BenchLeader

GPT-6.1 Terra vs Muse Spark

完整资料:GPT-6.1 Terra(OpenAI)和 Muse Spark(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-6.1 Terra 与 Muse Spark 的质量不相上下(BenchLeader Index 64.1 比 64.2,在 ±4.0 的误差范围内)。看重数学(72 比 59)、编程(69 比 65)和多模态(67 比 64)选 GPT-6.1 Terra;看重知识(63 比 61)和智能体与工具(65 比 63)选 Muse Spark。

要点(截至 2026年11月16日)

  • GPT-6.1 Terra 的 BenchLeader Index 为 64.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-6.1 Terra 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 11 项基准测试中,GPT-6.1 Terra 领先 11 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-6.1 Terra类别得分 69 比 65;SciCode 55.1% 比 51.5%中
智能体与工具调用Muse Spark类别得分 65 比 63;GDPval-AA v2.1 1006 比 1476中
数学GPT-6.1 Terra类别得分 72 比 59;OTIS Mock AIME 100.0% 比 88.9%高
推理GPT-6.1 Terra类别得分 68 比 67;GPQA Diamond 94.3% 比 89.8%中
知识Muse Spark类别得分 63 比 61中
长文档GPT-6.1 Terra类别得分 66 比 64;AA-LCR v1.1 82.7% 比 78.0%中
图像及其他媒体GPT-6.1 Terra类别得分 67 比 64;MMMU-Pro 84.7% 比 80.5%中
对话质量(人类偏好)–只有 Muse Spark 有 Arena 评分(类别得分 68)无法比较
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-6.1 Terra (max) 与 Muse Spark 的质量不相上下(64.1 比 64.2,在 ±4.0 的误差范围内)。
  • GPT-6.1 Terra (max) 在编程、长上下文、数学、多模态、推理方面更强。
  • Muse Spark 在智能体与工具、知识方面更强。

概览

规格GPT-6.1 TerraMuse Spark
提供商OpenAIMeta
发布日期2026年10月26日2026年4月8日
上下文窗口(token)1,050,000262,144
对比时的配置GPT-6.1 Terra (max)Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.00 / $5.00 / $0.050–

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-6.1 Terra (max)Muse Spark领先者
推理68.467.4GPT-6.1 Terra
编程69.365.1GPT-6.1 Terra
智能体与工具63.465.0Muse Spark
数学71.759.1GPT-6.1 Terra
知识61.463.1Muse Spark
指令遵循–76.9无法比较
人类偏好–68.1无法比较
多模态67.264.2GPT-6.1 Terra
长上下文66.063.6GPT-6.1 Terra
综合65.0–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长上下文多模态GPT-6.1 Terra, 推理: 68.4GPT-6.1 Terra, 编程: 69.3GPT-6.1 Terra, 智能体与工具: 63.4GPT-6.1 Terra, 数学: 71.7GPT-6.1 Terra, 知识: 61.4GPT-6.1 Terra, 长上下文: 66.0GPT-6.1 Terra, 多模态: 67.2Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2

未绘制(测得的模型少于两个):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 11 项基准测试中,GPT-6.1 Terra 领先 11 项,Muse Spark 领先 0 项。

综合 IndexGPT-6.1 Terra (max)Muse Spark领先者
BenchLeader Index64.164.2不相上下

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-6.1 Terra (max)Muse Spark
每百万 token 混合价格$2.00–
每百万 token 输入 / 输出$1.00 / $5.00– / –
每百万 token 缓存输入$0.050–
每项任务价格:聊天回复$0.0019–
每项任务价格:总结一份 30 页的报告$0.015–
每项任务价格:代码编辑$0.013–
每项任务价格:智能体编程会话$0.080–
每项任务价格:结构化信息提取$0.0030–
智能体编程会话(输入大多命中缓存)$0.037–
每项基准测试任务成本(AA Index)$0.961–
每项任务输出 token(AA Index)60k–
其中推理部分39k–
每项任务耗时(AA Index)14 min–
输出速度72 tok/s–
首次回答时间150.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)375.7 秒–

