BenchLeader

GPT-5.4 vs Muse Spark 1.1

完整资料:GPT-5.4(OpenAI)和 Muse Spark 1.1(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,GPT-5.4 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 63.1 比 62.2,在 ±6.2 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $2.00 比 $5.63)。看重智能体与工具(63 比 51)、数学(65 比 61)和指令遵循(72 比 70)选 GPT-5.4;看重知识(69 比 59)、多模态(64 比 61)和推理(68 比 66)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 144.9 秒)。Muse Spark 1.1 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Muse Spark 1.1 为 62.2(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)。
  • Muse Spark 1.1 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.1 比 GPT-5.4 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 7 项基准测试中,Muse Spark 1.1 领先 6 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 Spark 1.1类别得分 66 比 65;SWE-Bench Pro 61.5% 比 59.1%中
智能体与工具调用GPT-5.4类别得分 63 比 51;MCP Atlas 70.6% 比 88.1%高
数学GPT-5.4类别得分 65 比 61;ProofBench 56.0% 比 39.0%中
推理Muse Spark 1.1类别得分 68 比 66中
知识Muse Spark 1.1类别得分 69 比 59;SimpleQA Verified 57.8% 比 45.1%高
图像及其他媒体Muse Spark 1.1类别得分 64 比 61中
指令遵循GPT-5.4类别得分 72 比 70中
对话质量(人类偏好)–只有 Muse Spark 1.1 有 Arena 评分(类别得分 65)无法比较
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $5.63;智能体编程会话 $0.092 比 $0.210–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 144.9 秒(GPT-5.4 (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-5.4 (xhigh) 与 Muse Spark 1.1 的质量不相上下(63.1 比 62.2,在 ±6.2 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、指令遵循、数学方面更强。
  • Muse Spark 1.1 在编程、知识、多模态、推理方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 2.8 倍(每百万 token 混合价格 $2.00 比 $5.63)。
  • Muse Spark 1.1 的输出速度是对方的 2.7 倍(193 比 73 token/秒)。

概览

规格GPT-5.4Muse Spark 1.1
提供商OpenAIMeta
发布日期2026年3月5日2026年7月9日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Muse Spark 1.1
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$1.25 / $4.25 / $0.150

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 1.1领先者
推理65.767.8Muse Spark 1.1
编程64.765.8Muse Spark 1.1
智能体与工具63.050.9GPT-5.4
数学64.861.3GPT-5.4
知识58.669.2Muse Spark 1.1
指令遵循72.470.4GPT-5.4
人类偏好–64.5无法比较
多模态60.863.6Muse Spark 1.1
长上下文65.7–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推理编程智能体与工具数学知识指令遵循多模态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, 多模态: 60.8Muse Spark 1.1, 推理: 67.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知识: 69.2Muse Spark 1.1, 指令遵循: 70.4Muse Spark 1.1, 多模态: 63.6

未绘制(测得的模型少于两个):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 7 项基准测试中,GPT-5.4 领先 1 项,Muse Spark 1.1 领先 6 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。

综合 IndexGPT-5.4 (xhigh)Muse Spark 1.1领先者
BenchLeader Index63.162.2不相上下
Arena Text1475†1491Muse Spark 1.1

