BenchLeader

GPT-5.6 Sol vs Muse Spark Open

完整资料:GPT-5.6 Sol(OpenAI)和 Muse Spark Open(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,质量上 GPT-5.6 Sol 领先 Muse Spark Open(BenchLeader Index 65.3 比 53.5)。不过,Muse Spark Open 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)。在两者都有成绩的所有类别中,GPT-5.6 Sol 均领先。Muse Spark Open 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 Open 为 53.5(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 Open 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark Open 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 27 项基准测试中,GPT-5.6 Sol 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GPT-5.6 Sol类别得分 66 比 36;Code Migration 52.9% 比 21.2%高
推理GPT-5.6 Sol类别得分 65 比 51;ARC-AGI-2 92.5% 比 57.5%高
知识GPT-5.6 Sol类别得分 64 比 59;Excel Modeling Benchmark 72.3% 比 53.7%中
长文档GPT-5.6 Sol类别得分 67 比 64;AA-LCR v1.1 84.0% 比 78.3%中
图像及其他媒体GPT-5.6 Sol类别得分 66 比 63;MMMU-Pro 83.4% 比 80.9%中
成本最低Muse Spark Open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 Open首个回答 token 9.9 秒(Muse Spark Open (xhigh))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

  • 质量上 GPT-5.6 Sol (max) 领先:65.3 比 53.5。
  • GPT-5.6 Sol (max) 在编程、知识、长上下文、多模态、推理方面更强。
  • Muse Spark Open (xhigh) 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 Open (xhigh) 的输出速度是对方的 1.8 倍(180 比 100 token/秒)。

概览

规格GPT-5.6 SolMuse Spark Open
提供商OpenAIMeta
发布日期2026年7月9日2026年10月15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 Open (xhigh)
开放权重否是
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 Open (xhigh)领先者
推理64.751.3GPT-5.6 Sol
编程65.836.0GPT-5.6 Sol
智能体与工具67.5–无法比较
数学70.0–无法比较
知识63.858.8GPT-5.6 Sol
指令遵循71.2–无法比较
多模态65.963.3GPT-5.6 Sol
长上下文66.763.8GPT-5.6 Sol

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推理编程知识长上下文多模态GPT-5.6 Sol, 推理: 64.7GPT-5.6 Sol, 编程: 65.8GPT-5.6 Sol, 知识: 63.8GPT-5.6 Sol, 长上下文: 66.7GPT-5.6 Sol, 多模态: 65.9Muse Spark Open, 推理: 51.3Muse Spark Open, 编程: 36.0Muse Spark Open, 知识: 58.8Muse Spark Open, 长上下文: 63.8Muse Spark Open, 多模态: 63.3

未绘制(测得的模型少于两个):智能体与工具, 数学, 指令遵循, 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 27 项基准测试中,GPT-5.6 Sol 领先 24 项,Muse Spark Open 领先 3 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。

综合 IndexGPT-5.6 Sol (max)Muse Spark Open (xhigh)领先者
BenchLeader Index65.353.5GPT-5.6 Sol