每个模型都按其排名最高的推理强度设置进行对比。GPT-6.1 Terra (max) 得分 64.1,首个回答 token 需 151 秒;GPT-6.1 Terra (xhigh) 为 60.0(30 秒),GPT-6.1 Terra (high) 为 59.6(10 秒)。Muse Spark 得分 64.2。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 121 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-6.1 Terra (max)Muse Spark
BenchLeader IndexBenchLeader64.164.2
智能体与工具得分BenchLeader63.465.0
编程得分BenchLeader69.365.1
综合得分BenchLeader65.0–
知识得分BenchLeader61.463.1
长上下文得分BenchLeader66.063.6
数学得分BenchLeader71.759.1
多模态得分BenchLeader67.264.2
推理得分BenchLeader68.467.4
人类偏好得分BenchLeader–68.1
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$2.00–
输出速度BenchLeader72 tok/s–
首次回答时间BenchLeader150.9 秒–
上下文窗口BenchLeader1,050,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench72.2%†–
Arena Hard PromptsArena (LMArena)–1506
LiveBench 2.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis46.3%40.7%
HLE-Diamond (AA)Artificial Analysis47.3%–
GPQA Diamond (Vals)Vals AI–89.7%
CritPtArtificial Analysis28.0%11.3%
CritPt v2 hard subset (AA)Artificial Analysis68.0%–
HLE-Diamond (Scale)Scale AI SEAL35.7%†–
Arena ExpertArena (LMArena)–1491
Mystery Game PuzzlesEpoch AI Benchmarking Hub74.0%–
编程
SciCodeSciCode55.1%51.5%
Arena CodingArena (LMArena)–1529
Arena WebDevArena (LMArena)1678–
LiveBench 2.0 CodingLiveBench89.2%–
SciCode (AA)Artificial Analysis55.1%–
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Vibe Code Bench v1.1Vals AI84.0%19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
显示全部 121 项基准测试
指标发布方GPT-6.1 Terra (max)Muse Spark
编程
SWE Atlas v1.1Scale AI SEAL57.7%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL54.0%†–
SWE Atlas v1.1: Test WritingScale AI SEAL63.3%†–
SWE Atlas v1.1: RefactoringScale AI SEAL55.7%†–
MirrorCodeEpoch AI Benchmarking Hub76.7%–
ALE-BenchEpoch AI Benchmarking Hub2608.8–
WeirdML v3WeirdML28.1%†–
Terminal-Bench 4.0 (AA)Artificial Analysis55.6%–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
GameBench 2 OverallDuelLab GameBench 281.2†–
GameBench 2 by reasoning settingDuelLab GameBench 285.8†–
Design Arena WebsiteDesign Arena1286†1253
FrontierCode 1.1 (AA)Artificial Analysis36.0%–
FrontierCode 2.0 (AA)Artificial Analysis42.3%–
智能体与工具
Terminal-BenchTerminal-Bench53.3%–
APEX-AgentsMercor68.3%–
Arena AgentArena (LMArena)12–
LiveBench Long AgenticLiveBench56.2%–
LiveBench BrowserLiveBench93.1%–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
MCP AtlasScale AI SEAL–82.2%
HiL-BenchScale AI SEAL68.0%†–
GDPval-AA v2.1Artificial Analysis14761006
Finance Agent v2.1Vals AI56.0%–
Harvey's Legal Agent Benchmark v1.1Vals AI1.7%–
Legal Research BenchVals AI26.0%–
Tax Agent BenchVals AI17.1%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI49.5%–
Arena Agent Task CompletionArena (LMArena)9.7–
Vending-Bench 2Andon Labs9107.5†–
SpireClimbEpoch AI Benchmarking Hub22.3%–
AutomationBenchArtificial Analysis60.2%–
GDP.pdf (AA)Artificial Analysis28.6%–
AA-Briefcase v1.1Artificial Analysis1401646
GDPxGDPx by SemiAnalysis8.5%–
Design Arena AgenticDesign Arena1192†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis57.6%–
MKA (AA)Artificial Analysis43.8%–
FACTS SearchGoogle92.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub90.9%–
FrontierMath Tier 4Epoch AI Benchmarking Hub92.7%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI–96.9%
Arena MathsArena (LMArena)–1469
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub57.3%–
LiveBench 2.0 Data AnalysisLiveBench82.3%–
LiveBench ResearchLiveBench79.1%–
AA-Omniscience v1.1Artificial Analysis29.6–
MMLU-ProVals AI–87.3%
LegalBenchVals AI–84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
CaseLaw v2Vals AI–63.1%
Excel Modeling Benchmark v1.1Vals AI73.3%–
MedCodeVals AI–51.3%
MedScribeVals AI–85.9%
EBR-benchEpoch AI Benchmarking Hub78.1%–
AA-Omniscience v1.1: accuracyArtificial Analysis47.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis65.5%–
FACTS ParametricGoogle70.8%†–
指令遵循
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL74.2%†75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)–1465
人类偏好
Arena TextArena (LMArena)–1489
Arena Creative WritingArena (LMArena)–1464
Arena Multi-turnArena (LMArena)–1493
Arena Longer QueriesArena (LMArena)–1476
多模态
Arena VisionArena (LMArena)–1306
LiveBench DesignLiveBench79.7%–
MMMU-ProArtificial Analysis84.7%80.5%
MMMU-Pro (Vals)Vals AI–87.4%
Blueprint-Bench 2Epoch AI Benchmarking Hub42.1%†–
Furniture AssemblyEpoch AI Benchmarking Hub79.2%–
VIALS-AAHandshake AI60.3%–
FACTS MultimodalGoogle48.8%†–
长上下文
AA-LCR v1.1Artificial Analysis82.7%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis30.6%–
FACTS GroundingGoogle84.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub167.7†153.1
LiveBench 2.0LiveBench78.8%–
AA Intelligence Index v5.0.1Artificial Analysis51.3–
AA Intelligence Index v4.3.2Artificial Analysis48.131.3
AA Progress Index v1Artificial Analysis345.2289.1
Vals IndexVals AI60.5–
Vals Finance IndexVals AI53.3%–
Vals Legal IndexVals AI58.8%–
安全与诚实
FORTRESSScale AI SEAL18.2%†20.2%
DistressBenchScale AI SEAL65.9%†–

