BenchLeader

GPT-5.6 Sol vs Muse Spark 1.1

完整资料:GPT-5.6 Sol(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 13 个来源

截至 2026年11月16日,GPT-5.6 Sol 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 65.3 比 62.2,在 ±6.4 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 4.0 倍(每百万 token 混合价格 $2.00 比 $8.00)。看重智能体与工具(68 比 51)、数学(70 比 61)和多模态(66 比 64)选 GPT-5.6 Sol;看重知识(69 比 64)和推理(68 比 65)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 33.5 秒)。Muse Spark 1.1 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 的 BenchLeader Index 为 65.3,Muse Spark 1.1 为 62.2(BenchLeader,2026年11月16日)。
  • GPT-5.6 Sol 每百万 token 混合价格为 $8.00(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-5.6 Sol 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 7 项基准测试中,GPT-5.6 Sol 领先 4 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
编程均可类别得分 66 比 66;SciCode 57.1% 比 58.8%均可
智能体与工具调用GPT-5.6 Sol类别得分 68 比 51高
数学GPT-5.6 Sol类别得分 70 比 61;ProofBench 83.0% 比 39.0%高
推理Muse Spark 1.1类别得分 68 比 65中
知识Muse Spark 1.1类别得分 69 比 64;PRBench Finance 55.0% 比 50.5%中
图像及其他媒体GPT-5.6 Sol类别得分 66 比 64中
指令遵循均可类别得分 71 比 70均可
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 $8.00;智能体编程会话 $0.092 比 $0.320–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 33.5 秒(GPT-5.6 Sol (max))–
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-5.6 Sol (max) 与 Muse Spark 1.1 的质量不相上下(65.3 比 62.2,在 ±6.4 的误差范围内)。
  • GPT-5.6 Sol (max) 在智能体与工具、指令遵循、数学、多模态方面更强。
  • Muse Spark 1.1 在知识、推理方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 4.0 倍(每百万 token 混合价格 $2.00 比 $8.00)。
  • Muse Spark 1.1 的输出速度是对方的 1.9 倍(193 比 100 token/秒)。

