BenchLeader

GPT-5.4 vs Muse Spark

完整资料:GPT-5.4(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 13 个来源

截至 2026年11月16日,GPT-5.4 与 Muse Spark 的质量不相上下(BenchLeader Index 63.1 比 64.2,在 ±4.4 的误差范围内)。看重数学(65 比 59)和长上下文(66 比 64)选 GPT-5.4;看重知识(63 比 59)、指令遵循(77 比 72)和多模态(64 比 61)选 Muse Spark。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • 在两者都有结果的 33 项基准测试中,GPT-5.4 领先 23 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
编程均可类别得分 65 比 65;SWE-Bench Pro 59.1% 比 55.0%均可
智能体与工具调用Muse Spark类别得分 65 比 63;MCP Atlas 82.2% 比 70.6%中
数学GPT-5.4类别得分 65 比 59;OTIS Mock AIME 95.3% 比 88.9%中
推理Muse Spark类别得分 67 比 66;Humanity's Last Exam 40.6% 比 36.2%中
知识Muse Spark类别得分 63 比 59;TaxEval 77.7% 比 74.0%中
长文档GPT-5.4类别得分 66 比 64;AA-LCR v1.1 82.0% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 61;MMMU-Pro 80.5% 比 78.4%中
指令遵循Muse Spark类别得分 77 比 72;IFBench 75.9% 比 74.0%中
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 (xhigh) 与 Muse Spark 的质量不相上下(63.1 比 64.2,在 ±4.4 的误差范围内)。
  • GPT-5.4 (xhigh) 在长上下文、数学方面更强。
  • Muse Spark 在智能体与工具、编程、指令遵循、知识、多模态、推理方面更强。

概览

规格GPT-5.4Muse Spark
提供商OpenAIMeta
发布日期2026年3月5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 (xhigh)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.50 / $15.00 / $0.250–

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 (xhigh)Muse Spark领先者
推理65.767.4Muse Spark
编程64.765.1持平
智能体与工具63.065.0Muse Spark
数学64.859.1GPT-5.4
知识58.663.1Muse Spark
指令遵循72.476.9Muse Spark
人类偏好–68.1无法比较
多模态60.864.2Muse Spark
长上下文65.763.6GPT-5.4

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-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 指令遵循: 72.4GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 指令遵循: 76.9Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2

未绘制(测得的模型少于两个):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 33 项基准测试中,GPT-5.4 领先 23 项,Muse Spark 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGPT-5.4 (xhigh)Muse Spark领先者
BenchLeader Index63.164.2不相上下
Arena Text1475†1489Muse Spark

