BenchLeader

GPT-5.5 vs Muse Spark 1.3

完整资料:GPT-5.5(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 14 个来源

截至 2026年11月16日,GPT-5.5 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 64.1 比 61.6,在 ±9.1 的误差范围内)。Muse Spark 1.3 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)。看重数学(69 比 56)选 GPT-5.5;看重知识(81 比 64)和推理(71 比 68)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 38.3 秒)。Muse Spark 1.3 的输出更快。

要点(截至 2026年11月16日)

  • GPT-5.5 的 BenchLeader Index 为 64.1,Muse Spark 1.3 为 61.6(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 1.3 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-5.5 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 4 项基准测试中,Muse Spark 1.3 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
智能体与工具调用均可类别得分 62 比 61均可
数学GPT-5.5类别得分 69 比 56;ProofBench 50.0% 比 55.0%高
推理Muse Spark 1.3类别得分 71 比 68;DTBench 96.5% 比 96.0%中
知识Muse Spark 1.3类别得分 81 比 64;GDP.pdf 27.6% 比 26.0%高
成本最低Muse Spark 1.3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 1.3首个回答 token 2.6 秒(Muse Spark 1.3)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 1.3 的质量不相上下(64.1 比 61.6,在 ±9.1 的误差范围内)。
  • GPT-5.5 (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 5.6 倍(每百万 token 混合价格 $2.00 比 $11.25)。
  • Muse Spark 1.3 的输出速度是对方的 2.0 倍(163 比 81 token/秒)。

