BenchLeader

GPT-5.6 Sol vs Muse Spark 1.3

完整资料:GPT-5.6 Sol(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 13 个来源

截至 2026年11月16日,GPT-5.6 Sol 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 65.3 比 61.6,在 ±8.8 的误差范围内)。Muse Spark 1.3 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)。看重数学(70 比 56)和智能体与工具(68 比 61)选 GPT-5.6 Sol;看重知识(81 比 64)和推理(71 比 65)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 33.5 秒)。

要点(截至 2026年11月16日)

  • GPT-5.6 Sol 的 BenchLeader Index 为 65.3,Muse Spark 1.3 为 61.6(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 1.3 每百万 token 混合价格为 $2.00(标价,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GPT-5.6 Sol类别得分 68 比 61中
数学GPT-5.6 Sol类别得分 70 比 56;ProofBench 83.0% 比 55.0%高
推理Muse Spark 1.3类别得分 71 比 65;DTBench 96.5% 比 95.5%中
知识Muse Spark 1.3类别得分 81 比 64;PRBench Finance 59.5% 比 50.5%高
成本最低Muse Spark 1.3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 1.3首个回答 token 2.6 秒(Muse Spark 1.3)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 1.3 的质量不相上下(65.3 比 61.6,在 ±8.8 的误差范围内)。
  • GPT-5.6 Sol (max) 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 4.0 倍(每百万 token 混合价格 $2.00 比 $8.00)。
  • Muse Spark 1.3 的输出速度是对方的 1.6 倍(163 比 100 token/秒)。

