BenchLeader

GPT-5.4 vs Muse Wonder

完整资料:GPT-5.4(OpenAI)和 Muse Wonder(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 Wonder 的质量不相上下(BenchLeader Index 63.1 比 64.4,在 ±4.0 的误差范围内)。GPT-5.4 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $5.63 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。

要点(截至 2026年11月16日)

  • GPT-5.4 的 BenchLeader Index 为 63.1,Muse Wonder 为 64.4(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 Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • 在两者都有结果的 3 项基准测试中,Muse Wonder 领先 3 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Muse Wonder类别得分 76 比 63高
数学Muse Wonder类别得分 70 比 65;ProofBench 84.0% 比 56.0%中
知识Muse Wonder类别得分 77 比 59高
对话质量(人类偏好)–只有 Muse Wonder 有 Arena 评分(类别得分 70)无法比较
成本最低GPT-5.4每百万 token 混合价格 $5.63 比 $8.00;智能体编程会话 $0.210 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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 Wonder 的质量不相上下(63.1 比 64.4,在 ±4.0 的误差范围内)。
  • Muse Wonder 在智能体与工具、知识、数学方面更强。
  • GPT-5.4 (xhigh) 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $5.63 比 $8.00)。

概览

规格GPT-5.4Muse Wonder
提供商OpenAIMeta
发布日期2026年3月5日2026年10月12日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-5.4 (xhigh)Muse Wonder
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$4.00 / $20.00 / $0.200

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 Wonder领先者
推理65.7–无法比较
编程64.7–无法比较
智能体与工具63.075.6Muse Wonder
数学64.870.1Muse Wonder
知识58.677.1Muse Wonder
指令遵循72.4–无法比较
人类偏好–69.6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智能体与工具数学知识GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1

未绘制(测得的模型少于两个):推理, 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 0 项,Muse Wonder 领先 3 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexGPT-5.4 (xhigh)Muse Wonder领先者
BenchLeader Index63.164.4不相上下
Arena Text1475†1511Muse Wonder