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 Open (xhigh)
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
每项基准测试任务成本(AA Index)–$2.02
每项任务输出 token(AA Index)–66k
其中推理部分–32k
每项任务耗时(AA Index)–6 min
输出速度100 tok/s180 tok/s
首次回答时间33.5 秒9.9 秒
完整回答耗时(最近一次测量 2026年11月13日)157.3 秒39.9 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 Open (xhigh) 得分 53.5,首个回答 token 需 10 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 184 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 Open (xhigh)
BenchLeader IndexBenchLeader65.353.5
智能体与工具得分BenchLeader67.5–
编程得分BenchLeader65.836.0
指令遵循得分BenchLeader71.2–
知识得分BenchLeader63.858.8
长上下文得分BenchLeader66.763.8
数学得分BenchLeader70.0–
多模态得分BenchLeader65.963.3
推理得分BenchLeader64.751.3
混合价格(美元/百万 token)BenchLeader$8.00$2.00
输出速度BenchLeader100 tok/s180 tok/s
首次回答时间BenchLeader33.5 秒9.9 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†–
LiveBench 2.0 ReasoningLiveBench–73.7%†
LiveBench 1.0 ReasoningLiveBench91.7%–
GPQA Diamond (AA)Artificial Analysis94.1%89.0%
Humanity's Last Exam (AA)Artificial Analysis49.5%43.9%
HLE-Diamond (AA)Artificial Analysis–26.3%
GPQA Diamond (Vals)Vals AI95.2%–
EnigmaEvalScale AI SEAL37.1%†–
Kagi LLM BenchmarkKagi LLM Benchmark67.0%†–
ARC-AGI-1ARC Prize96.5%89.0%
ARC-AGI-2ARC Prize92.5%57.5%
ARC-AGI-3ARC Prize7.8%0.4%
CritPtArtificial Analysis32.3%14.9%
CritPt v2 hard subset (AA)Artificial Analysis60.0%29.5%
MysteryMechanismVals AI33.3%–
HLE-Diamond (Scale)Scale AI SEAL31.2%†28.0%†
Arena ExpertArena (LMArena)1532†–
Chess PuzzlesEpoch AI Benchmarking Hub59.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub58.0%–
LMCAEpoch AI Benchmarking Hub58.4%–
DTBenchEpoch AI Benchmarking Hub95.5%–
ForecastBenchForecastBench65.7%–
BTF-3Epoch AI Benchmarking Hub13.7%–
显示全部 184 项基准测试
指标发布方GPT-5.6 Sol (max)Muse Spark Open (xhigh)
编程
SciCodeSciCode57.1%–
WeirdMLWeirdML87.0%–
FrontierCodeCognition47.5%†–
GSO-BenchGSO-Bench76.5%†–
Arena CodingArena (LMArena)1533†–
Arena WebDevArena (LMArena)1615†1526†
LiveBench 2.0 CodingLiveBench–55.1%†
LiveBench 1.0 CodingLiveBench83.9%–
SciCode (AA)Artificial Analysis57.1%58.5%
LiveCodeBenchVals AI82.6%–
IOIVals AI91.2%–
SWE-bench (Vals)Vals AI96.2%–
Code MigrationVals AI52.9%21.2%
Code Migration v1.1Vals AI–26.9%
ProgramBenchVals AI1.5%–
Vibe Code Bench 1-100Vals AI20.0%–
Vibe Code Bench v1.1Vals AI80.5%76.2%
SWE Atlas v1.0: Codebase QnAScale AI SEAL46.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL45.9%†–
SWE Atlas v1.1Scale AI SEAL–42.3%†
SWE Atlas v1.1: Codebase QnAScale AI SEAL–50.0%†
SWE Atlas v1.1: Test WritingScale AI SEAL–41.1%†
SWE Atlas v1.1: RefactoringScale AI SEAL–35.7%†
SWE-Bench Pro V2Scale AI SEAL95.5%†95.0%
SWE-Bench Pro V2 HARDScale AI SEAL82.4%†82.3%
MirrorCodeEpoch AI Benchmarking Hub20.0%†–
Surface Evolver BenchEpoch AI Benchmarking Hub93.1%†–
DeepSWE v1.1Epoch AI Benchmarking Hub72.7%–
CursorBenchCursor41.7%–
ALE-BenchEpoch AI Benchmarking Hub2176.9–
FrontierSWEEpoch AI Benchmarking Hub32.2%–
WeirdML v3WeirdML15.0%†–
Terminal-Bench 4.0 (AA)Artificial Analysis39.9%8.1%
Terminal-Bench 2.1 (AA)Artificial Analysis88.0%76.4%
Startrise FrontendStartrise66.2%†–
GameBench 2 OverallDuelLab GameBench 267.0†55.3†
GameBench 2 by reasoning settingDuelLab GameBench 280.0†59.3
Design Arena WebsiteDesign Arena1319†1305
FrontierCode 1.1 (AA)Artificial Analysis–27.6%
FrontierCode 2.0 (AA)Artificial Analysis–7.6%
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
OSWorld-Verified 2.0OSWorld27.3%–
APEX-AgentsMercor51.4%†–
Arena AgentArena (LMArena)4.6†–
LiveBench Long AgenticLiveBench–12.1%†
LiveBench BrowserLiveBench–26.2%†
LiveBench Agentic CodingLiveBench56.2%–
Terminal-Bench HardArtificial Analysis65.9%–
τ²-Bench Telecom (AA)Artificial Analysis85.1%–
Terminal-Bench 2.1 (Vals)Vals AI85.8%–
