BenchLeader

GPT-5.4 vs Muse Spark 1.2

完整资料:GPT-5.4(OpenAI)和 Muse Spark 1.2(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 12 个来源

截至 2026年11月16日,GPT-5.4 与 Muse Spark 1.2 的质量不相上下(BenchLeader Index 63.1 比 61.5,在 ±5.7 的误差范围内)。Muse Spark 1.2 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)。看重编程(65 比 55)、智能体与工具(63 比 55)和长上下文(66 比 64)选 GPT-5.4;看重知识(65 比 59)、多模态(65 比 61)和推理(68 比 66)选 Muse Spark 1.2。Muse Spark 1.2 的首次回答更快(11.4 秒 比 144.9 秒)。Muse Spark 1.2 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Muse Spark 1.2 为 61.5(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 1.2 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.2 比 GPT-5.4 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 38 项基准测试中,Muse Spark 1.2 领先 20 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GPT-5.4类别得分 65 比 55;WeirdML 77.7% 比 60.3%高
智能体与工具调用GPT-5.4类别得分 63 比 55;τ³-Banking (AA) 39.6% 比 34.9%高
数学Muse Spark 1.2类别得分 67 比 65;LiveBench Mathematics 91.2% 比 94.2%中
推理Muse Spark 1.2类别得分 68 比 66;LiveBench 1.0 Reasoning 90.0% 比 88.1%中
知识Muse Spark 1.2类别得分 65 比 59;SimpleQA Verified 60.3% 比 45.1%中
长文档GPT-5.4类别得分 66 比 64;AA-LCR v1.1 82.0% 比 79.0%中
图像及其他媒体Muse Spark 1.2类别得分 65 比 61;MMMU-Pro (Vals) 86.1% 比 87.5%中
对话质量(人类偏好)–只有 Muse Spark 1.2 有 Arena 评分(类别得分 69)无法比较
成本最低Muse Spark 1.2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 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))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 1.2 (xhigh) 的质量不相上下(63.1 比 61.5,在 ±5.7 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、长上下文方面更强。
  • Muse Spark 1.2 (xhigh) 在知识、数学、多模态、推理方面更强。
  • Muse Spark 1.2 (xhigh) 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 1.2 (xhigh) 的输出速度是对方的 2.9 倍(208 比 73 token/秒)。

概览

规格GPT-5.4Muse Spark 1.2
提供商OpenAIMeta
发布日期2026年3月5日2026年8月5日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Muse Spark 1.2 (xhigh)
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 1.2 (xhigh)领先者
推理65.768.1Muse Spark 1.2
编程64.754.7GPT-5.4
智能体与工具63.055.4GPT-5.4
数学64.866.8Muse Spark 1.2
知识58.664.5Muse Spark 1.2
指令遵循72.4–无法比较
人类偏好–68.6无法比较
多模态60.865.3Muse Spark 1.2
长上下文65.764.1GPT-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, 长上下文: 65.7GPT-5.4, 多模态: 60.8Muse Spark 1.2, 推理: 68.1Muse Spark 1.2, 编程: 54.7Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 数学: 66.8Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 长上下文: 64.1Muse Spark 1.2, 多模态: 65.3

未绘制(测得的模型少于两个):指令遵循, 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 38 项基准测试中,GPT-5.4 领先 17 项,Muse Spark 1.2 领先 20 项,1 项持平。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。

综合 IndexGPT-5.4 (xhigh)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index63.161.5不相上下
Arena Text1475†1493Muse Spark 1.2

