BenchLeader

GPT-5.5 vs Muse Spark 1.1

完整资料:GPT-5.5(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-5.5 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 64.1 比 62.2,在 ±6.8 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 5.6 倍(每百万 token 混合价格 $2.00 比 $11.25)。看重智能体与工具(62 比 51)、数学(69 比 61)和指令遵循(74 比 70)选 GPT-5.5;看重知识(69 比 64)、编程(66 比 61)和多模态(64 比 62)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 38.3 秒)。Muse Spark 1.1 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,Muse Spark 1.1 为 62.2(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)。
  • 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-5.5 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-5.5 的评分为 1512,Muse Spark 1.1 为 1542(LMArena,截至 2026年11月16日 的公布数据)。

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 61;Arena WebDev 1542 比 1512中
智能体与工具调用GPT-5.5类别得分 62 比 51;MCP Atlas 75.3% 比 88.1%高
数学GPT-5.5类别得分 69 比 61;ProofBench 50.0% 比 39.0%高
推理均可类别得分 68 比 68均可
知识Muse Spark 1.1类别得分 69 比 64;SimpleQA Verified 57.8% 比 63.0%中
图像及其他媒体Muse Spark 1.1类别得分 64 比 62中
指令遵循GPT-5.5类别得分 74 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 $11.25;智能体编程会话 $0.092 比 $0.420–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 38.3 秒(GPT-5.5 (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-5.5 (xhigh) 与 Muse Spark 1.1 的质量不相上下(64.1 比 62.2,在 ±6.8 的误差范围内)。
  • GPT-5.5 (xhigh) 在智能体与工具、指令遵循、数学、推理方面更强。
  • Muse Spark 1.1 在编程、知识、多模态方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 5.6 倍(每百万 token 混合价格 $2.00 比 $11.25)。
  • Muse Spark 1.1 的输出速度是对方的 2.4 倍(193 比 81 token/秒)。