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 (xhigh)Muse Spark
每百万 token 混合价格$5.63–
每百万 token 输入 / 输出$2.50 / $15.00– / –
每百万 token 缓存输入$0.250–
每项任务价格:聊天回复$0.0055–
每项任务价格:总结一份 30 页的报告$0.039–
每项任务价格:代码编辑$0.037–
每项任务价格:智能体编程会话$0.210–
每项任务价格:结构化信息提取$0.0080–
智能体编程会话(输入大多命中缓存)$0.109–
输出速度73 tok/s–
首次回答时间144.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 122 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 (xhigh)Muse Spark
BenchLeader IndexBenchLeader63.164.2
智能体与工具得分BenchLeader63.065.0
编程得分BenchLeader64.765.1
指令遵循得分BenchLeader72.476.9
知识得分BenchLeader58.663.1
长上下文得分BenchLeader65.763.6
数学得分BenchLeader64.859.1
多模态得分BenchLeader60.864.2
推理得分BenchLeader65.767.4
人类偏好得分BenchLeader–68.1
混合价格(美元/百万 token)BenchLeader$5.63–
输出速度BenchLeader73 tok/s–
首次回答时间BenchLeader144.9 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%89.8%
Humanity's Last ExamScale AI / CAIS36.2%40.6%
Arena Hard PromptsArena (LMArena)1487†1506
LiveBench 1.0 ReasoningLiveBench88.1%–
GPQA Diamond (AA)Artificial Analysis92.0%88.4%
Humanity's Last Exam (AA)Artificial Analysis43.7%40.7%
GPQA Diamond (Vals)Vals AI91.7%89.7%
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%11.3%
Arena ExpertArena (LMArena)1491†1491
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%–
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%–
DTBenchEpoch AI Benchmarking Hub94.4%–
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%51.5%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1529
显示全部 122 项基准测试
指标发布方GPT-5.4 (xhigh)Muse Spark
编程
Arena WebDevArena (LMArena)1400†–
LiveBench 1.0 CodingLiveBench77.5%–
LiveCodeBenchVals AI84.1%–
SWE-bench (Vals)Vals AI78.2%74.4%
SWE-Bench ProScale AI SEAL59.1%55.0%
Code MigrationVals AI35.0%–
ProgramBenchVals AI0.0%–
Vibe Code Bench v1.1Vals AI67.4%19.7%
SWE-Bench Pro (private)Scale AI SEAL43.4%44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%31.1%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%62.2%
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†1253
智能体与工具
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†–
LiveBench Agentic CodingLiveBench53.8%–
Terminal-Bench HardArtificial Analysis57.6%45.5%
τ²-Bench Telecom (AA)Artificial Analysis87.1%91.5%
MCP AtlasScale AI SEAL70.6%82.2%
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561006
τ³-Banking (AA)Artificial Analysis39.6%–
APEX-Agents (AA)Artificial Analysis33.3%–
Harvey's Legal Agent Benchmark v1Vals AI0.0%–
SkillsBenchVals AI51.7%–
Terminal-Bench 2.0 (Vals)Vals AI58.4%†59.5%
Arena SearchArena (LMArena)1196†–
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AA-Briefcase v1.1Artificial Analysis–646
Design Arena AgenticDesign Arena1042†–
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%–
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%88.9%
ProofBenchVals AI56.0%17.0%
LiveBench MathematicsLiveBench94.2%–
AIME (Vals)Vals AI96.7%96.9%
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 1.0 Data AnalysisLiveBench79.3%–
MMLU-ProVals AI87.5%87.3%
LegalBenchVals AI86.0%84.2%
CorpFinVals AI65.3%65.1%
TaxEvalVals AI74.0%77.7%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†52.4%
PRBench LegalScale AI SEAL44.4%†52.3%
MultiNRCScale AI SEAL58.3%†59.0%
CaseLaw v2Vals AI63.8%63.1%
MedCodeVals AI41.3%51.3%
MedScribeVals AI77.5%85.9%
EBR-benchEpoch AI Benchmarking Hub25.4%–
指令遵循
LiveBench LanguageLiveBench82.6%–
LiveBench Instruction FollowingLiveBench70.2%–
IFBenchArtificial Analysis74.0%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)1460†1465
人类偏好
Arena TextArena (LMArena)1465†1489
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†–
Arena Creative WritingArena (LMArena)1433†1464
Arena Multi-turnArena (LMArena)1480†1493
Arena Longer QueriesArena (LMArena)1477†1476
多模态
Arena VisionArena (LMArena)1292†1306
MMMU-ProArtificial Analysis78.4%80.5%
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%87.4%
MortgageTaxVals AI68.3%–
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
长上下文
AA-LCR v1.1Artificial Analysis82.0%78.0%
Arena DocumentArena (LMArena)1471†1467
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†153.1
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.031.3
AA Progress Index v1Artificial Analysis311.6289.1
Vals RSI IndexVals AI15.5%–
安全与诚实
FORTRESSScale AI SEAL–20.2%
MASKScale AI SEAL89.7%†–

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。

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

  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • GPT-5.4 (xhigh):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。

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 vs Muse Spark:常见问题

GPT-5.4 比 Muse Spark 更好吗?
GPT-5.4 (xhigh) 与 Muse Spark 的质量不相上下(63.1 比 64.2,在 ±4.4 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-5.4 还是 Muse Spark 更好?
两者在编程方面持平(类别得分 65 比 65)。在两者共同的最主要编程基准测试 SWE-Bench Pro 上,GPT-5.4 为 59.1%,Muse Spark 为 55.0%。
智能体和工具调用用 GPT-5.4 还是 Muse Spark 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 63,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,GPT-5.4 为 70.6%,Muse Spark 为 82.2%。
处理长文档哪个更好?
GPT-5.4 在长上下文基准测试上得分更高(66 比 64)。GPT-5.4 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 和 Muse Spark 的看法一致吗?
在两者都有结果的 33 项基准测试中,GPT-5.4 领先 23 项,Muse Spark 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。