BenchLeader

GPT-5.6 Terra vs Muse Spark 1.3

完整资料:GPT-5.6 Terra(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 12 个来源

截至 2026年11月16日,GPT-5.6 Terra 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 60.1 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 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。看重数学(66 比 56)和智能体与工具(63 比 61)选 GPT-5.6 Terra;看重知识(81 比 53)和推理(71 比 55)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 19.2 秒)。

要点(截至 2026年11月16日)

  • GPT-5.6 Terra 的 BenchLeader Index 为 60.1,Muse Spark 1.3 为 61.6(BenchLeader,2026年11月16日)。
  • GPT-5.6 Terra 每百万 token 混合价格为 $4.50(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)。
  • 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GPT-5.6 Terra类别得分 63 比 61中
数学GPT-5.6 Terra类别得分 66 比 56;ProofBench 74.0% 比 55.0%高
推理Muse Spark 1.3类别得分 71 比 55;SimpleBench 81.8% 比 48.9%高
知识Muse Spark 1.3类别得分 81 比 53高
对话质量(人类偏好)–只有 GPT-5.6 Terra 有 Arena 评分(类别得分 66)无法比较
成本最低Muse Spark 1.3每百万 token 混合价格 $2.00 比 $4.50;智能体编程会话 $0.092 比 $0.168–
首次回答最快Muse Spark 1.3首个回答 token 2.6 秒(Muse Spark 1.3)比 19.2 秒(GPT-5.6 Terra (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-5.6 Terra (xhigh) 与 Muse Spark 1.3 的质量不相上下(60.1 比 61.6,在 ±9.1 的误差范围内)。
  • GPT-5.6 Terra (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 2.3 倍(每百万 token 混合价格 $2.00 比 $4.50)。
  • Muse Spark 1.3 的输出速度是对方的 1.7 倍(163 比 97 token/秒)。