概览

规格GPT-5.5Muse Spark 1.1
提供商OpenAIMeta
发布日期2026年4月23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-5.5 (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)$5.00 / $30.00 / $0.500$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-5.5 (xhigh)Muse Spark 1.1领先者
推理68.167.8持平
编程60.765.8Muse Spark 1.1
智能体与工具61.850.9GPT-5.5
数学69.361.3GPT-5.5
知识63.669.2Muse Spark 1.1
指令遵循74.070.4GPT-5.5
人类偏好–64.5无法比较
多模态62.363.6Muse Spark 1.1
长上下文66.9–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-5.5, 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, 多模态: 62.3Muse 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 8 项基准测试中,GPT-5.5 领先 4 项,Muse Spark 1.1 领先 4 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-5.5 (xhigh)Muse Spark 1.1领先者
BenchLeader Index64.162.2不相上下
Arena Text1481†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-5.5 (xhigh)Muse Spark 1.1
每百万 token 混合价格$11.25$2.00
每百万 token 输入 / 输出$5.00 / $30.00$1.25 / $4.25
每百万 token 缓存输入$0.500$0.150
每项任务价格:聊天回复$0.011$0.0018
每项任务价格:总结一份 30 页的报告$0.078$0.018
每项任务价格:代码编辑$0.075$0.014
每项任务价格:智能体编程会话$0.420$0.092
每项任务价格:结构化信息提取$0.016$0.0034
智能体编程会话(输入大多命中缓存)$0.217$0.043
输出速度81 tok/s193 tok/s
首次回答时间38.3 秒1.8 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 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 141 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 1.1
BenchLeader IndexBenchLeader64.162.2
智能体与工具得分BenchLeader61.850.9
编程得分BenchLeader60.765.8
指令遵循得分BenchLeader74.070.4
知识得分BenchLeader63.669.2
长上下文得分BenchLeader66.9–
数学得分BenchLeader69.361.3
多模态得分BenchLeader62.363.6
推理得分BenchLeader68.167.8
人类偏好得分BenchLeader–64.5
混合价格(美元/百万 token)BenchLeader$11.25$2.00
输出速度BenchLeader81 tok/s193 tok/s
首次回答时间BenchLeader38.3 秒1.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†–
SimpleBenchSimpleBench69.0%†–
Arena Hard PromptsArena (LMArena)1499†1511
LiveBench 1.0 ReasoningLiveBench89.7%87.7%†
GPQA Diamond (AA)Artificial Analysis93.5%89.8%†
Humanity's Last Exam (AA)Artificial Analysis45.8%46.2%†
GPQA Diamond (Vals)Vals AI93.2%91.2%†
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%15.1%†
Arena ExpertArena (LMArena)1510†1504
Chess PuzzlesEpoch AI Benchmarking Hub63.0%34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%49.9%†
DTBenchEpoch AI Benchmarking Hub96.0%94.4%†
ForecastBenchForecastBench64.2%†–
BTF-3Epoch AI Benchmarking Hub14.3%†–
编程
SciCodeSciCode55.8%58.8%
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1533
显示全部 141 项基准测试
指标发布方GPT-5.5 (xhigh)Muse Spark 1.1
编程
Arena WebDevArena (LMArena)15121542
LiveBench 1.0 CodingLiveBench82.2%77.2%†
LiveCodeBenchVals AI85.3%85.9%†
SWE-bench (Vals)Vals AI82.6%82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI45.2%31.1%†
ProgramBenchVals AI0.5%0.0%†
Vibe Code Bench v1.1Vals AI69.8%72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%42.2%†
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%41.5%†
MirrorCodeEpoch AI Benchmarking Hub23.3%–
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%53.3%
ALE-BenchEpoch AI Benchmarking Hub1943.0–
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%77.9%†
GameBench 2 OverallDuelLab GameBench 249.2†–
GameBench 2 by reasoning settingDuelLab GameBench 259.9–
Design Arena WebsiteDesign Arena1248†1263
智能体与工具
Terminal-BenchTerminal-Bench84.7%†–
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench54.0%58.5%†
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†69.3%†
MCP AtlasScale AI SEAL75.3%88.1%
HiL-BenchScale AI SEAL39.7%†–
τ³-bench Bankingτ²-bench44.6%40.5%†
GDPval-AA v2.1Artificial Analysis13571216†
τ³-Banking (AA)Artificial Analysis39.0%31.8%†
ITBench SRE (AA)Artificial Analysis45.8%–
Analyst Agent (AA)Artificial Analysis50.0%–
APEX-Agents (AA)Artificial Analysis37.7%–
Finance Agent v2Vals AI51.8%57.2%†
Harvey's Legal Agent Benchmark v1Vals AI3.8%20.0%†
Legal Research BenchVals AI40.4%38.0%†
SkillsBenchVals AI62.2%59.2%†
SREBenchVals AI3.8%–
Tax Agent BenchVals AI21.8%–
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Time Horizon Index: KSPVals AI8.3%1.7%†
Arena SearchArena (LMArena)1226†–
Arena Agent Task CompletionArena (LMArena)–-6.5
DeepResearch BenchDeepResearch Bench54.0%†–
PostTrainBenchEpoch AI Benchmarking Hub23.9%–
ExploitBenchEpoch AI Benchmarking Hub47.4%†–
GBAEvalEpoch AI Benchmarking Hub53.2%†7.9%
Vending-Bench 2Andon Labs7523.8†6520.5
AutomationBenchArtificial Analysis47.3%38.9%†
GDP.pdf (AA)Artificial Analysis21.2%14.4%†
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis1135851†
Design Arena AgenticDesign Arena1113†1172
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%†–
ProofBenchVals AI50.0%39.0%
LiveBench MathematicsLiveBench95.9%87.1%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1493
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%57.8%
LiveBench 1.0 Data AnalysisLiveBench81.6%72.5%†
MMLU-ProVals AI88.1%88.7%†
LegalBenchVals AI86.5%85.0%†
CorpFinVals AI68.4%71.3%†
TaxEvalVals AI75.0%79.7%†
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL–57.0%
MultiNRCScale AI SEAL–65.6%
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%56.4%†
MedCodeVals AI49.1%–
MedScribeVals AI86.9%88.9%†
Public Benefits Bench v1.1Vals AI60.9%61.3%†
DrugDiscoveryBenchScale AI SEAL51.6%–
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%15.0%
指令遵循
LiveBench LanguageLiveBench87.4%74.3%†
LiveBench Instruction FollowingLiveBench70.7%69.6%†
IFBenchArtificial Analysis75.8%–
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)1475†1473
人类偏好
Arena TextArena (LMArena)1476†1491
EQ-Bench 4EQ-Bench1295†1244
EQ-Bench Creative Writing v3EQ-Bench1845†1928
Arena Creative WritingArena (LMArena)1448†1443
Arena Multi-turnArena (LMArena)1484†1497
Arena Longer QueriesArena (LMArena)1486†1481
多模态
Arena VisionArena (LMArena)1296†1292
MMMU-ProArtificial Analysis79.9%–
MMMU-Pro (Vals)Vals AI88.3%86.6%†
MortgageTaxVals AI68.8%66.1%†
VTBScale AI SEAL–44.8%
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%77.7%†
Arena DocumentArena (LMArena)1479†1480
MLCRArtificial Analysis28.9%7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†154.9
LiveBench 1.0LiveBench80.2%75.3%†
AA Intelligence Index v4.3.2Artificial Analysis38.433.7†
AA Progress Index v1Artificial Analysis320302.7†
Vals RSI IndexVals AI16.5%–
Vals Multimodal IndexVals AI68.1%66.7%†
安全与诚实
FORTRESSScale AI SEAL16.3%12.4%

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-5.5 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • 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 1.1:1 项分数修订。
  • GPT-5.5 (xhigh):1 项分数修订。
  • Muse Spark 1.1:2 项分数修订。
  • GPT-5.5 (xhigh):1 项新结果(AA Progress Index v1)。
  • GPT-5.5 (xhigh):价格 $2.63/M → $2.10/M。
  • GPT-5.5 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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 1.1:常见问题

GPT-5.5 比 Muse Spark 1.1 更好吗?
GPT-5.5 (xhigh) 与 Muse Spark 1.1 的质量不相上下(64.1 比 62.2,在 ±6.8 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-5.5 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 $11.25(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-5.5 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 61,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-5.5 为 1512,Muse Spark 1.1 为 1542。
GPT-5.5 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 81 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.5 还是 Muse Spark 1.1 更好?
GPT-5.5 在智能体任务方面得分更高(类别得分 62 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-5.5 为 75.3%,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-5.5 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 38.3 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-5.5 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 8 项基准测试中,GPT-5.5 领先 4 项,Muse Spark 1.1 领先 4 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。