BenchLeader

GPT-5 vs Muse Spark 1.3

完整资料:GPT-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 12 个来源

截至 2026年11月16日,GPT-5 与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 59.0 比 61.6,在 ±9.8 的误差范围内)。Muse Spark 1.3 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $2.00 比 $3.44)。看重数学(65 比 56)选 GPT-5;看重推理(71 比 48)和智能体与工具(61 比 58)选 Muse Spark 1.3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 22.9 秒)。

要点(截至 2026年11月16日)

  • GPT-5 的 BenchLeader Index 为 59.0,Muse Spark 1.3 为 61.6(BenchLeader,2026年11月16日)。
  • GPT-5 每百万 token 混合价格为 $3.44(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 1 项基准测试中,Muse Spark 1.3 领先 1 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Muse Spark 1.3类别得分 61 比 58中
数学GPT-5类别得分 65 比 56高
推理Muse Spark 1.3类别得分 71 比 48高
成本最低Muse Spark 1.3每百万 token 混合价格 $2.00 比 $3.44;智能体编程会话 $0.092 比 $0.115–
首次回答最快Muse Spark 1.3首个回答 token 2.6 秒(Muse Spark 1.3)比 22.9 秒(GPT-5 (medium))–
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 (medium) 与 Muse Spark 1.3 的质量不相上下(59.0 比 61.6,在 ±9.8 的误差范围内)。
  • GPT-5 (medium) 在数学方面更强。
  • Muse Spark 1.3 在智能体与工具、推理方面更强。
  • Muse Spark 1.3 更便宜,对方的价格是它的 1.7 倍(每百万 token 混合价格 $2.00 比 $3.44)。
  • Muse Spark 1.3 的输出速度是对方的 2.0 倍(163 比 82 token/秒)。

概览

规格GPT-5Muse Spark 1.3
提供商OpenAIMeta
发布日期2025年8月7日2026年9月2日
上下文窗口(token)400,0001,048,576
对比时的配置GPT-5 (medium)Muse Spark 1.3
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $10.00 / $0.125$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 (medium)Muse Spark 1.3领先者
推理47.971.0Muse Spark 1.3
编程57.4–无法比较
智能体与工具58.161.3Muse Spark 1.3
数学65.456.3GPT-5
知识–81.2无法比较
指令遵循69.4–无法比较
多模态56.6–无法比较
长上下文70.4–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GPT-5, 推理: 47.9GPT-5, 智能体与工具: 58.1GPT-5, 数学: 65.4Muse Spark 1.3, 推理: 71.0Muse Spark 1.3, 智能体与工具: 61.3Muse Spark 1.3, 数学: 56.3