概览

规格GPT-5.6 SolMuse Spark 1.3
提供商OpenAIMeta
发布日期2026年7月9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-5.6 Sol (max)Muse Spark 1.3
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 1.3领先者
推理64.771.0Muse Spark 1.3
编程65.8–无法比较
智能体与工具67.561.3GPT-5.6 Sol
数学70.056.3GPT-5.6 Sol
知识63.881.2Muse Spark 1.3
指令遵循71.2–无法比较
多模态65.9–无法比较
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推理智能体与工具数学知识GPT-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 智能体与工具: 67.5GPT-5.6 Sol, 数学: 70.0GPT-5.6 Sol, 知识: 63.8Muse 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 6 项基准测试中,GPT-5.6 Sol 领先 3 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-5.6 Sol (max)Muse Spark 1.3领先者
BenchLeader Index65.361.6不相上下
Arena Text1485†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-5.6 Sol (max)Muse Spark 1.3
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/s163 tok/s
首次回答时间33.5 秒2.6 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 1.3 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 175 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 1.3
BenchLeader IndexBenchLeader65.361.6
智能体与工具得分BenchLeader67.561.3
编程得分BenchLeader65.8–
指令遵循得分BenchLeader71.2–
知识得分BenchLeader63.881.2
长上下文得分BenchLeader66.7–
数学得分BenchLeader70.056.3
多模态得分BenchLeader65.9–
推理得分BenchLeader64.771.0
混合价格(美元/百万 token)BenchLeader$8.00$2.00
输出速度BenchLeader100 tok/s163 tok/s
首次回答时间BenchLeader33.5 秒2.6 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.5%–
SimpleBenchSimpleBench64.8%†81.8%
Arena Hard PromptsArena (LMArena)1511†1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench91.7%89.7%†
GPQA Diamond (AA)Artificial Analysis94.1%93.5%†
Humanity's Last Exam (AA)Artificial Analysis49.5%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
GPQA Diamond (Vals)Vals AI95.2%–
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%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis60.0%48.0%†
MysteryMechanismVals AI33.3%36.0%†
HLE-Diamond (Scale)Scale AI SEAL31.2%†25.4%
Arena ExpertArena (LMArena)1532†1521†
Chess PuzzlesEpoch AI Benchmarking Hub59.0%37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%25.0%†
LMCAEpoch AI Benchmarking Hub58.4%53.9%
DTBenchEpoch AI Benchmarking Hub95.5%96.5%
ForecastBenchForecastBench65.7%65.5%†
BTF-3Epoch AI Benchmarking Hub13.7%14.1%†
显示全部 175 项基准测试
指标发布方GPT-5.6 Sol (max)Muse Spark 1.3
编程
SciCodeSciCode57.1%58.8%†
WeirdMLWeirdML87.0%–
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†1534†
Arena WebDevArena (LMArena)1615†1655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench83.9%81.1%†
LiveCodeBenchVals AI82.6%–
IOIVals AI91.2%56.6%†
SWE-bench (Vals)Vals AI96.2%–
Code MigrationVals AI52.9%47.4%†
ProgramBenchVals AI1.5%2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI20.0%20.5%†
Vibe Code Bench v1.1Vals AI80.5%85.9%†
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†–
SWE-Bench Pro V2Scale AI SEAL95.5%†–
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†–
MirrorCodeEpoch AI Benchmarking Hub20.0%†54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%41.6%†
ALE-BenchEpoch AI Benchmarking Hub2176.91688.3†
FrontierSWEEpoch AI Benchmarking Hub32.2%25.8%†
WeirdML v3WeirdML15.0%†6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%84.3%†
Startrise FrontendStartrise66.2%†74.7%
GameBench 2 OverallDuelLab GameBench 267.0†57.7
GameBench 2 by reasoning settingDuelLab GameBench 280.0†68.5†
Design Arena WebsiteDesign Arena1319†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-Bench38.5%14.8%†
OSWorld-Verified 2.0OSWorld27.3%–
APEX-AgentsMercor51.4%†58.6%
Arena AgentArena (LMArena)4.6†2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench56.2%64.1%†
Terminal-Bench HardArtificial Analysis65.9%–
τ²-Bench Telecom (AA)Artificial Analysis85.1%–
Terminal-Bench 2.1 (Vals)Vals AI85.8%79.0%†
HiL-BenchScale AI SEAL32.3%†66.9%
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1Artificial Analysis16191681†
τ³-Banking (AA)Artificial Analysis44.3%50.5%†
ITBench SRE (AA)Artificial Analysis56.2%33.2%†
Analyst Agent (AA)Artificial Analysis47.5%37.5%†
CUA-benchVals AI8.3%5.8%†
CyberBenchVals AI76.3%72.7%†
Finance Agent v2Vals AI53.8%60.0%†
Harvey's Legal Agent Benchmark v1Vals AI2.5%23.8%†
Legal Research BenchVals AI48.1%55.3%†
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%3.8%†
Tax Agent BenchVals AI31.1%42.4%†
Terminal-Bench 4.0 (Vals)Vals AI37.9%24.8%†
Terminal-Bench ScienceVals AI20.0%10.0%†
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†–
Arena Agent Task CompletionArena (LMArena)2.3†3.7†
BALROGBALROG60.0%–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†–
AutomationBenchArtificial Analysis60.1%57.9%†
GDP.pdf (AA)Artificial Analysis27.2%26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis14791581†
Design Arena AgenticDesign Arena1238†1283†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%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%†
FACTS SearchGoogle92.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.1%74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub82.9%46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%99.2%†
ProofBenchVals AI83.0%55.0%
LiveBench MathematicsLiveBench96.2%96.0%†
Arena MathsArena (LMArena)1494†1506†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%–
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench79.8%79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
MMLU-ProVals AI89.1%–
LegalBenchVals AI87.0%–
CorpFinVals AI64.4%–
TaxEvalVals AI74.8%–
PRBench FinanceScale AI SEAL50.5%59.5%
PRBench LegalScale AI SEAL50.5%61.6%
BioMysteryBenchVals AI71.1%–
Excel Modeling BenchmarkVals AI72.3%67.4%†
MedCodeVals AI44.0%–
MedScribeVals AI85.2%–
Public Benefits Bench v1.1Vals AI66.5%–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI74.9%70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL56.5%62.2%†
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
FACTS ParametricGoogle81.1%†–
指令遵循
LiveBench LanguageLiveBench87.7%82.8%†
LiveBench Instruction FollowingLiveBench71.8%78.0%†
IFBenchArtificial Analysis72.7%–
Arena Instruction FollowingArena (LMArena)1490†1485†
人类偏好
Arena TextArena (LMArena)1485†1497†
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†1907
Arena Creative WritingArena (LMArena)1471†1468†
Arena Multi-turnArena (LMArena)1491†1493†
Arena Longer QueriesArena (LMArena)1498†1498†
多模态
Arena VisionArena (LMArena)1282†1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis83.4%82.0%†
MMMU-Pro (Vals)Vals AI88.8%–
MortgageTaxVals AI67.3%–
Humanity's Sixth SenseScale AI SEAL30.0%37.4%†
GeoBenchGeoBench73.0%†86.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub33.6%†–
Furniture AssemblyEpoch AI Benchmarking Hub56.7%–
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
FACTS MultimodalGoogle46.4%†–
长上下文
AA-LCR v1.1Artificial Analysis84.0%83.0%†
Arena DocumentArena (LMArena)1487†1474†
MLCRArtificial Analysis30.0%13.9%†
FACTS GroundingGoogle61.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench81.0%81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis47.048.1†
AA Progress Index v1Artificial Analysis331.5324.5†
Vals RSI IndexVals AI23.9%19.6%†
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%–
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
FORTRESSScale AI SEAL20.1%†–
DistressBenchScale AI SEAL73.6%†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-5.6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • GPT-5.6 Sol (max):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。
  • Muse Spark 1.3:2 项新结果(SimpleBench, GeoBench)。
  • GPT-5.6 Sol (max):BenchLeader Index 65.8 → 65.3。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。
  • GPT-5.6 Sol (max):1 项分数修订。
  • 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-5.6 Sol vs Muse Spark 1.3:常见问题

GPT-5.6 Sol 比 Muse Spark 1.3 更好吗?
GPT-5.6 Sol (max) 与 Muse Spark 1.3 的质量不相上下(65.3 比 61.6,在 ±8.8 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-5.6 Sol 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 $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-5.6 Sol 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 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 1.3 更好?
GPT-5.6 Sol 在智能体任务方面得分更高(类别得分 68 比 61,50 为平均水平)。
处理长文档哪个更好?
两者都约为 1.1M token(GPT-5.6 Sol 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 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 1.3 的看法一致吗?
在两者都有结果的 6 项基准测试中,GPT-5.6 Sol 领先 3 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。