BenchLeader

GPT-5.5 vs Muse Spark

完整资料:GPT-5.5(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-5.5 与 Muse Spark 的质量不相上下(BenchLeader Index 64.1 比 64.2,在 ±5.2 的误差范围内)。看重数学(69 比 59)和长上下文(67 比 64)选 GPT-5.5;看重编程(65 比 61)、智能体与工具(65 比 62)和指令遵循(77 比 74)选 Muse Spark。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-5.5 每百万 token 混合价格为 $11.25(标价,2026年11月16日)。
  • 在两者都有结果的 29 项基准测试中,GPT-5.5 领先 24 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类别得分 65 比 61;SciCode 51.5% 比 55.8%中
智能体与工具调用Muse Spark类别得分 65 比 62;MCP Atlas 82.2% 比 75.3%中
数学GPT-5.5类别得分 69 比 59;ProofBench 50.0% 比 17.0%高
推理均可类别得分 68 比 67;GPQA Diamond (AA) 93.5% 比 88.4%均可
知识均可类别得分 64 比 63;MMLU-Pro 88.1% 比 87.3%均可
长文档GPT-5.5类别得分 67 比 64;AA-LCR v1.1 84.3% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 62;MMMU-Pro 80.5% 比 79.9%中
指令遵循Muse Spark类别得分 77 比 74;IFBench 75.9% 比 75.8%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-5.5 (xhigh) 与 Muse Spark 的质量不相上下(64.1 比 64.2,在 ±5.2 的误差范围内)。
  • GPT-5.5 (xhigh) 在知识、长上下文、数学、推理方面更强。
  • Muse Spark 在智能体与工具、编程、指令遵循、多模态方面更强。

概览

规格GPT-5.5Muse Spark
提供商OpenAIMeta
发布日期2026年4月23日2026年4月8日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-5.5 (xhigh)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$5.00 / $30.00 / $0.500–

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-5.5 (xhigh)Muse Spark领先者
推理68.167.4持平
编程60.765.1Muse Spark
智能体与工具61.865.0Muse Spark
数学69.359.1GPT-5.5
知识63.663.1持平
指令遵循74.076.9Muse Spark
人类偏好–68.1无法比较
多模态62.364.2Muse Spark
长上下文66.963.6GPT-5.5

