BenchLeader

GPT-5.4 vs Muse Spark 1.3

完整资料:GPT-5.4(OpenAI)和 Muse Spark 1.3(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 1.3 的质量不相上下(BenchLeader Index 63.1 比 61.6,在 ±8.6 的误差范围内)。Muse Spark 1.3 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)。看重数学(65 比 56)和智能体与工具(63 比 61)选 GPT-5.4;看重知识(81 比 59)和推理(71 比 66)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 144.9 秒)。Muse Spark 1.3 的输出更快。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Muse Spark 1.3 为 61.6(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 1.3 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.3 比 GPT-5.4 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 3 项基准测试中,Muse Spark 1.3 领先 2 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
智能体与工具调用GPT-5.4类别得分 63 比 61中
数学GPT-5.4类别得分 65 比 56;ProofBench 56.0% 比 55.0%高
推理Muse Spark 1.3类别得分 71 比 66;LMCA 53.9% 比 52.0%中
知识Muse Spark 1.3类别得分 81 比 59高
成本最低Muse Spark 1.3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 1.3首个回答 token 2.6 秒(Muse Spark 1.3)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 1.3 的质量不相上下(63.1 比 61.6,在 ±8.6 的误差范围内)。
  • GPT-5.4 (xhigh) 在智能体与工具、数学方面更强。
  • Muse Spark 1.3 在知识、推理方面更强。
  • Muse Spark 1.3 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 1.3 的输出速度是对方的 2.2 倍(163 比 73 token/秒)。

概览

规格GPT-5.4Muse Spark 1.3
提供商OpenAIMeta
发布日期2026年3月5日2026年9月2日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Muse Spark 1.3
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 1.3领先者
推理65.771.0Muse Spark 1.3
编程64.7–无法比较
智能体与工具63.061.3GPT-5.4
数学64.856.3GPT-5.4
知识58.681.2Muse Spark 1.3
指令遵循72.4–无法比较
多模态60.8–无法比较
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推理智能体与工具数学知识GPT-5.4, 推理: 65.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6Muse Spark 1.3, 推理: 71.0Muse Spark 1.3, 智能体与工具: 61.3Muse Spark 1.3, 数学: 56.3Muse Spark 1.3, 知识: 81.2

未绘制(测得的模型少于两个):编程, 指令遵循, 长上下文, 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 3 项基准测试中,GPT-5.4 领先 1 项,Muse Spark 1.3 领先 2 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。

综合 IndexGPT-5.4 (xhigh)Muse Spark 1.3领先者
BenchLeader Index63.161.6不相上下
Arena Text1475†1497Muse Spark 1.3