概览

规格GPT-5.6 TerraMuse 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 Terra (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)$2.00 / $12.00 / $0.200$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 Terra (xhigh)Muse Spark 1.3领先者
推理54.871.0Muse Spark 1.3
编程59.1–无法比较
智能体与工具63.161.3GPT-5.6 Terra
数学65.756.3GPT-5.6 Terra
知识53.081.2Muse Spark 1.3
指令遵循65.6–无法比较
人类偏好65.5–无法比较
多模态61.2–无法比较
长上下文64.1–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 Terra, 推理: 54.8GPT-5.6 Terra, 智能体与工具: 63.1GPT-5.6 Terra, 数学: 65.7GPT-5.6 Terra, 知识: 53.0Muse 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-5.6 Terra 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-5.6 Terra (xhigh)Muse Spark 1.3领先者
BenchLeader Index60.161.6不相上下
AA Intelligence Index v5.0.132.3†36.6Muse Spark 1.3
Arena Text14681497†Muse 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 Terra (xhigh)Muse Spark 1.3
每百万 token 混合价格$4.50$2.00
每百万 token 输入 / 输出$2.00 / $12.00$1.25 / $4.25
每百万 token 缓存输入$0.200$0.150
每项任务价格:聊天回复$0.0044$0.0018
每项任务价格:总结一份 30 页的报告$0.031$0.018
每项任务价格:代码编辑$0.030$0.014
每项任务价格:智能体编程会话$0.168$0.092
每项任务价格:结构化信息提取$0.0064$0.0034
智能体编程会话(输入大多命中缓存)$0.087$0.043
输出速度97 tok/s163 tok/s
首次回答时间19.2 秒2.6 秒
完整回答耗时(最近一次测量 2026年11月13日)84.0 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 Terra (xhigh) 得分 60.1,首个回答 token 需 19 秒;GPT-5.6 Terra (max) 为 59.5(73 秒),GPT-5.6 Terra (high) 为 56.8(6 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 162 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 Terra (xhigh)Muse Spark 1.3
BenchLeader IndexBenchLeader60.161.6
智能体与工具得分BenchLeader63.161.3
编程得分BenchLeader59.1–
人类偏好得分BenchLeader65.5–
指令遵循得分BenchLeader65.6–
知识得分BenchLeader53.081.2
长上下文得分BenchLeader64.1–
数学得分BenchLeader65.756.3
多模态得分BenchLeader61.2–
推理得分BenchLeader54.871.0
混合价格(美元/百万 token)BenchLeader$4.50$2.00
输出速度BenchLeader97 tok/s163 tok/s
首次回答时间BenchLeader19.2 秒2.6 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.3%†–
SimpleBenchSimpleBench48.9%81.8%
Arena Hard PromptsArena (LMArena)14911517†
LiveBench 2.0 ReasoningLiveBench90.6%†89.7%†
LiveBench 1.0 ReasoningLiveBench90.6%†89.7%†
GPQA Diamond (AA)Artificial Analysis90.8%93.5%†
Humanity's Last Exam (AA)Artificial Analysis41.9%48.7%†
HLE-Diamond (AA)Artificial Analysis24.7%33.7%†
GPQA Diamond (Vals)Vals AI90.9%–
Kagi LLM BenchmarkKagi LLM Benchmark51.3%†–
ARC-AGI-1ARC Prize94.0%–
ARC-AGI-2ARC Prize74.2%–
ARC-AGI-3ARC Prize0.7%–
CritPtArtificial Analysis27.1%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis50.5%†48.0%†
MysteryMechanismVals AI–36.0%†
HLE-Diamond (Scale)Scale AI SEAL–25.4%
Arena ExpertArena (LMArena)15071521†
Chess PuzzlesEpoch AI Benchmarking Hub47.0%†37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub35.0%†25.0%†
LMCAEpoch AI Benchmarking Hub52.2%53.9%
DTBenchEpoch AI Benchmarking Hub92.5%96.5%
ForecastBenchForecastBench–65.5%†
BTF-3Epoch AI Benchmarking Hub–14.1%†
编程
SciCodeSciCode52.3%58.8%†
显示全部 162 项基准测试
指标发布方GPT-5.6 Terra (xhigh)Muse Spark 1.3
编程
WeirdMLWeirdML78.3%†–
FrontierCodeCognition41.3%†–
Arena CodingArena (LMArena)15171534†
Arena WebDevArena (LMArena)15201655†
LiveBench 2.0 CodingLiveBench84.2%†84.4%†
LiveBench 1.0 CodingLiveBench78.3%†81.1%†
LiveCodeBenchVals AI85.9%–
IOIVals AI87.6%†56.6%†
SWE-bench (Vals)Vals AI95.4%†–
Code MigrationVals AI47.8%†47.4%†
ProgramBenchVals AI0.5%†2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI14.8%†20.5%†
Vibe Code Bench v1.1Vals AI74.6%†85.9%†
SWE-Bench Pro V2Scale AI SEAL92.4%–
SWE-Bench Pro V2 HARDScale AI SEAL86.3%–
MirrorCodeEpoch AI Benchmarking Hub41.1%†54.4%†
Surface Evolver BenchEpoch AI Benchmarking Hub83.8%–
DeepSWE v1.1Epoch AI Benchmarking Hub60.2%–
CursorBenchCursor33.6%41.6%†
ALE-BenchEpoch AI Benchmarking Hub1951.4†1688.3†
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis10.1%33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%84.3%†
Startrise FrontendStartrise66.9%†74.7%
GameBench 2 OverallDuelLab GameBench 245.6†57.7
GameBench 2 by reasoning settingDuelLab GameBench 253.568.5†
Design Arena WebsiteDesign Arena1260†1353†
FrontierCode 1.1 (AA)Artificial Analysis–40.6%†
FrontierCode 2.0 (AA)Artificial Analysis23.9%†23.1%†
智能体与工具
Terminal-BenchTerminal-Bench21.5%†14.8%†
APEX-AgentsMercor58.2%†58.6%
Arena AgentArena (LMArena)-1.82.2†
LiveBench Long AgenticLiveBench25.9%†47.9%†
LiveBench BrowserLiveBench70.3%†30.9%†
LiveBench Agentic CodingLiveBench55.0%†64.1%†
Terminal-Bench HardArtificial Analysis62.9%–
τ²-Bench Telecom (AA)Artificial Analysis80.4%–
Terminal-Bench 2.1 (Vals)Vals AI77.5%†79.0%†
HiL-BenchScale AI SEAL–66.9%
GDPval-AA v2.1, normalised scoreArtificial Analysis47.4%–
GDPval-AA v2.1Artificial Analysis14561681†
τ³-Banking (AA)Artificial Analysis29.7%50.5%†
ITBench SRE (AA)Artificial Analysis51.0%†33.2%†
Analyst Agent (AA)Artificial Analysis–37.5%†