概览

规格GPT-5.6 SolMuse Spark 1.1
提供商OpenAIMeta
发布日期2026年7月9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-5.6 Sol (max)Muse Spark 1.1
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$4.00 / $20.00 / $0.400$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-5.6 Sol (max)Muse Spark 1.1领先者
推理64.767.8Muse Spark 1.1
编程65.865.8持平
智能体与工具67.550.9GPT-5.6 Sol
数学70.061.3GPT-5.6 Sol
知识63.869.2Muse Spark 1.1
指令遵循71.270.4持平
人类偏好–64.5无法比较
多模态65.963.6GPT-5.6 Sol
长上下文66.7–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推理编程智能体与工具数学知识指令遵循多模态GPT-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知识: 63.8GPT-5.6 Sol, 指令遵循: 71.2GPT-5.6 Sol, 多模态: 65.9Muse 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 7 项基准测试中,GPT-5.6 Sol 领先 4 项,Muse Spark 1.1 领先 3 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-5.6 Sol (max)Muse Spark 1.1领先者
BenchLeader Index65.362.2不相上下
Arena Text1485†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-5.6 Sol (max)Muse Spark 1.1
每百万 token 混合价格$8.00$2.00
每百万 token 输入 / 输出$4.00 / $20.00$1.25 / $4.25
每百万 token 缓存输入$0.400$0.150
每项任务价格:聊天回复$0.0076$0.0018
每项任务价格:总结一份 30 页的报告$0.060$0.018
每项任务价格:代码编辑$0.054$0.014
每项任务价格:智能体编程会话$0.320$0.092
每项任务价格:结构化信息提取$0.012$0.0034
智能体编程会话(输入大多命中缓存)$0.158$0.043
输出速度100 tok/s193 tok/s
首次回答时间33.5 秒1.8 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-5.6 Sol (max) 得分 65.3,首个回答 token 需 34 秒;GPT-5.6 Sol (xhigh) 为 63.9(17 秒),GPT-5.6 Sol (high) 为 63.4(10 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 156 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-5.6 Sol (max)Muse Spark 1.1
BenchLeader IndexBenchLeader65.362.2
智能体与工具得分BenchLeader67.550.9
编程得分BenchLeader65.865.8
指令遵循得分BenchLeader71.270.4
知识得分BenchLeader63.869.2
长上下文得分BenchLeader66.7–
数学得分BenchLeader70.061.3
多模态得分BenchLeader65.963.6
推理得分BenchLeader64.767.8
人类偏好得分BenchLeader–64.5
混合价格(美元/百万 token)BenchLeader$8.00$2.00
输出速度BenchLeader100 tok/s193 tok/s
首次回答时间BenchLeader33.5 秒1.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%–
SimpleBenchSimpleBench64.8%†–
Arena Hard PromptsArena (LMArena)1511†1511
LiveBench 1.0 ReasoningLiveBench91.7%87.7%†
GPQA Diamond (AA)Artificial Analysis94.1%89.8%†
Humanity's Last Exam (AA)Artificial Analysis49.5%46.2%†
GPQA Diamond (Vals)Vals AI95.2%91.2%†
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†–
ARC-AGI-1ARC Prize96.5%–
ARC-AGI-2ARC Prize92.5%–
ARC-AGI-3ARC Prize7.8%–
CritPtArtificial Analysis32.3%15.1%†
CritPt v2 hard subset (AA)Artificial Analysis60.0%–
MysteryMechanismVals AI33.3%–
HLE-Diamond (Scale)Scale AI SEAL31.2%†–
Arena ExpertArena (LMArena)1532†1504
Chess PuzzlesEpoch AI Benchmarking Hub59.0%34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%–
LMCAEpoch AI Benchmarking Hub58.4%49.9%†
DTBenchEpoch AI Benchmarking Hub95.5%94.4%†
ForecastBenchForecastBench65.7%–
BTF-3Epoch AI Benchmarking Hub13.7%–
编程
SciCodeSciCode57.1%58.8%
WeirdMLWeirdML87.0%–
显示全部 156 项基准测试
指标发布方GPT-5.6 Sol (max)Muse Spark 1.1
编程
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1533
Arena WebDevArena (LMArena)1615†1542
LiveBench 1.0 CodingLiveBench83.9%77.2%†
LiveCodeBenchVals AI82.6%85.9%†
IOIVals AI91.2%–
SWE-bench (Vals)Vals AI96.2%82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI52.9%31.1%†
ProgramBenchVals AI1.5%0.0%†
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†42.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†41.5%†
SWE-Bench Pro V2Scale AI SEAL95.5%†–
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†–
MirrorCodeEpoch AI Benchmarking Hub20.0%†–
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%53.3%
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.9–
FrontierSWEEpoch AI Benchmarking Hub32.2%–
WeirdML v3WeirdML15.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%77.9%†
Startrise FrontendStartrise66.2%†–
GameBench 2 OverallDuelLab GameBench 267.0†–
GameBench 2 by reasoning settingDuelLab GameBench 280.0†–
Design Arena WebsiteDesign Arena1319†1263
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
OSWorld-Verified 2.0OSWorld27.3%–
APEX-AgentsMercor51.4%†31.8%
Arena AgentArena (LMArena)4.6†-8
LiveBench Agentic CodingLiveBench56.2%58.5%†
Terminal-Bench HardArtificial Analysis65.9%–
τ²-Bench Telecom (AA)Artificial Analysis85.1%–
Terminal-Bench 2.1 (Vals)Vals AI85.8%69.3%†
MCP AtlasScale AI SEAL–88.1%
HiL-BenchScale AI SEAL32.3%†–
τ³-bench Bankingτ²-bench46.9%†40.5%†
GDPval-AA v2.1Artificial Analysis16191216†
τ³-Banking (AA)Artificial Analysis44.3%31.8%†
ITBench SRE (AA)Artificial Analysis56.2%–
Analyst Agent (AA)Artificial Analysis47.5%–
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%–
Finance Agent v2Vals AI53.8%57.2%†
Harvey's Legal Agent Benchmark v1Vals AI2.5%20.0%†
Legal Research BenchVals AI48.1%38.0%†
SkillsBenchVals AI54.1%59.2%†
SREBenchVals AI30.5%–
Tax Agent BenchVals AI31.1%–
Terminal-Bench 4.0 (Vals)Vals AI37.9%–
Terminal-Bench ScienceVals AI20.0%–
Time Horizon Index: KSPVals AI23.8%1.7%†
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†–
Arena Agent Task CompletionArena (LMArena)2.3†-6.5
BALROGBALROG60.0%–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub52.6%†7.9%
Vending-Bench 2Andon Labs9619.4†6520.5
AutomationBenchArtificial Analysis60.1%38.9%†
GDP.pdf (AA)Artificial Analysis27.2%14.4%†
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis1479851†
Design Arena AgenticDesign Arena1238†1172
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%–
FACTS SearchGoogle92.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%–
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI83.0%39.0%
LiveBench MathematicsLiveBench96.2%87.1%†
Arena MathsArena (LMArena)1494†1493
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%57.8%
LiveBench 1.0 Data AnalysisLiveBench79.8%72.5%†
MMLU-ProVals AI89.1%88.7%†
LegalBenchVals AI87.0%85.0%†
CorpFinVals AI64.4%71.3%†
TaxEvalVals AI74.8%79.7%†
PRBench FinanceScale AI SEAL50.5%55.0%
PRBench LegalScale AI SEAL50.5%57.0%
MultiNRCScale AI SEAL–65.6%
BioMysteryBenchVals AI71.1%–
Excel Modeling BenchmarkVals AI72.3%56.4%†
MedCodeVals AI44.0%–
MedScribeVals AI85.2%88.9%†
Public Benefits Bench v1.1Vals AI66.5%61.3%†
Financial Coaching BenchVals AI74.9%–
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%15.0%
FACTS ParametricGoogle81.1%†–
指令遵循
LiveBench LanguageLiveBench87.7%74.3%†
LiveBench Instruction FollowingLiveBench71.8%69.6%†
IFBenchArtificial Analysis72.7%–
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)1490†1473
人类偏好
Arena TextArena (LMArena)1485†1491
EQ-Bench 4EQ-Bench1236†1244
EQ-Bench Creative Writing v3EQ-Bench1974†1928
Arena Creative WritingArena (LMArena)1471†1443
Arena Multi-turnArena (LMArena)1491†1497
Arena Longer QueriesArena (LMArena)1498†1481
多模态
Arena VisionArena (LMArena)1282†1292
MMMU-ProArtificial Analysis83.4%–
MMMU-Pro (Vals)Vals AI88.8%86.6%†
MortgageTaxVals AI67.3%66.1%†
Humanity's Sixth SenseScale AI SEAL30.0%–
VTBScale AI SEAL–44.8%
GeoBenchGeoBench73.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub56.7%–
FACTS MultimodalGoogle46.4%†–
长上下文
AA-LCR v1.1Artificial Analysis84.0%77.7%†
Arena DocumentArena (LMArena)1487†1480
MLCRArtificial Analysis30.0%7.2%†
FACTS GroundingGoogle61.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†154.9
LiveBench 1.0LiveBench81.0%75.3%†
AA Intelligence Index v4.3.2Artificial Analysis47.033.7†
AA Progress Index v1Artificial Analysis331.5302.7†
Vals RSI IndexVals AI23.9%–
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%66.7%†
安全与诚实
FORTRESSScale AI SEAL20.1%†12.4%
DistressBenchScale AI SEAL73.6%†–