HiL-BenchScale AI SEAL32.3%†59.7%†
τ³-bench Bankingτ²-bench46.9%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–45.1%
GDPval-AA v2.1Artificial Analysis16191401
τ³-Banking (AA)Artificial Analysis44.3%–
ITBench SRE (AA)Artificial Analysis56.2%–
Analyst Agent (AA)Artificial Analysis47.5%–
CUA-benchVals AI8.3%–
CyberBenchVals AI76.3%–
Finance Agent v2Vals AI53.8%61.3%
Finance Agent v2.1Vals AI–60.7%
Harvey's Legal Agent Benchmark v1.1Vals AI–25.0%
Harvey's Legal Agent Benchmark v1Vals AI2.5%16.7%
Legal Research BenchVals AI48.1%38.5%
SkillsBenchVals AI54.1%–
SREBenchVals AI30.5%–
Tax Agent BenchVals AI31.1%26.3%
Terminal-Bench 4.0 (Vals)Vals AI37.9%6.6%
Terminal-Bench ScienceVals AI20.0%–
Time Horizon Index: KSPVals AI23.8%–
Web Search IndexVals AI43.6%–
Arena SearchArena (LMArena)1255†–
Arena Agent Task CompletionArena (LMArena)2.3†–
BALROGBALROG60.0%–
PostTrainBenchEpoch AI Benchmarking Hub31.0%–
GBAEvalEpoch AI Benchmarking Hub52.6%†–
Vending-Bench 2Andon Labs9619.4†–
AutomationBenchArtificial Analysis60.1%49.7%
GDP.pdf (AA)Artificial Analysis27.2%18.6%
EnterpriseOps-GymArtificial Analysis42.9%–
AA-Briefcase v1.1Artificial Analysis14791280
GDPxGDPx by SemiAnalysis–1.7%†
Design Arena AgenticDesign Arena1238†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis22.4%1.9%
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%–
LiveBench MathematicsLiveBench96.2%–
ArXivMathMathArena–27.0%
BrokenArXivMathArena–30.1%
Arena MathsArena (LMArena)1494†–
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub69.7%–
LiveBench 2.0 Data AnalysisLiveBench–60.2%†
LiveBench ResearchLiveBench–82.7%†
LiveBench 1.0 Data AnalysisLiveBench79.8%–
AA-Omniscience v1.1Artificial Analysis–25.8
MMLU-ProVals AI89.1%–
LegalBenchVals AI87.0%–
CorpFinVals AI64.4%–
TaxEvalVals AI74.8%–
PRBench FinanceScale AI SEAL50.5%–
PRBench LegalScale AI SEAL50.5%59.8%†
BioMysteryBenchVals AI71.1%–
Excel Modeling BenchmarkVals AI72.3%53.7%
Excel Modeling Benchmark v1.1Vals AI–62.0%
MedCodeVals AI44.0%–
MedScribeVals AI85.2%–
Public Benefits Bench v1.1Vals AI66.5%–
Financial Coaching BenchVals AI74.9%–
DrugDiscoveryBenchScale AI SEAL56.5%–
EBR-benchEpoch AI Benchmarking Hub44.8%–
GDP.pdfEpoch AI Benchmarking Hub30.7%–
AA-Omniscience v1.1: accuracyArtificial Analysis–42.0%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.0%
FACTS ParametricGoogle81.1%†–
指令遵循
LiveBench LanguageLiveBench87.7%–
LiveBench Instruction FollowingLiveBench71.8%–
IFBenchArtificial Analysis72.7%–
MultiChallengeScale AI SEAL–74.2%†
Arena Instruction FollowingArena (LMArena)1490†–
人类偏好
Arena TextArena (LMArena)1485†–
EQ-Bench 4EQ-Bench1236†–
EQ-Bench Creative Writing v3EQ-Bench1974†–
Arena Creative WritingArena (LMArena)1471†–
Arena Multi-turnArena (LMArena)1491†–
Arena Longer QueriesArena (LMArena)1498†–
多模态
Arena VisionArena (LMArena)1282†–
LiveBench DesignLiveBench–58.1%†
MMMU-ProArtificial Analysis83.4%80.9%
MMMU-Pro (Vals)Vals AI88.8%–
MortgageTaxVals AI67.3%–
SAGEVals AI–85.8%
Humanity's Sixth SenseScale AI SEAL30.0%29.6%†
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%78.3%
Arena DocumentArena (LMArena)1487†–
MLCRArtificial Analysis30.0%7.8%
FACTS GroundingGoogle61.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.0†155.4†
LiveBench 2.0LiveBench–48.5%†
LiveBench 1.0LiveBench81.0%–
AA Intelligence Index v5.0.1Artificial Analysis–24.9
AA Intelligence Index v4.3.2Artificial Analysis47.038.9
AA Progress Index v1Artificial Analysis331.5306.7
Vals IndexVals AI–48.6
Vals Finance IndexVals AI–53.0%
Vals RSI IndexVals AI23.9%–
Vals Science IndexVals AI41.5%–
Vals Multimodal IndexVals AI72.6%–
Vals Legal IndexVals AI–68.5%
安全与诚实
FORTRESSScale AI SEAL20.1%†7.6%†
DistressBenchScale AI SEAL73.6%†87.7%†
元数据
AA Openness IndexArtificial Analysis–27.8