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 Wonder
每百万 token 混合价格$5.63$8.00
每百万 token 输入 / 输出$2.50 / $15.00$4.00 / $20.00
每百万 token 缓存输入$0.250$0.200
每项任务价格:聊天回复$0.0055$0.0076
每项任务价格:总结一份 30 页的报告$0.039$0.060
每项任务价格:代码编辑$0.037$0.054
每项任务价格:智能体编程会话$0.210$0.320
每项任务价格:结构化信息提取$0.0080$0.012
智能体编程会话(输入大多命中缓存)$0.109$0.149
输出速度73 tok/s70 tok/s
首次回答时间144.9 秒3.3 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(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 187 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 Wonder
BenchLeader IndexBenchLeader63.164.4
智能体与工具得分BenchLeader63.075.6
编程得分BenchLeader64.7–
指令遵循得分BenchLeader72.4–
知识得分BenchLeader58.677.1
长上下文得分BenchLeader65.7–
数学得分BenchLeader64.870.1
多模态得分BenchLeader60.8–
推理得分BenchLeader65.7–
人类偏好得分BenchLeader–69.6
混合价格(美元/百万 token)BenchLeader$5.63$8.00
输出速度BenchLeader73 tok/s70 tok/s
首次回答时间BenchLeader144.9 秒3.3 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†1531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench88.1%90.6%†
GPQA Diamond (AA)Artificial Analysis92.0%–
Humanity's Last Exam (AA)Artificial Analysis43.7%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
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%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)1491†1525†
Chess PuzzlesEpoch AI Benchmarking Hub48.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub37.0%51.0%†
CL-benchEpoch AI Benchmarking Hub27.9%–
CL-bench LifeEpoch AI Benchmarking Hub21.7%–
LMCAEpoch AI Benchmarking Hub52.0%56.8%
DTBenchEpoch AI Benchmarking Hub94.4%95.2%
ForecastBenchForecastBench63.0%†–
显示全部 187 项基准测试
指标发布方GPT-5.4 (xhigh)Muse Wonder
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub76.9%†–
SciCodeSciCode56.6%60.3%†
WeirdMLWeirdML77.7%–
GSO-BenchGSO-Bench31.4%–
Arena CodingArena (LMArena)1511†1542†
Arena WebDevArena (LMArena)1400†1647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench77.5%80.7%†
SciCode (AA)Artificial Analysis–60.3%†
LiveCodeBenchVals AI84.1%–
IOIVals AI–66.9%†
SWE-bench (Vals)Vals AI78.2%–
SWE-Bench ProScale AI SEAL59.1%–
Code MigrationVals AI35.0%62.5%†
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI0.0%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI67.4%83.1%†
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%–
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub23.3%45.6%†
DeepSWE v1.1Epoch AI Benchmarking Hub51.8%–
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub1607†–
AlgoTuneAlgoTune1.9†–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–52.0%†
Terminal-Bench 2.1 (AA)Artificial Analysis78.3%–
GameBench 2 OverallDuelLab GameBench 253.4†64.8
GameBench 2 by reasoning settingDuelLab GameBench 262.154.9†
Design Arena WebsiteDesign Arena1190†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
智能体与工具
Terminal-BenchTerminal-Bench81.8%†47.0%†
APEX-AgentsMercor52.4%†66.1%†
Arena AgentArena (LMArena)–1.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench53.8%62.7%†
Terminal-Bench HardArtificial Analysis57.6%–
τ²-Bench Telecom (AA)Artificial Analysis87.1%–
MCP AtlasScale AI SEAL70.6%–
HiL-BenchScale AI SEAL9.7%†79.7%
τ³-bench Bankingτ²-bench39.4%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis12561770†
τ³-Banking (AA)Artificial Analysis39.6%–
APEX-Agents (AA)Artificial Analysis33.3%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI–56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI0.0%17.1%†
Legal Research BenchVals AI–50.5%†
SkillsBenchVals AI51.7%–
Tax Agent BenchVals AI–36.3%†
Terminal-Bench 2.0 (Vals)Vals AI58.4%†–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena SearchArena (LMArena)1196†–
Arena Agent Task CompletionArena (LMArena)–5.4†
DeepResearch BenchDeepResearch Bench35.1%†–
PostTrainBenchEpoch AI Benchmarking Hub17.8%†24.2%†
METR Time HorizonsMETR74.3%–
GBAEvalEpoch AI Benchmarking Hub45.1%†–
Vending-Bench 2Andon Labs6144.2†9432.2
AutomationBenchArtificial Analysis–68.1%†
GDP.pdf (AA)Artificial Analysis–30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis–1659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1042†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
DeepSearchQAGoogle63.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.6%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub49.0%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub95.3%99.4%†
ProofBenchVals AI56.0%84.0%
LiveBench MathematicsLiveBench94.2%96.5%†
AIME (Vals)Vals AI96.7%–
AIME 2026MathArena99.2%–
HMMT February 2026MathArena97.7%–
USAMO 2026MathArena95.2%–
MathArena ApexMathArena54.2%–
Arena MathsArena (LMArena)1459†1490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub45.1%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench79.3%81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
MMLU-ProVals AI87.5%–
LegalBenchVals AI86.0%–
CorpFinVals AI65.3%–
TaxEvalVals AI74.0%–
MedQAVals AI96.1%–
PRBench FinanceScale AI SEAL45.6%†58.7%
PRBench LegalScale AI SEAL44.4%†58.4%
MultiNRCScale AI SEAL58.3%†–
BioMysteryBenchVals AI–67.0%†
CaseLaw v2Vals AI63.8%–
Excel Modeling BenchmarkVals AI–67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI41.3%–
MedScribeVals AI77.5%–
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub25.4%31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
指令遵循
LiveBench LanguageLiveBench82.6%82.9%†
LiveBench Instruction FollowingLiveBench70.2%73.0%†
IFBenchArtificial Analysis74.0%–
Arena Instruction FollowingArena (LMArena)1460†1498†
人类偏好
Arena TextArena (LMArena)1465†1511†
EQ-Bench 4EQ-Bench1258†1325
EQ-Bench Creative Writing v3EQ-Bench1841†2007
Arena Creative WritingArena (LMArena)1433†1491†
Arena Multi-turnArena (LMArena)1480†1525†
Arena Longer QueriesArena (LMArena)1477†1507†
多模态
Arena VisionArena (LMArena)1292†–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis78.4%83.8%†
VISTAScale AI SEAL50.9%†–
MMMU-Pro (Vals)Vals AI87.5%–
MortgageTaxVals AI68.3%–
Humanity's Sixth SenseScale AI SEAL–43.7%†
VTBScale AI SEAL29.2%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub27.1%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub37.5%54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis82.0%80.7%†
Arena DocumentArena (LMArena)1471†–
MLCRArtificial Analysis–22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench78.0%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis39.052.4†
AA Progress Index v1Artificial Analysis311.6335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals RSI IndexVals AI15.5%–
Vals Science IndexVals AI–39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
MASKScale AI SEAL89.7%†–
DistressBenchScale AI SEAL–85.9%

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 Wonder:BenchLeader Index 63.0 → 64.4。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • GPT-5.4 (xhigh):1 项分数修订。
  • Muse Wonder: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 vs Muse Wonder:常见问题

GPT-5.4 比 Muse Wonder 更好吗?
GPT-5.4 (xhigh) 与 Muse Wonder 的质量不相上下(63.1 比 64.4,在 ±4.0 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 Wonder 哪个更便宜?价格会变吗?
目前 GPT-5.4 更便宜:每百万 token $5.63 比 $8.00(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 Wonder 哪个更快?
GPT-5.4 输出更快(输出 73 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.4 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 63,50 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 Wonder 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Wonder 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 0 项,Muse Wonder 领先 3 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。