未绘制(测得的模型少于两个):编程, 知识, 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 1 项基准测试中,GPT-5 领先 0 项,Muse Spark 1.3 领先 1 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 (medium)Muse Spark 1.3领先者
BenchLeader Index59.061.6不相上下
Arena Text1435†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 (medium)Muse Spark 1.3
每百万 token 混合价格$3.44$2.00
每百万 token 输入 / 输出$1.25 / $10.00$1.25 / $4.25
每百万 token 缓存输入$0.125$0.150
每项任务价格:聊天回复$0.0035$0.0018
每项任务价格:总结一份 30 页的报告$0.021$0.018
每项任务价格:代码编辑$0.022$0.014
每项任务价格:智能体编程会话$0.115$0.092
每项任务价格:结构化信息提取$0.0045$0.0034
智能体编程会话(输入大多命中缓存)$0.064$0.043
输出速度82 tok/s163 tok/s
首次回答时间22.9 秒2.6 秒
完整回答耗时(最近一次测量 2026年11月13日)66.2 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 (medium) 得分 59.0,首个回答 token 需 23 秒;GPT-5 (high) 为 58.2(49 秒),GPT-5 为 56.6(5 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 190 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 (medium)Muse Spark 1.3
BenchLeader IndexBenchLeader59.061.6
智能体与工具得分BenchLeader58.161.3
编程得分BenchLeader57.4–
指令遵循得分BenchLeader69.4–
长上下文得分BenchLeader70.4–
数学得分BenchLeader65.456.3
多模态得分BenchLeader56.6–
推理得分BenchLeader47.971.0
知识得分BenchLeader–81.2
混合价格(美元/百万 token)BenchLeader$3.44$2.00
输出速度BenchLeader82 tok/s163 tok/s
首次回答时间BenchLeader22.9 秒2.6 秒
上下文窗口BenchLeader400,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub85.3%–
Humanity's Last ExamScale AI / CAIS25.3%†–
SimpleBenchSimpleBench56.7%†81.8%
Arena Hard PromptsArena (LMArena)1449†1517†
LiveBench 2.0 ReasoningLiveBench–89.7%†
LiveBench 1.0 ReasoningLiveBench–89.7%†
GPQA Diamond (AA)Artificial Analysis84.2%93.5%†
Humanity's Last Exam (AA)Artificial Analysis25.4%48.7%†
HLE-Diamond (AA)Artificial Analysis–33.7%†
GPQA Diamond (Vals)Vals AI85.6%†–
Kagi LLM BenchmarkKagi LLM Benchmark72.7%†–
GPQA Diamond (HELM)HELM Capabilities79.1%†–
ARC-AGI-1ARC Prize56.2%–
ARC-AGI-2ARC Prize7.5%–
CritPtArtificial Analysis0.0%24.9%†
CritPt v2 hard subset (AA)Artificial Analysis11.5%†48.0%†
MysteryMechanismVals AI–36.0%†
HLE-Diamond (Scale)Scale AI SEAL–25.4%
Arena ExpertArena (LMArena)1445†1521†
Chess PuzzlesEpoch AI Benchmarking Hub32.0%37.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub15.0%25.0%†
LMCAEpoch AI Benchmarking Hub40.0%†53.9%
DTBenchEpoch AI Benchmarking Hub90.7%†96.5%
ForecastBenchForecastBench65.0%†65.5%†
BTF-3Epoch AI Benchmarking Hub–14.1%†
显示全部 190 项基准测试
指标发布方GPT-5 (medium)Muse Spark 1.3
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub71.5%–
SciCodeSciCode42.9%†58.8%†
WeirdMLWeirdML39.8%†–
GSO-BenchGSO-Bench6.9%†–
Arena CodingArena (LMArena)1462†1534†
Arena WebDevArena (LMArena)14171655†
LiveBench 2.0 CodingLiveBench–84.4%†
LiveBench 1.0 CodingLiveBench–81.1%†
SciCode (AA)Artificial Analysis–58.8%†
LiveCodeBenchVals AI85.9%†–
IOIVals AI–56.6%†
SWE-bench (Vals)Vals AI69.0%†–
SWE-Bench ProScale AI SEAL41.8%†–
Aider PolyglotAider polyglot leaderboard86.7%–
SWE-bench Verified (bash only)SWE-bench65.0%–
SWE-bench Verified (any scaffold)SWE-bench74.4%†–
Code MigrationVals AI–47.4%†
ProgramBenchVals AI–2.5%†
SWE-bench MultimodalVals AI–43.1%†
Vibe Code Bench 1-100Vals AI–20.5%†
Vibe Code Bench v1.1Vals AI20.1%†85.9%†
SWE-Bench Pro (private)Scale AI SEAL14.9%†–
MirrorCodeEpoch AI Benchmarking Hub4.4%†54.4%†