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 1.3
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/s163 tok/s
首次回答时间144.9 秒2.6 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 1.3 得分 61.6,首个回答 token 需 3 秒;Muse Spark 1.3 (max) 为 60.6(31 秒),Muse Spark 1.3 (xhigh) 为 58.1(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 181 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 1.3
BenchLeader IndexBenchLeader63.161.6
智能体与工具得分BenchLeader63.061.3
编程得分BenchLeader64.7–
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.681.2
长上下文得分BenchLeader65.7–
数学得分BenchLeader64.856.3
多模态得分BenchLeader60.8–
推理得分BenchLeader65.771.0
混合价格(美元/百万 token)BenchLeader$5.63$2.00
输出速度BenchLeader73 tok/s163 tok/s
首次回答时间BenchLeader144.9 秒2.6 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–81.8%
Arena Hard PromptsArena (LMArena)1487†1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench88.1%89.7%†
GPQA Diamond (AA)Artificial Analysis92.0%93.5%†
Humanity's Last Exam (AA)Artificial Analysis43.7%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
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%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis–48.0%†
MysteryMechanismVals AI–36.0%†
HLE-Diamond (Scale)Scale AI SEAL–25.4%
Arena ExpertArena (LMArena)1491†1521†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%25.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%53.9%
DTBenchEpoch AI Benchmarking Hub94.4%96.5%
显示全部 181 项基准测试
指标发布方GPT-5.4 (xhigh)Muse Spark 1.3
推理
ForecastBenchForecastBench63.0%†65.5%†
BTF-3Epoch AI Benchmarking Hub–14.1%†
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†1534†
Arena WebDevArena (LMArena)1400†1655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench77.5%81.1%†
SciCode (AA)Artificial Analysis–58.8%†
LiveCodeBenchVals AI84.1%–
IOIVals AI–56.6%†
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%47.4%†
ProgramBenchVals AI0.0%2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI–20.5%†
Vibe Code Bench v1.1Vals AI67.4%85.9%†
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%54.4%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
CursorBenchCursor–41.6%†
ALE-BenchEpoch AI Benchmarking Hub1607†1688.3†
AlgoTuneAlgoTune1.9†–
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%84.3%†
Startrise FrontendStartrise–74.7%
GameBench 2 OverallDuelLab GameBench 253.4†57.7
GameBench 2 by reasoning settingDuelLab GameBench 262.168.5†
Design Arena WebsiteDesign Arena1190†1353†
FrontierCode 1.1 (AA)Artificial Analysis–40.6%†
FrontierCode 2.0 (AA)Artificial Analysis–23.1%†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†14.8%†
APEX-AgentsMercor52.4%†58.6%
Arena AgentArena (LMArena)–2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench53.8%64.1%†
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
Terminal-Bench 2.1 (Vals)Vals AI–79.0%†
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†66.9%
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1Artificial Analysis12561681†
τ³-Banking (AA)Artificial Analysis39.6%50.5%†
ITBench SRE (AA)Artificial Analysis–33.2%†
Analyst Agent (AA)Artificial Analysis–37.5%†
APEX-Agents (AA)Artificial Analysis33.3%–
CUA-benchVals AI–5.8%†
CyberBenchVals AI–72.7%†
Finance Agent v2Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%23.8%†
Legal Research BenchVals AI–55.3%†
SkillsBenchVals AI51.7%–
SREBenchVals AI–3.8%†
Tax Agent BenchVals AI–42.4%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–24.8%†
Terminal-Bench ScienceVals AI–10.0%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–3.7†
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–57.9%†
GDP.pdf (AA)Artificial Analysis–26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
AA-Briefcase v1.1Artificial Analysis–1581†
Design Arena AgenticDesign Arena1042†1283†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–10.9%†
CWE-Bench (AA)Artificial Analysis–60.8%†
DeepSec-Bench (AA)Artificial Analysis–12.5%†
CyberGym end-to-end (AA)Artificial Analysis–59.5%†
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%99.2%†
ProofBenchVals AI56.0%55.0%
LiveBench MathematicsLiveBench94.2%96.0%†
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1506†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench79.3%79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†59.5%
PRBench LegalScale AI SEAL44.4%†61.6%
MultiNRCScale AI SEAL58.3%†–
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–67.4%†
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI–70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL–62.2%†
EBR-benchEpoch AI Benchmarking Hub25.4%–
GDP.pdfEpoch AI Benchmarking Hub–27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
指令遵循
LiveBench LanguageLiveBench82.6%82.8%†
LiveBench Instruction FollowingLiveBench70.2%78.0%†
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1485†
人类偏好
Arena TextArena (LMArena)1465†1497†
EQ-Bench 4EQ-Bench1258†–
EQ-Bench Creative Writing v3EQ-Bench1841†1907
Arena Creative WritingArena (LMArena)1433†1468†
Arena Multi-turnArena (LMArena)1480†1493†
Arena Longer QueriesArena (LMArena)1477†1498†
多模态
Arena VisionArena (LMArena)1292†1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis78.4%82.0%†
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
Humanity's Sixth SenseScale AI SEAL–37.4%†
VTBScale AI SEAL29.2%†–
GeoBenchGeoBench–86.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub37.5%–
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
长上下文
AA-LCR v1.1Artificial Analysis82.0%83.0%†
Arena DocumentArena (LMArena)1471†1474†
MLCRArtificial Analysis–13.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench78.0%81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis39.048.1†
AA Progress Index v1Artificial Analysis311.6324.5†
Vals RSI IndexVals AI15.5%19.6%†
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–84.9%

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。

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

  • Muse Spark 1.3:BenchLeader Index 60.2 → 61.6。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 59.2 → 60.2。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Muse Spark 1.3:2 项新结果(SimpleBench, GeoBench)。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。
  • Muse Spark 1.3:4 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • Muse Spark 1.3:BenchLeader Index 58.2 → 57.7。

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 1.3:常见问题

GPT-5.4 比 Muse Spark 1.3 更好吗?
GPT-5.4 (xhigh) 与 Muse Spark 1.3 的质量不相上下(63.1 比 61.6,在 ±8.6 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 1.3 哪个更便宜?价格会变吗?
目前 Muse Spark 1.3 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。
GPT-5.4 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 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 1.3 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 61,50 为平均水平)。
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 1.3 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Spark 1.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.6 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 1.3 的看法一致吗?
在两者都有结果的 3 项基准测试中,GPT-5.4 领先 1 项,Muse Spark 1.3 领先 2 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。
Muse Spark 1.3 是什么时候发布的?
Muse Spark 1.3 于 2026年9月2日 发布。