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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):1 项分数修订。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Muse Spark 1.1:1 项分数修订。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Muse Spark 1.1:2 项分数修订。
  • GPT-5.6 Sol (max):2 项新结果(AA Progress Index v1, CritPt v2 hard subset (AA))。
  • GPT-5.6 Sol (max):1 项新结果(AA-Briefcase v1.1)。
  • Muse Spark 1.1:1 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-5.6 Sol vs Muse Spark 1.1:常见问题

GPT-5.6 Sol 比 Muse Spark 1.1 更好吗?
GPT-5.6 Sol (max) 与 Muse Spark 1.1 的质量不相上下(65.3 比 62.2,在 ±6.4 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-5.6 Sol 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 $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。
编程用 GPT-5.6 Sol 还是 Muse Spark 1.1 更好?
两者在编程方面持平(类别得分 66 比 66)。在两者共同的最主要编程基准测试 SciCode 上,GPT-5.6 Sol 为 57.1%,Muse Spark 1.1 为 58.8%。
GPT-5.6 Sol 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 1.5 倍;输出 193 比 100 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Sol 还是 Muse Spark 1.1 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 比 51,50 为平均水平)。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.6 Sol 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 33.5 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-5.6 Sol 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 7 项基准测试中,GPT-5.6 Sol 领先 4 项,Muse Spark 1.1 领先 3 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
GPT-5.6 Sol 是什么时候发布的?
GPT-5.6 Sol 于 2026年7月9日 发布。