CursorBenchCursor–41.6%†
ALE-BenchEpoch AI Benchmarking Hub1162.5†1688.3†
AlgoTuneAlgoTune1.7†–
FrontierSWEEpoch AI Benchmarking Hub–25.8%†
WeirdML v3WeirdML–6.7%†
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%†
Terminal-Bench 2.1 (AA)Artificial Analysis35.2%†84.3%†
Startrise FrontendStartrise–74.7%
GameBench 2 OverallDuelLab GameBench 2–57.7
GameBench 2 by reasoning settingDuelLab GameBench 238.068.5†
Design Arena WebsiteDesign Arena1174†1353†
FrontierCode 1.1 (AA)Artificial Analysis–40.6%†
FrontierCode 2.0 (AA)Artificial Analysis–23.1%†
LiveCodeBench (AA)Artificial Analysis70.3%–
智能体与工具
Terminal-BenchTerminal-Bench49.6%14.8%†
GDPvalOpenAI34.8%–
Remote Labor IndexScale AI / CAIS1.7%†–
APEX-AgentsMercor–58.6%
Arena AgentArena (LMArena)–2.2†
LiveBench Long AgenticLiveBench–47.9%†
LiveBench BrowserLiveBench–30.9%†
LiveBench Agentic CodingLiveBench–64.1%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis86.5%–
Terminal-Bench 2.1 (Vals)Vals AI–79.0%†
HiL-BenchScale AI SEAL–66.9%
GDPval-AA v2.1Artificial Analysis925†1681†
τ³-Banking (AA)Artificial Analysis22.1%†50.5%†
ITBench SRE (AA)Artificial Analysis–33.2%†
Analyst Agent (AA)Artificial Analysis–37.5%†
CUA-benchVals AI–5.8%†
CyberBenchVals AI–72.7%†
Finance Agent v2Vals AI–60.0%†
Harvey's Legal Agent Benchmark v1Vals AI–23.8%†
Legal Research BenchVals AI–55.3%†
Poker AgentVals AI1103.2%†–
SREBenchVals AI–3.8%†
Tax Agent BenchVals AI–42.4%†
Terminal-Bench 2.0 (Vals)Vals AI37.1%†–
Terminal-Bench 4.0 (Vals)Vals AI–24.8%†
Terminal-Bench ScienceVals AI–10.0%†
Arena SearchArena (LMArena)1189†–
Arena Agent Task CompletionArena (LMArena)–3.7†
BALROGBALROG32.8%†–
DeepResearch BenchDeepResearch Bench48.6%–
METR Time HorizonsMETR69.6%–
AutomationBenchArtificial Analysis–57.9%†
GDP.pdf (AA)Artificial Analysis–26.6%†
Harvey LAB-AA v1.1Harvey–8.9%†
AA-Briefcase v1.1Artificial Analysis–1581†
Design Arena AgenticDesign Arena–1283†
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%†
BrowseComp-PlusBrowseComp-Plus57.6%†–
BrowseCompOpenAI20.1%†–
DeepSearchQAGoogle59.4%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub55.4%†74.0%†
FrontierMath Tier 4Epoch AI Benchmarking Hub21.9%†46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub87.2%99.2%†
MATH Level 5Epoch AI Benchmarking Hub97.9%–
ProofBenchVals AI18.0%†55.0%
LiveBench MathematicsLiveBench–96.0%†
AIME (Vals)Vals AI93.4%†–
MGSMVals AI92.8%†–
IMO 2025MathArena38.1%†–
MathArena ApexMathArena1.0%†–
Omni-MATH (HELM)HELM Capabilities64.7%†–
MATH 500Vals AI96.0%†–
Arena MathsArena (LMArena)1411†1506†
AIME 2025 (AA)Artificial Analysis91.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub50.1%†–
LiveBench 2.0 Data AnalysisLiveBench–79.6%†
LiveBench ResearchLiveBench–82.5%†
LiveBench 1.0 Data AnalysisLiveBench–79.6%†
AA-Omniscience v1.1Artificial Analysis–22.4†
MMLU-ProVals AI86.5%†–
LegalBenchVals AI86.0%†–
CorpFinVals AI61.1%†–
TaxEvalVals AI73.4%†–
MedQAVals AI96.3%†–
PRBench FinanceScale AI SEAL51.3%†59.5%
PRBench LegalScale AI SEAL49.0%†61.6%
MultiNRCScale AI SEAL52.1%†–
MMLU-Pro (HELM)HELM Capabilities86.3%†–
CaseLaw v2Vals AI66.5%†–
Excel Modeling BenchmarkVals AI–67.4%†
MedCodeVals AI49.6%†–
MedScribeVals AI83.7%†–