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 1.2 (xhigh)
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/s208 tok/s
首次回答时间144.9 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)193.1 秒23.9 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 (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 1.2 (xhigh) 得分 61.5,首个回答 token 需 11 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 147 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 1.2 (xhigh)
BenchLeader IndexBenchLeader63.161.5
智能体与工具得分BenchLeader63.055.4
编程得分BenchLeader64.754.7
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.664.5
长上下文得分BenchLeader65.764.1
数学得分BenchLeader64.866.8
多模态得分BenchLeader60.865.3
推理得分BenchLeader65.768.1
人类偏好得分BenchLeader–68.6
混合价格(美元/百万 token)BenchLeader$5.63$2.00
输出速度BenchLeader73 tok/s208 tok/s
首次回答时间BenchLeader144.9 秒11.4 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%–
SimpleBenchSimpleBench–74.5%†
Arena Hard PromptsArena (LMArena)1487†1514
LiveBench 1.0 ReasoningLiveBench88.1%90.0%
GPQA Diamond (AA)Artificial Analysis92.0%90.4%
Humanity's Last Exam (AA)Artificial Analysis43.7%45.5%
GPQA Diamond (Vals)Vals AI91.7%–
Kagi LLM BenchmarkKagi LLM Benchmark63.8%†–
ARC-AGI-1ARC Prize93.7%–
ARC-AGI-2ARC Prize74.0%–
ARC-AGI-3ARC Prize0.2%†–
CritPtArtificial Analysis23.4%17.7%
Arena ExpertArena (LMArena)1491†1503
Chess PuzzlesEpoch AI Benchmarking Hub48.0%27.0%
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%48.4%
DTBenchEpoch AI Benchmarking Hub94.4%94.7%
ForecastBenchForecastBench63.0%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%57.4%
WeirdMLWeirdML77.7%60.3%
GSO-BenchGSO-Bench31.4%–
显示全部 147 项基准测试
指标发布方GPT-5.4 (xhigh)Muse Spark 1.2 (xhigh)
编程
Arena CodingArena (LMArena)1511†1542
Arena WebDevArena (LMArena)1400†1534
LiveBench 1.0 CodingLiveBench77.5%77.5%
SciCode (AA)Artificial Analysis–57.4%
LiveCodeBenchVals AI84.1%–
IOIVals AI–21.8%
SWE-bench (Vals)Vals AI78.2%86.6%
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%29.9%
ProgramBenchVals AI0.0%0.5%
Vibe Code Bench v1.1Vals AI67.4%79.1%
SWE-Bench Pro (private)Scale AI SEAL43.4%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL40.8%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.3%–
SWE Atlas v1.0: Test WritingScale AI SEAL44.4%–
MirrorCodeEpoch AI Benchmarking Hub23.3%–
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%54.9%
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
Terminal-Bench 4.0 (AA)Artificial Analysis–7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 253.4†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 262.156.9
Design Arena WebsiteDesign Arena1190†1309†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†–
APEX-AgentsMercor52.4%†45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench53.8%57.6%
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–69.7%
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†–
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561478
τ³-Banking (AA)Artificial Analysis39.6%34.9%
APEX-Agents (AA)Artificial Analysis33.3%–
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–60.6%
Harvey's Legal Agent Benchmark v1Vals AI0.0%25.4%
Legal Research BenchVals AI–43.8%
SkillsBenchVals AI51.7%53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI–32.8%
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–6.1%
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–-9.8
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†–
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†–
AutomationBenchArtificial Analysis–40.6%
GDP.pdf (AA)Artificial Analysis–17.4%
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis–1323
Design Arena AgenticDesign Arena1042†1185†
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%43.0%†
LiveBench MathematicsLiveBench94.2%91.2%
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1486
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%60.3%
LiveBench 1.0 Data AnalysisLiveBench79.3%76.5%
MMLU-ProVals AI87.5%88.3%
LegalBenchVals AI86.0%85.3%
CorpFinVals AI65.3%70.9%
TaxEvalVals AI74.0%80.4%
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†–
PRBench LegalScale AI SEAL44.4%†–
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–64.8%
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI41.3%49.4%
MedScribeVals AI77.5%90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–16.0%
指令遵循
LiveBench LanguageLiveBench82.6%78.6%
LiveBench Instruction FollowingLiveBench70.2%74.3%
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1479
人类偏好
Arena TextArena (LMArena)1465†1493
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†1842†
Arena Creative WritingArena (LMArena)1433†1443
Arena Multi-turnArena (LMArena)1480†1510
Arena Longer QueriesArena (LMArena)1477†1491
多模态
Arena VisionArena (LMArena)1292†1305
MMMU-ProArtificial Analysis78.4%–
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%86.1%
MortgageTaxVals AI68.3%65.4%
Humanity's Sixth SenseScale AI SEAL–24.5%
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%79.0%
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–7.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†155.0†
LiveBench 1.0LiveBench78.0%78.0%
AA Intelligence Index v4.3.2Artificial Analysis39.039.6
AA Progress Index v1Artificial Analysis311.6309.1
Vals RSI IndexVals AI15.5%–
Vals Multimodal IndexVals AI–69.8%†
安全与诚实
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–88.4%†

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 1.2 (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。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。
  • GPT-5.4 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA Progress Index v1)。

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 1.2:常见问题

GPT-5.4 比 Muse Spark 1.2 更好吗?
GPT-5.4 (xhigh) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(63.1 比 61.5,在 ±5.7 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 1.2 哪个更便宜?价格会变吗?
目前 Muse Spark 1.2 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 1.2 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.4 为 56.6%,Muse Spark 1.2 为 57.4%。
GPT-5.4 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(3 倍以上;输出 208 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 1.2 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GPT-5.4 为 39.6%,Muse Spark 1.2 为 34.9%。
更多问题(4)
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)。两者都约为 1.1M token(GPT-5.4 为 1,050,000,Muse Spark 1.2 为 1,048,576)。
哪个延迟更低?
Muse Spark 1.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.4 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 1.2 的看法一致吗?
在两者都有结果的 38 项基准测试中,GPT-5.4 领先 17 项,Muse Spark 1.2 领先 20 项,1 项持平。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
Muse Spark 1.2 是什么时候发布的?
Muse Spark 1.2 于 2026年8月5日 发布。