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 1.1
每百万 token 混合价格$5.63$2.00
每百万 token 输入 / 输出$2.50 / $15.00$1.25 / $4.25
每百万 token 缓存输入$0.250$0.150
每项任务价格:聊天回复$0.0055$0.0018
每项任务价格:总结一份 30 页的报告$0.039$0.018
每项任务价格:代码编辑$0.037$0.014
每项任务价格:智能体编程会话$0.210$0.092
每项任务价格:结构化信息提取$0.0080$0.0034
智能体编程会话(输入大多命中缓存)$0.109$0.043
输出速度73 tok/s193 tok/s
首次回答时间144.9 秒1.8 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 1.1 得分 62.2,首个回答 token 需 2 秒;Muse Spark 1.1 (xhigh) 为 59.5(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 137 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 1.1
BenchLeader IndexBenchLeader63.162.2
智能体与工具得分BenchLeader63.050.9
编程得分BenchLeader64.765.8
指令遵循得分BenchLeader72.470.4
知识得分BenchLeader58.669.2
长上下文得分BenchLeader65.7–
数学得分BenchLeader64.861.3
多模态得分BenchLeader60.863.6
推理得分BenchLeader65.767.8
人类偏好得分BenchLeader–64.5
混合价格(美元/百万 token)BenchLeader$5.63$2.00
输出速度BenchLeader73 tok/s193 tok/s
首次回答时间BenchLeader144.9 秒1.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%–
Humanity's Last ExamScale AI / CAIS36.2%–
Arena Hard PromptsArena (LMArena)1487†1511
LiveBench 1.0 ReasoningLiveBench88.1%87.7%†
GPQA Diamond (AA)Artificial Analysis92.0%89.8%†
Humanity's Last Exam (AA)Artificial Analysis43.7%46.2%†
GPQA Diamond (Vals)Vals AI91.7%91.2%†
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%15.1%†
Arena ExpertArena (LMArena)1491†1504
Chess PuzzlesEpoch AI Benchmarking Hub48.0%34.0%†
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%49.9%†
DTBenchEpoch AI Benchmarking Hub94.4%94.4%†
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%58.8%
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1533
显示全部 137 项基准测试
指标发布方GPT-5.4 (xhigh)Muse Spark 1.1
编程
Arena WebDevArena (LMArena)1400†1542
LiveBench 1.0 CodingLiveBench77.5%77.2%†
SciCode (AA)Artificial Analysis–58.8%†
LiveCodeBenchVals AI84.1%85.9%†
SWE-bench (Vals)Vals AI78.2%82.0%†
SWE-Bench ProScale AI SEAL59.1%61.5%
Code MigrationVals AI35.0%31.1%†
ProgramBenchVals AI0.0%0.0%†
Vibe Code Bench v1.1Vals AI67.4%72.2%†
SWE-Bench Pro (private)Scale AI SEAL43.4%51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%42.2%†
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%41.5%†
MirrorCodeEpoch AI Benchmarking Hub23.3%–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%53.3%
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
Terminal-Bench 4.0 (AA)Artificial Analysis–6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%77.9%†
GameBench 2 OverallDuelLab GameBench 253.4†–
GameBench 2 by reasoning settingDuelLab GameBench 262.1–
Design Arena WebsiteDesign Arena1190†1263
智能体与工具
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench53.8%58.5%†
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL70.6%88.1%
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%40.5%†
GDPval-AA v2.1Artificial Analysis12561216†
τ³-Banking (AA)Artificial Analysis39.6%31.8%†
APEX-Agents (AA)Artificial Analysis33.3%–
Finance Agent v2Vals AI–57.2%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%20.0%†
Legal Research BenchVals AI–38.0%†
SkillsBenchVals AI51.7%59.2%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Time Horizon Index: KSPVals AI–1.7%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–-6.5
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†7.9%
Vending-Bench 2Andon Labs6144.2†6520.5
AutomationBenchArtificial Analysis–38.9%†
GDP.pdf (AA)Artificial Analysis–14.4%†
AA-Briefcase v1.1Artificial Analysis–851†
Design Arena AgenticDesign Arena1042†1172
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%–
ProofBenchVals AI56.0%39.0%
LiveBench MathematicsLiveBench94.2%87.1%†
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1493
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%57.8%
LiveBench 1.0 Data AnalysisLiveBench79.3%72.5%†
MMLU-ProVals AI87.5%88.7%†
LegalBenchVals AI86.0%85.0%†
CorpFinVals AI65.3%71.3%†
TaxEvalVals AI74.0%79.7%†
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†55.0%
PRBench LegalScale AI SEAL44.4%†57.0%
MultiNRCScale AI SEAL58.3%†65.6%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–56.4%†
MedCodeVals AI41.3%–
MedScribeVals AI77.5%88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–15.0%
指令遵循
LiveBench LanguageLiveBench82.6%74.3%†
LiveBench Instruction FollowingLiveBench70.2%69.6%†
IFBenchArtificial Analysis74.0%–
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)1460†1473
人类偏好
Arena TextArena (LMArena)1465†1491
EQ-Bench 4EQ-Bench1258†1244
EQ-Bench Creative Writing v3EQ-Bench1841†1928
Arena Creative WritingArena (LMArena)1433†1443
Arena Multi-turnArena (LMArena)1480†1497
Arena Longer QueriesArena (LMArena)1477†1481
多模态
Arena VisionArena (LMArena)1292†1292
MMMU-ProArtificial Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%86.6%†
MortgageTaxVals AI68.3%66.1%†
VTBScale AI SEAL29.2%†44.8%
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
长上下文
AA-LCR v1.1Artificial Analysis82.0%77.7%†
Arena DocumentArena (LMArena)1471†1480
MLCRArtificial Analysis–7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†154.9
LiveBench 1.0LiveBench78.0%75.3%†
AA Intelligence Index v4.3.2Artificial Analysis39.033.7†
AA Progress Index v1Artificial Analysis311.6302.7†
Vals RSI IndexVals AI15.5%–
Vals Multimodal IndexVals AI–66.7%†
安全与诚实
FORTRESSScale AI SEAL–12.4%
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)。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Muse Spark 1.1:1 项分数修订。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Muse Spark 1.1:2 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.1:1 项分数修订。
  • GPT-5.4 (xhigh):2 项新结果(Harvey's Legal Agent Benchmark v1, Vals RSI Index)。
  • Muse Spark 1.1:BenchLeader Index 63.1 → 62.5。

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 1.1:常见问题

GPT-5.4 比 Muse Spark 1.1 更好吗?
GPT-5.4 (xhigh) 与 Muse Spark 1.1 的质量不相上下(63.1 比 62.2,在 ±6.2 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-5.4 和 Muse Spark 1.1 哪个更便宜?价格会变吗?
目前 Muse Spark 1.1 更便宜:每百万 token $2.00 比 $5.63(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。
编程用 GPT-5.4 还是 Muse Spark 1.1 更好?
Muse Spark 1.1 在编程方面得分更高(类别得分 66 比 65,50 为平均水平)。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 1.1 为 61.5%。
GPT-5.4 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 73 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 Muse Spark 1.1 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 51,50 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 1.1 为 88.1%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.4 为 1,050,000,Muse Spark 1.1 为 1,048,576)。
哪个延迟更低?
Muse Spark 1.1 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.8 秒比 144.9 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 GPT-5.4 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 7 项基准测试中,GPT-5.4 领先 1 项,Muse Spark 1.1 领先 6 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
Muse Spark 1.1 是什么时候发布的?
Muse Spark 1.1 于 2026年7月9日 发布。