Access to Justice BenchmarkVals AI–72.2%†
Financial Coaching BenchVals AI–70.3%†
Immigration BenchVals AI–64.9%†
DrugDiscoveryBenchScale AI SEAL–62.2%†
EBR-benchEpoch AI Benchmarking Hub12.7%†–
GDP.pdfEpoch AI Benchmarking Hub–27.6%
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–74.8%†
Global-MMLU-Lite (AA)Artificial Analysis90.4%–
指令遵循
LiveBench LanguageLiveBench–82.8%†
LiveBench Instruction FollowingLiveBench–78.0%†
IFBenchArtificial Analysis70.6%–
MultiChallengeScale AI SEAL63.2%†–
TutorBenchScale AI SEAL55.3%†–
IFEval (HELM)HELM Capabilities87.5%†–
WildBench (HELM)HELM Capabilities85.7%†–
Arena Instruction FollowingArena (LMArena)1415†1485†
人类偏好
Arena TextArena (LMArena)1427†1497†
EQ-Bench Creative Writing v3EQ-Bench1626†1907
Arena Creative WritingArena (LMArena)1389†1468†
Arena Multi-turnArena (LMArena)1449†1493†
Arena Longer QueriesArena (LMArena)1435†1498†
Lech Mazur Creative WritingLech Mazur86.0%–
多模态
Arena VisionArena (LMArena)1232†1310†
LiveBench DesignLiveBench–74.8%†
MMMU-ProArtificial Analysis74.3%82.0%†
VISTAScale AI SEAL49.7%†–
MMMU-Pro (Vals)Vals AI81.5%†–
MortgageTaxVals AI65.5%†–
Humanity's Sixth SenseScale AI SEAL–37.4%†
VTBScale AI SEAL17.0%†–
GeoBenchGeoBench81.0%86.0%
VPCTEpoch AI Benchmarking Hub63.2%–
Code2Video-AAArtificial Analysis–1019†
AA-3DArtificial Analysis–1032†
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis76.0%83.0%†
Arena DocumentArena (LMArena)–1474†
MLCRArtificial Analysis–13.9%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub150†158.2
LiveBench 2.0LiveBench–68.6%†
LiveBench 1.0LiveBench–81.6%†
AA Intelligence Index v5.0.1Artificial Analysis–36.6†
AA Intelligence Index v4.3.2Artificial Analysis22.948.1†
AA Progress Index v1Artificial Analysis264.4324.5†
HELM Capabilities meanHELM Capabilities80.7%†–
Vals RSI IndexVals AI–19.6%†
AA Cyber IndexArtificial Analysis–44.3†
安全与诚实
FORTRESSScale AI SEAL17.0%†–
MASKScale AI SEAL79.3%†–
DistressBenchScale AI SEAL–84.9%
元数据
AA Openness IndexArtificial Analysis5.6–

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 (medium):BenchLeader Index 58.2 → 59.0。
  • Muse Spark 1.3:BenchLeader Index 60.2 → 61.6。
  • GPT-5 (medium):1 项新结果(Aider Polyglot)。
  • GPT-5 (medium):2 项新结果(Global-MMLU-Lite (AA), AIME 2025 (AA));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 (medium):1 项分数修订。
  • 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 vs Muse Spark 1.3:常见问题

GPT-5 比 Muse Spark 1.3 更好吗?
GPT-5 (medium) 与 Muse Spark 1.3 的质量不相上下(59.0 比 61.6,在 ±9.8 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 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 $3.44(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 和 Muse Spark 1.3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 比 82 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-5 还是 Muse Spark 1.3 更好?
Muse Spark 1.3 在智能体任务方面得分更高(类别得分 61 比 58,50 为平均水平)。
处理长文档哪个更好?
Muse Spark 1.3 支持更长的上下文:1,048,576 token,GPT-5 为 400,000 token。
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 22.9 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 和 Muse Spark 1.3 的看法一致吗?
在两者都有结果的 1 项基准测试中,GPT-5 领先 0 项,Muse Spark 1.3 领先 1 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。