APEX-Agents (AA)Artificial Analysis38.9%†–
CUA-benchVals AI–5.8%†
CyberBenchVals AI72.1%†72.7%†
Finance Agent v2Vals AI54.4%†60.0%†
Harvey's Legal Agent Benchmark v1Vals AI0.8%†23.8%†
Legal Research BenchVals AI41.4%†55.3%†
SkillsBenchVals AI58.9%†–
SREBenchVals AI9.5%†3.8%†
Tax Agent BenchVals AI30.0%†42.4%†
Terminal-Bench 4.0 (Vals)Vals AI22.7%†24.8%†
Terminal-Bench ScienceVals AI10.0%†10.0%†
Arena Agent Task CompletionArena (LMArena)-7.23.7†
BALROGBALROG53.2%†–
Vending-Bench 2Andon Labs7343.2†–
AutomationBenchArtificial Analysis47.1%57.9%†
GDP.pdf (AA)Artificial Analysis24.6%26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
EnterpriseOps-GymArtificial Analysis38.5%†–
AA-Briefcase v1.1Artificial Analysis13321581†
Design Arena AgenticDesign Arena1089†1283†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis13.8%†10.9%†
CWE-Bench (AA)Artificial Analysis–60.8%†
DeepSec-Bench (AA)Artificial Analysis25.1%†12.5%†
CyberGym end-to-end (AA)Artificial Analysis–59.5%†
FACTS SearchGoogle87.0%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub86.0%†74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub99.7%†99.2%†
ProofBenchVals AI74.0%55.0%
LiveBench MathematicsLiveBench94.9%†96.0%†
Arena MathsArena (LMArena)14781506†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub43.2%†–
LiveBench 2.0 Data AnalysisLiveBench79.3%†79.6%†
LiveBench ResearchLiveBench79.7%†82.5%†
LiveBench 1.0 Data AnalysisLiveBench79.3%†79.6%†
AA-Omniscience v1.1Artificial Analysis-11.522.4†
MMLU-ProVals AI86.7%–
LegalBenchVals AI85.1%†–
CorpFinVals AI65.3%–
TaxEvalVals AI76.2%–
PRBench FinanceScale AI SEAL–59.5%
PRBench LegalScale AI SEAL–61.6%
Excel Modeling BenchmarkVals AI66.2%†67.4%†
MedCodeVals AI43.4%–
MedScribeVals AI82.9%–
Public Benefits Bench v1.1Vals AI62.4%†–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI71.0%†70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL–62.2%†
GDP.pdfEpoch AI Benchmarking Hub24.7%†27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis41.3%38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis9.9%74.8%†
FACTS ParametricGoogle57.6%†–
指令遵循
LiveBench LanguageLiveBench82.9%†82.8%†
LiveBench Instruction FollowingLiveBench64.6%†78.0%†
IFBenchArtificial Analysis66.3%–
Arena Instruction FollowingArena (LMArena)14631485†
人类偏好
Arena TextArena (LMArena)14681497†
EQ-Bench 4EQ-Bench1220†–
EQ-Bench Creative Writing v3EQ-Bench1856†1907
Arena Creative WritingArena (LMArena)14301468†
Arena Multi-turnArena (LMArena)14751493†
Arena Longer QueriesArena (LMArena)14691498†
多模态
Arena VisionArena (LMArena)12691310†
LiveBench DesignLiveBench70.9%†74.8%†
MMMU-ProArtificial Analysis79.5%82.0%†
MMMU-Pro (Vals)Vals AI86.5%†–
MortgageTaxVals AI67.3%–
SAGEVals AI87.0%†–
Humanity's Sixth SenseScale AI SEAL22.7%†37.4%†
GeoBenchGeoBench–86.0%
Blueprint-Bench 2Epoch AI Benchmarking Hub30.8%†–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†–
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
FACTS MultimodalGoogle39.9%†–
长上下文
AA-LCR v1.1Artificial Analysis79.0%83.0%†
Arena DocumentArena (LMArena)14741474†
MLCRArtificial Analysis22.8%13.9%†
FACTS GroundingGoogle60.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub160.7†158.2
LiveBench 2.0LiveBench67.2%†68.6%†
LiveBench 1.0LiveBench77.9%†81.6%†
AA Intelligence Index v5.0.1Artificial Analysis32.3†36.6†
AA Intelligence Index v4.3.2Artificial Analysis38.048.1†
AA Progress Index v1Artificial Analysis312324.5†
Vals RSI IndexVals AI–19.6%†
Vals Multimodal IndexVals AI65.1%–
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
DistressBenchScale AI SEAL76.4%†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 Terra (xhigh):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • 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)。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。
  • Muse Spark 1.3:4 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 58.2 → 57.7。
  • Muse Spark 1.3:1 项分数修订。
  • GPT-5.6 Terra (xhigh):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 Terra vs Muse Spark 1.3:常见问题

GPT-5.6 Terra 比 Muse Spark 1.3 更好吗?
GPT-5.6 Terra (xhigh) 与 Muse Spark 1.3 的质量不相上下(60.1 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-5.6 Terra 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 $4.50(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 Terra 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 比 97 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5.6 Terra 还是 Muse Spark 1.3 更好?
GPT-5.6 Terra 在智能体任务方面得分更高(类别得分 63 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 Terra 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 19.2 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 Terra 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-5.6 Terra 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。