BenchLeader

GPT-5.4 Pro vs Muse Spark

完整资料:GPT-5.4 Pro(OpenAI)和 Muse Spark(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-5.4 Pro 与 Muse Spark 的质量不相上下(BenchLeader Index 63.1 比 64.2,在 ±4.9 的误差范围内)。看重知识(74 比 63)、多模态(70 比 64)和推理(70 比 67)选 GPT-5.4 Pro;看重指令遵循(77 比 64)选 Muse Spark。

要点(截至 2026年11月16日)

  • GPT-5.4 Pro 的 BenchLeader Index 为 63.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-5.4 Pro 每百万 token 混合价格为 $67.50(标价,2026年11月16日)。
  • 在两者都有结果的 6 项基准测试中,GPT-5.4 Pro 领先 4 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
推理GPT-5.4 Pro类别得分 70 比 67;Humanity's Last Exam 44.3% 比 40.6%中
知识GPT-5.4 Pro类别得分 74 比 63;MultiNRC 62.3% 比 59.0%高
图像及其他媒体GPT-5.4 Pro类别得分 70 比 64中
指令遵循Muse Spark类别得分 77 比 64;MultiChallenge 75.5% 比 69.2%高
对话质量(人类偏好)–只有 Muse Spark 有 Arena 评分(类别得分 68)无法比较
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-5.4 Pro 与 Muse Spark 的质量不相上下(63.1 比 64.2,在 ±4.9 的误差范围内)。
  • GPT-5.4 Pro 在知识、多模态、推理方面更强。
  • Muse Spark 在指令遵循方面更强。

概览

规格GPT-5.4 ProMuse Spark
提供商OpenAIMeta
发布日期2026年3月4日2026年4月8日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-5.4 ProMuse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$30.00 / $180.00 / ––

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-5.4 ProMuse Spark领先者
推理70.167.4GPT-5.4 Pro
编程–65.1无法比较
智能体与工具–65.0无法比较
数学–59.1无法比较
知识74.063.1GPT-5.4 Pro
指令遵循64.476.9Muse Spark
人类偏好–68.1无法比较
多模态69.864.2GPT-5.4 Pro
长上下文–63.6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推理知识指令遵循多模态GPT-5.4 Pro, 推理: 70.1GPT-5.4 Pro, 知识: 74.0GPT-5.4 Pro, 指令遵循: 64.4GPT-5.4 Pro, 多模态: 69.8Muse Spark, 推理: 67.4Muse Spark, 知识: 63.1Muse Spark, 指令遵循: 76.9Muse Spark, 多模态: 64.2

未绘制(测得的模型少于两个):编程, 智能体与工具, 数学, 长上下文, 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 6 项基准测试中,GPT-5.4 Pro 领先 4 项,Muse Spark 领先 2 项。

综合 IndexGPT-5.4 ProMuse Spark领先者
BenchLeader Index63.164.2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-5.4 ProMuse Spark
每百万 token 混合价格$67.50–
每百万 token 输入 / 输出$30.00 / $180.00– / –
每项任务价格:聊天回复$0.066–
每项任务价格:总结一份 30 页的报告$0.468–
每项任务价格:代码编辑$0.450–
每项任务价格:智能体编程会话$2.52–
每项任务价格:结构化信息提取$0.096–
输出速度7 tok/s–
首次回答时间7.9 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.4 Pro 得分 63.1,首个回答 token 需 8 秒;GPT-5.4 Pro (xhigh) 为 59.5(8 秒)。Muse Spark 得分 64.2。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 66 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-5.4 ProMuse Spark
BenchLeader IndexBenchLeader63.164.2
指令遵循得分BenchLeader64.476.9
知识得分BenchLeader74.063.1
多模态得分BenchLeader69.864.2
推理得分BenchLeader70.167.4
智能体与工具得分BenchLeader–65.0
编程得分BenchLeader–65.1
人类偏好得分BenchLeader–68.1
长上下文得分BenchLeader–63.6
数学得分BenchLeader–59.1
混合价格(美元/百万 token)BenchLeader$67.50–
输出速度BenchLeader7 tok/s–
首次回答时间BenchLeader7.9 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.6%†89.8%
Humanity's Last ExamScale AI / CAIS44.3%40.6%
SimpleBenchSimpleBench74.1%–
Arena Hard PromptsArena (LMArena)–1506
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis–40.7%
GPQA Diamond (Vals)Vals AI–89.7%
ARC-AGI-1ARC Prize94.5%†–
ARC-AGI-2ARC Prize83.3%†–
CritPtArtificial Analysis30.0%†11.3%
Arena ExpertArena (LMArena)–1491
Chess PuzzlesEpoch AI Benchmarking Hub59.0%†–
编程
SciCodeSciCode–51.5%
WeirdMLWeirdML57.4%†–
Arena CodingArena (LMArena)–1529
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Vibe Code Bench v1.1Vals AI–19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Design Arena WebsiteDesign Arena–1253
智能体与工具
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
显示全部 66 项基准测试
指标发布方GPT-5.4 ProMuse Spark
智能体与工具
MCP AtlasScale AI SEAL–82.2%
GDPval-AA v2.1Artificial Analysis–1006
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
AA-Briefcase v1.1Artificial Analysis–646
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub82.5%†–
FrontierMath Tier 4Epoch AI Benchmarking Hub58.5%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub–88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI–96.9%
MathArena ApexMathArena69.8%†–
Arena MathsArena (LMArena)–1469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub46.3%†–
MMLU-ProVals AI–87.3%
LegalBenchVals AI–84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL62.3%59.0%
CaseLaw v2Vals AI–63.1%
MedCodeVals AI–51.3%
MedScribeVals AI–85.9%
指令遵循
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL69.2%75.5%
TutorBenchScale AI SEAL56.6%68.5%
Arena Instruction FollowingArena (LMArena)–1465
人类偏好
Arena TextArena (LMArena)–1489
Arena Creative WritingArena (LMArena)–1464
Arena Multi-turnArena (LMArena)–1493
Arena Longer QueriesArena (LMArena)–1476
多模态
Arena VisionArena (LMArena)–1306
MMMU-ProArtificial Analysis–80.5%
VISTAScale AI SEAL53.9%–
MMMU-Pro (Vals)Vals AI–87.4%
长上下文
AA-LCR v1.1Artificial Analysis–78.0%
Arena DocumentArena (LMArena)–1467
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.2153.1
AA Intelligence Index v4.3.2Artificial Analysis–31.3
AA Progress Index v1Artificial Analysis–289.1
安全与诚实
FORTRESSScale AI SEAL14.8%20.2%
MASKScale AI SEAL91.7%–

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 Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • GPT-5.4 Pro:BenchLeader Index 63.6 → 63.1。
  • GPT-5.4 Pro:1 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-5.4 Pro vs Muse Spark:常见问题

GPT-5.4 Pro 比 Muse Spark 更好吗?
GPT-5.4 Pro 与 Muse Spark 的质量不相上下(63.1 比 64.2,在 ±4.9 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。
处理长文档哪个更好?
GPT-5.4 Pro 支持更长的上下文:1,050,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 GPT-5.4 Pro 和 Muse Spark 的看法一致吗?
在两者都有结果的 6 项基准测试中,GPT-5.4 Pro 领先 4 项,Muse Spark 领先 2 项。
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。