概览

规格GPT-5.5Muse Spark 1.3
提供商OpenAIMeta
发布日期2026年4月23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-5.5 (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)$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 1.3领先者
推理68.171.0Muse Spark 1.3
编程60.7–无法比较
智能体与工具61.861.3持平
数学69.356.3GPT-5.5
知识63.681.2Muse Spark 1.3
指令遵循74.0–无法比较
多模态62.3–无法比较
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推理智能体与工具数学知识GPT-5.5, 推理: 68.1GPT-5.5, 智能体与工具: 61.8GPT-5.5, 数学: 69.3GPT-5.5, 知识: 63.6Muse 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 4 项基准测试中,GPT-5.5 领先 1 项,Muse Spark 1.3 领先 3 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-5.5 (xhigh)Muse Spark 1.3领先者
BenchLeader Index64.161.6不相上下
Arena Text1481†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-5.5 (xhigh)Muse Spark 1.3
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/s163 tok/s
首次回答时间38.3 秒2.6 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 1.3 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 178 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 1.3
BenchLeader IndexBenchLeader64.161.6
智能体与工具得分BenchLeader61.861.3
编程得分BenchLeader60.7–
指令遵循得分BenchLeader74.0–
知识得分BenchLeader63.681.2
长上下文得分BenchLeader66.9–
数学得分BenchLeader69.356.3
多模态得分BenchLeader62.3–
推理得分BenchLeader68.171.0
混合价格(美元/百万 token)BenchLeader$11.25$2.00
输出速度BenchLeader81 tok/s163 tok/s
首次回答时间BenchLeader38.3 秒2.6 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub90.7%†–
SimpleBenchSimpleBench69.0%†81.8%
Arena Hard PromptsArena (LMArena)1499†1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench89.7%89.7%†
GPQA Diamond (AA)Artificial Analysis93.5%93.5%†
Humanity's Last Exam (AA)Artificial Analysis45.8%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
GPQA Diamond (Vals)Vals AI93.2%–
Kagi LLM BenchmarkKagi LLM Benchmark88.8%†–
ARC-AGI-1ARC Prize95.0%–
ARC-AGI-2ARC Prize85.0%–
ARC-AGI-3ARC Prize0.4%†–
CritPtArtificial Analysis27.1%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)1510†1521†
Chess PuzzlesEpoch AI Benchmarking Hub63.0%37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%25.0%†
CL-bench LifeEpoch AI Benchmarking Hub22.2%†–
LMCAEpoch AI Benchmarking Hub54.3%53.9%
DTBenchEpoch AI Benchmarking Hub96.0%96.5%
ForecastBenchForecastBench64.2%†65.5%†
BTF-3Epoch AI Benchmarking Hub14.3%†14.1%†
显示全部 178 项基准测试
指标发布方GPT-5.5 (xhigh)Muse Spark 1.3
编程
SciCodeSciCode55.8%58.8%†
WeirdMLWeirdML84.9%–
FrontierCodeCognition43.0%†–
GSO-BenchGSO-Bench40.2%–
Arena CodingArena (LMArena)1510†1534†
Arena WebDevArena (LMArena)15121655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench82.2%81.1%†
LiveCodeBenchVals AI85.3%–
IOIVals AI–56.6%†
SWE-bench (Vals)Vals AI82.6%–
Code MigrationVals AI45.2%47.4%†
ProgramBenchVals AI0.5%2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI–20.5%†
Vibe Code Bench v1.1Vals AI69.8%85.9%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL45.4%–
SWE Atlas v1.0: RefactoringScale AI SEAL44.8%–
SWE Atlas v1.0: Test WritingScale AI SEAL42.6%–
MirrorCodeEpoch AI Benchmarking Hub23.3%54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub88.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub67.0%–
CursorBenchCursor–41.6%†
ALE-BenchEpoch AI Benchmarking Hub1943.01688.3†
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis14.7%33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%84.3%†
Startrise FrontendStartrise–74.7%
GameBench 2 OverallDuelLab GameBench 249.2†57.7
GameBench 2 by reasoning settingDuelLab GameBench 259.968.5†
Design Arena WebsiteDesign Arena1248†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-Bench84.7%†14.8%†
OSWorld-Verified 2.0OSWorld13.0%–
Remote Labor IndexScale AI / CAIS6.3%†–
APEX-AgentsMercor55.1%†58.6%
Arena AgentArena (LMArena)–2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench54.0%64.1%†
Terminal-Bench HardArtificial Analysis60.6%–
τ²-Bench Telecom (AA)Artificial Analysis93.9%–
Terminal-Bench 2.1 (Vals)Vals AI57.3%†79.0%†
MCP AtlasScale AI SEAL75.3%–
HiL-BenchScale AI SEAL39.7%†66.9%
τ³-bench Bankingτ²-bench44.6%–
GDPval-AA v2.1Artificial Analysis13571681†
τ³-Banking (AA)Artificial Analysis39.0%50.5%†
ITBench SRE (AA)Artificial Analysis45.8%33.2%†
Analyst Agent (AA)Artificial Analysis50.0%37.5%†
APEX-Agents (AA)Artificial Analysis37.7%–
CUA-benchVals AI–5.8%†
CyberBenchVals AI–72.7%†
Finance Agent v2Vals AI51.8%60.0%†
Harvey's Legal Agent Benchmark v1Vals AI3.8%23.8%†
Legal Research BenchVals AI40.4%55.3%†
SkillsBenchVals AI62.2%–
SREBenchVals AI3.8%3.8%†
Tax Agent BenchVals AI21.8%42.4%†
Terminal-Bench 2.0 (Vals)Vals AI73.2%†–
Terminal-Bench 4.0 (Vals)Vals AI–24.8%†
Terminal-Bench ScienceVals AI–10.0%†
Time Horizon Index: KSPVals AI8.3%–
Arena SearchArena (LMArena)1226†–
Arena Agent Task CompletionArena (LMArena)–3.7†
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%57.9%†
GDP.pdf (AA)Artificial Analysis21.2%26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
EnterpriseOps-GymArtificial Analysis46.6%–
AA-Briefcase v1.1Artificial Analysis11351581†
Design Arena AgenticDesign Arena1113†1283†
RoboDojo (LLM as robot policy)RoboDojo1.1†–
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%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub85.3%74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub72.5%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub84.4%†99.2%†
ProofBenchVals AI50.0%55.0%
LiveBench MathematicsLiveBench95.9%96.0%†
AIME 2026MathArena100.0%–
HMMT February 2026MathArena98.5%–
USAMO 2026MathArena98.2%–
MathArena ApexMathArena80.2%–
Arena MathsArena (LMArena)1500†1506†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub63.0%–
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench81.6%79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
MMLU-ProVals AI88.1%–
LegalBenchVals AI86.5%–
CorpFinVals AI68.4%–
TaxEvalVals AI75.0%–
PRBench FinanceScale AI SEAL–59.5%
PRBench LegalScale AI SEAL–61.6%
CaseLaw v2Vals AI66.2%–
Excel Modeling BenchmarkVals AI64.5%67.4%†
MedCodeVals AI49.1%–
MedScribeVals AI86.9%–
Public Benefits Bench v1.1Vals AI60.9%–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI–70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL51.6%62.2%†
EBR-benchEpoch AI Benchmarking Hub34.3%–
GDP.pdfEpoch AI Benchmarking Hub26.0%27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
指令遵循
LiveBench LanguageLiveBench87.4%82.8%†
LiveBench Instruction FollowingLiveBench70.7%78.0%†
IFBenchArtificial Analysis75.8%–
Arena Instruction FollowingArena (LMArena)1475†1485†
人类偏好
Arena TextArena (LMArena)1476†1497†
EQ-Bench 4EQ-Bench1295†–
EQ-Bench Creative Writing v3EQ-Bench1845†1907
Arena Creative WritingArena (LMArena)1448†1468†
Arena Multi-turnArena (LMArena)1484†1493†
Arena Longer QueriesArena (LMArena)1486†1498†
多模态
Arena VisionArena (LMArena)1296†1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis79.9%82.0%†
MMMU-Pro (Vals)Vals AI88.3%–
MortgageTaxVals AI68.8%–
Humanity's Sixth SenseScale AI SEAL–37.4%†
GeoBenchGeoBench–86.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub36.2%†–
Furniture AssemblyEpoch AI Benchmarking Hub44.2%–
Code2Video-AAArtificial Analysis10001019†
AA-3DArtificial Analysis–1032†
长上下文
AA-LCR v1.1Artificial Analysis84.3%83.0%†
Arena DocumentArena (LMArena)1479†1474†
MLCRArtificial Analysis28.9%13.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.1†158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench80.2%81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis38.448.1†
AA Progress Index v1Artificial Analysis320324.5†
Vals RSI IndexVals AI16.5%19.6%†
Vals Multimodal IndexVals AI68.1%–
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
FORTRESSScale AI SEAL16.3%–
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-5.5 (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。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 59.2 → 60.2。
  • GPT-5.5 (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。

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 1.3:常见问题

GPT-5.5 比 Muse Spark 1.3 更好吗?
GPT-5.5 (xhigh) 与 Muse Spark 1.3 的质量不相上下(64.1 比 61.6,在 ±9.1 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 1.3 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 $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。
GPT-5.5 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 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 1.3 更好?
两者在智能体任务方面持平(类别得分 62 比 61)。
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 1.3 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 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 1.3 的看法一致吗?
在两者都有结果的 4 项基准测试中,GPT-5.5 领先 1 项,Muse Spark 1.3 领先 3 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。