full 领先 7 项。

综合 IndexGPT-5.3-Codex (xhigh)Muse Wonder Full (max)领先者
BenchLeader Index62.961.7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 Full (max)
每百万 token 混合价格$4.81–
每百万 token 输入 / 输出$1.75 / $14.00– / –
每百万 token 缓存输入$0.175–
每项任务价格:聊天回复$0.0049–
每项任务价格:总结一份 30 页的报告$0.029–
每项任务价格:代码编辑$0.032–
每项任务价格:智能体编程会话$0.161–
每项任务价格:结构化信息提取$0.0063–
智能体编程会话(输入大多命中缓存)$0.090–
每项任务输出 token(AA Index)–88k
其中推理部分–55k
输出速度94 tok/s–
首次回答时间38.2 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 Full (max) 得分 61.7。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 79 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 Full (max)
BenchLeader IndexBenchLeader62.961.7
智能体与工具得分BenchLeader80.163.6
编程得分BenchLeader61.069.9
指令遵循得分BenchLeader73.6–
长上下文得分BenchLeader66.466.6
多模态得分BenchLeader60.8–
知识得分BenchLeader–62.3
推理得分BenchLeader–65.8
混合价格(美元/百万 token)BenchLeader$4.81–
输出速度BenchLeader94 tok/s–
首次回答时间BenchLeader38.2 秒–
上下文窗口BenchLeader400,000 token1,000,000 token
推理
GPQA Diamond (AA)Artificial Analysis91.5%–
Humanity's Last Exam (AA)Artificial Analysis42.5%53.6%
HLE-Diamond (AA)Artificial Analysis–48.5%
CritPtArtificial Analysis16.9%32.9%
CritPt v2 hard subset (AA)Artificial Analysis–56.5%
MysteryMechanismVals AI–35.1%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub74.8%†–
WeirdMLWeirdML77.9%–
Arena WebDevArena (LMArena)1406†1724
SciCode (AA)Artificial Analysis–62.6%
LiveCodeBenchVals AI87.3%–
IOIVals AI53.8%79.8%
SWE-bench (Vals)Vals AI78.0%–
Code MigrationVals AI–61.0%
Code Migration v1.1Vals AI–62.8%
ProgramBenchVals AI–0.5%
SWE-bench MultimodalVals AI–47.3%
Vibe Code Bench 1-100Vals AI–34.0%
Vibe Code Bench v1.1Vals AI61.8%86.0%
ALE-BenchEpoch AI Benchmarking Hub1655.2–
Terminal-Bench 4.0 (AA)Artificial Analysis–57.1%
Design Arena WebsiteDesign Arena1155†–
FrontierCode 1.1 (AA)Artificial Analysis–44.9%
FrontierCode 2.0 (AA)Artificial Analysis–37.8%
智能体与工具
Terminal-BenchTerminal-Bench78.4%†–
显示全部 79 项基准测试
指标发布方GPT-5.3-Codex (xhigh)Muse Wonder Full (max)
智能体与工具
Arena AgentArena (LMArena)–9
Terminal-Bench HardArtificial Analysis53.0%–
τ²-Bench Telecom (AA)Artificial Analysis86.0%–
HiL-BenchScale AI SEAL4.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.8%
GDPval-AA v2.1Artificial Analysis–1857
CyberBenchVals AI–73.6%
Finance Agent v2Vals AI–59.1%
Finance Agent v2.1Vals AI–67.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–23.3%
Harvey's Legal Agent Benchmark v1Vals AI–21.7%
Legal Research BenchVals AI–53.4%
Robo-benchVals AI–10.4%
SREBenchVals AI–11.8%
Tax Agent BenchVals AI–43.0%
Terminal-Bench 2.0 (Vals)Vals AI64.0%†–
Terminal-Bench 4.0 (Vals)Vals AI–58.1%
Terminal-Bench ScienceVals AI–37.1%
Arena Agent Task CompletionArena (LMArena)–11.1
METR Time HorizonsMETR74.5%†–
Vending-Bench 2Andon Labs5940.1†–
AutomationBenchArtificial Analysis–71.3%
GDP.pdf (AA)Artificial Analysis–32.6%
Harvey LAB-AA v1.1Harvey–13.1%
AA-Briefcase v1.1Artificial Analysis8681729
GDPxGDPx by SemiAnalysis–9.0%
Design Arena AgenticDesign Arena1018†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–37.1%
知识
AA-Omniscience v1.1Artificial Analysis–30.6
LegalBenchVals AI–87.4%
BioMysteryBenchVals AI–73.3%
Excel Modeling BenchmarkVals AI–71.9%
Excel Modeling Benchmark v1.1Vals AI–75.0%
MedCodeVals AI–49.9%
MedScribeVals AI–89.3%
Public Benefits Bench v1.1Vals AI–73.8%
Access to Justice BenchmarkVals AI–74.7%
Financial Coaching BenchVals AI–75.0%
Immigration BenchVals AI–71.2%
AA-Omniscience v1.1: accuracyArtificial Analysis–41.0%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–82.4%
指令遵循
IFBenchArtificial Analysis75.4%–
多模态
MMMU-ProArtificial Analysis78.5%–
长上下文
AA-LCR v1.1Artificial Analysis83.3%83.7%
MLCRArtificial Analysis–22.2%
综合
AA Intelligence Index v5.0.1Artificial Analysis–50.1
AA Intelligence Index v4.3.2Artificial Analysis32.555.8
AA Progress Index v1Artificial Analysis301.3343.2
Vals IndexVals AI–66.8
Vals Finance IndexVals AI–64.5%
Vals RSI IndexVals AI–24.4%
Vals Science IndexVals AI–48.5%
Vals Router IndexVals AI–66.8%†
Vals Legal IndexVals AI–77.9%

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。

变化

  • Muse Wonder Full (max):BenchLeader Index 62.6 → 61.7。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项新结果(Arena Agent)。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA-Briefcase v1.1)。
  • GPT-5.3-Codex (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Wonder Full (max):6 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);2 项分数修订。
  • Muse Wonder Full (max):1 项新结果(Terminal-Bench-Science 0.1 (AA))。
  • Muse Wonder Full (max):9 项新结果(Code Migration v1.1, Excel Modeling Benchmark v1.1, Finance Agent v2.1…)。
  • Muse Wonder Full (max):1 项新结果(FrontierCode 1.1 (AA))。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 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 Full:常见问题

GPT-5.3-Codex 比 Muse Wonder Full 更好吗?
GPT-5.3-Codex (xhigh) 与 Muse Wonder Full (max) 的质量不相上下(62.9 比 61.7,在 ±7.4 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。
编程用 GPT-5.3-Codex 还是 Muse Wonder Full 更好?
Muse Wonder Full 在编程方面得分更高(类别得分 70 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 IOI 上,GPT-5.3-Codex 为 53.8%,Muse Wonder Full 为 79.8%。
智能体和工具调用用 GPT-5.3-Codex 还是 Muse Wonder Full 更好?
GPT-5.3-Codex 在智能体任务方面得分更高(类别得分 80 比 64,50 为平均水平)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 67)。Muse Wonder Full 支持更长的上下文:1,000,000 token,GPT-5.3-Codex 为 400,000 token。
第三方基准测试对 GPT-5.3-Codex 和 Muse Wonder Full 的看法一致吗?
在两者都有结果的 7 项基准测试中,GPT-5.3-Codex 领先 0 项,Muse Wonder Full 领先 7 项。
更多问题(1)
Muse Wonder Full 是什么时候发布的?
Muse Wonder Full 于 2026年10月12日 发布。