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。
  • Muse Spark Open (xhigh):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。
  • GPT-5.6 Sol (max):1 项分数修订。
  • Muse Spark Open (xhigh):1 项新结果(GameBench 2 by reasoning setting);1 项分数修订。
  • Muse Spark Open (xhigh):BenchLeader Index 53.3 → 53.8。
  • Muse Spark Open (xhigh):1 项新结果(ARC-AGI-3)。
  • Muse Spark Open (xhigh):BenchLeader Index 59.5 → 53.3。

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 Open:常见问题

GPT-5.6 Sol 比 Muse Spark Open 更好吗?
质量上 GPT-5.6 Sol (max) 领先:65.3 比 53.5。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.6 Sol (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-5.6 Sol 和 Muse Spark Open 哪个更便宜?价格会变吗?
目前 Muse Spark Open 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 Open 更好?
GPT-5.6 Sol 在编程方面得分更高(类别得分 66 比 36,50 为平均水平)。
GPT-5.6 Sol 和 Muse Spark Open 哪个更快?
Muse Spark Open 输出更快(约 1.5 倍;输出 180 比 100 token/秒,Artificial Analysis 7 日中位数)。
处理长文档哪个更好?
GPT-5.6 Sol 在长上下文基准测试上得分更高(67 比 64)。两者都约为 1.1M token(GPT-5.6 Sol 为 1,050,000,Muse Spark Open 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Spark Open 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 9.9 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 Open 的看法一致吗?
在两者都有结果的 27 项基准测试中,GPT-5.6 Sol 领先 24 项,Muse Spark Open 领先 3 项。所有同时评测两者的综合评分都认为 GPT-5.6 Sol 更强。
Muse Spark Open 是什么时候发布的?
Muse Spark Open 于 2026年10月15日 发布。