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-5.5, 推理: 68.1GPT-5.5, 编程: 60.7GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6GPT-5.5, 指令遵循: 74.0GPT-5.5, 长上下文: 66.9GPT-5.5, 多模态: 62.3Muse 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 29 项基准测试中,GPT-5.5 领先 24 项,Muse Spark 领先 5 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGPT-5.5 (xhigh)Muse Spark领先者
BenchLeader Index64.164.2不相上下
Arena Text1481†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-5.5 (xhigh)Muse Spark
每百万 token 混合价格$11.25–
每百万 token 输入 / 输出$5.00 / $30.00– / –
每百万 token 缓存输入$0.500–
每项任务价格:聊天回复$0.011–
每项任务价格:总结一份 30 页的报告$0.078–
每项任务价格:代码编辑$0.075–
每项任务价格:智能体编程会话$0.420–
每项任务价格:结构化信息提取$0.016–
智能体编程会话(输入大多命中缓存)$0.217–
输出速度81 tok/s–
首次回答时间38.3 秒–
完整回答耗时(最近一次测量 2026年11月13日)104.3 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.5 (xhigh) 得分 64.1,首个回答 token 需 38 秒;GPT-5.5 (high) 为 63.5(16 秒),GPT-5.5 为 61.0(3 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 142 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-5.5 (xhigh)Muse Spark
BenchLeader IndexBenchLeader64.164.2
智能体与工具得分BenchLeader61.865.0
编程得分BenchLeader60.765.1
指令遵循得分BenchLeader74.076.9
知识得分BenchLeader63.663.1
长上下文得分BenchLeader66.963.6
数学得分BenchLeader69.359.1
多模态得分BenchLeader62.364.2
推理得分BenchLeader68.167.4
人类偏好得分BenchLeader–68.1
混合价格(美元/百万 token)BenchLeader$11.25–
输出速度BenchLeader81 tok/s–
首次回答时间BenchLeader38.3 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1506
LiveBench 1.0 ReasoningLiveBench89.7%–
GPQA Diamond (AA)Artificial Analysis93.5%88.4%
Humanity's Last Exam (AA)Artificial Analysis45.8%40.7%
GPQA Diamond (Vals)Vals AI93.2%89.7%
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%11.3%
Arena ExpertArena (LMArena)1510†1491
Chess PuzzlesEpoch AI Benchmarking Hub63.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%–
DTBenchEpoch AI Benchmarking Hub96.0%–
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%51.5%
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
显示全部 142 项基准测试
指标发布方GPT-5.5 (xhigh)Muse Spark
编程
Arena CodingArena (LMArena)1510†1529
Arena WebDevArena (LMArena)1512–
LiveBench 1.0 CodingLiveBench82.2%–
SciCode (AA)Artificial Analysis55.8%–
LiveCodeBenchVals AI85.3%–
SWE-bench (Vals)Vals AI82.6%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI45.2%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI69.8%19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%24.2%
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%31.1%
MirrorCodeEpoch AI Benchmarking Hub23.3%–
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
ALE-BenchEpoch AI Benchmarking Hub1943.0–
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%–
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%62.2%
GameBench 2 OverallDuelLab GameBench 249.2†–
GameBench 2 by reasoning settingDuelLab GameBench 259.9–
Design Arena WebsiteDesign Arena1248†1253
智能体与工具
Terminal-BenchTerminal-Bench84.7%†–
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†–
LiveBench Agentic CodingLiveBench54.0%–
Terminal-Bench HardArtificial Analysis60.6%45.5%
τ²-Bench Telecom (AA)Artificial Analysis93.9%91.5%
Terminal-Bench 2.1 (Vals)Vals AI57.3%†–
MCP AtlasScale AI SEAL75.3%82.2%
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1Artificial Analysis13571006
τ³-Banking (AA)Artificial Analysis39.0%–
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%–
Finance Agent v2Vals AI51.8%–
Harvey's Legal Agent Benchmark v1Vals AI3.8%–
Legal Research BenchVals AI40.4%–
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI73.2%†59.5%
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†–
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†–
Vending-Bench 2Andon Labs7523.8†–
AutomationBenchArtificial Analysis47.3%–
GDP.pdf (AA)Artificial Analysis21.2%–
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis1135646
Design Arena AgenticDesign Arena1113†–
RoboDojo (LLM as robot policy)RoboDojo1.1†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%–
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%–
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†88.9%
ProofBenchVals AI50.0%17.0%
LiveBench MathematicsLiveBench95.9%–
AIME (Vals)Vals AI–96.9%
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1469
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 1.0 Data AnalysisLiveBench81.6%–
MMLU-ProVals AI88.1%87.3%
LegalBenchVals AI86.5%84.2%
CorpFinVals AI68.4%65.1%
TaxEvalVals AI75.0%77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI66.2%63.1%
Excel Modeling BenchmarkVals AI64.5%–
MedCodeVals AI49.1%51.3%
MedScribeVals AI86.9%85.9%
Public Benefits Bench v1.1Vals AI60.9%–
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%–
指令遵循
LiveBench LanguageLiveBench87.4%–
LiveBench Instruction FollowingLiveBench70.7%–
IFBenchArtificial Analysis75.8%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)1475†1465
人类偏好
Arena TextArena (LMArena)1476†1489
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†–
Arena Creative WritingArena (LMArena)1448†1464
Arena Multi-turnArena (LMArena)1484†1493
Arena Longer QueriesArena (LMArena)1486†1476
多模态
Arena VisionArena (LMArena)1296†1306
MMMU-ProArtificial Analysis79.9%80.5%
MMMU-Pro (Vals)Vals AI88.3%87.4%
MortgageTaxVals AI68.8%–
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
Code2Video-AAArtificial Analysis1000–
长上下文
AA-LCR v1.1Artificial Analysis84.3%78.0%
Arena DocumentArena (LMArena)1479†1467
MLCRArtificial Analysis28.9%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†153.1
LiveBench 1.0LiveBench80.2%–
AA Intelligence Index v4.3.2Artificial Analysis38.431.3
AA Progress Index v1Artificial Analysis320289.1
Vals RSI IndexVals AI16.5%–
Vals Multimodal IndexVals AI68.1%–
安全与诚实
FORTRESSScale AI SEAL16.3%20.2%

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-5.5 (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-5.5 (xhigh):BenchLeader Index 64.6 → 64.1。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(MirrorCode)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark: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-5.5 vs Muse Spark:常见问题

GPT-5.5 比 Muse Spark 更好吗?
GPT-5.5 (xhigh) 与 Muse Spark 的质量不相上下(64.1 比 64.2,在 ±5.2 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。
编程用 GPT-5.5 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.5 为 55.8%,Muse Spark 为 51.5%。
智能体和工具调用用 GPT-5.5 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 62,50 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-5.5 为 75.3%,Muse Spark 为 82.2%。
处理长文档哪个更好?
GPT-5.5 在长上下文基准测试上得分更高(67 比 64)。GPT-5.5 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-5.5 和 Muse Spark 的看法一致吗?
在两者都有结果的 29 项基准测试中,GPT-5.5 领先 24 项,Muse Spark 领先 5 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)
GPT-5.5 是什么时候发布的?
GPT-5.5 于 2026年4月23日 发布。