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

  • GPT-6.1 Terra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-6.1 Terra (max):BenchLeader Index 64.7 → 64.1。
  • GPT-6.1 Terra (max):1 项新结果(Terminal-Bench)。
  • GPT-6.1 Terra (max):BenchLeader Index 65.2 → 64.7。
  • GPT-6.1 Terra (max):1 项新结果(MirrorCode)。
  • GPT-6.1 Terra (max):1 项分数修订。
  • GPT-6.1 Terra (max):1 项分数修订。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • GPT-6.1 Terra (max):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 最适合智能体的大模型 · 便宜好用的大模型

GPT-6.1 Terra vs Muse Spark:常见问题

GPT-6.1 Terra 比 Muse Spark 更好吗?
GPT-6.1 Terra (max) 与 Muse Spark 的质量不相上下(64.1 比 64.2,在 ±4.0 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。
编程用 GPT-6.1 Terra 还是 Muse Spark 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 65,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,GPT-6.1 Terra 为 55.1%,Muse Spark 为 51.5%。
智能体和工具调用用 GPT-6.1 Terra 还是 Muse Spark 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 63,50 为平均水平)。
处理长文档哪个更好?
GPT-6.1 Terra 在长上下文基准测试上得分更高(66 比 64)。GPT-6.1 Terra 支持更长的上下文:1,050,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 GPT-6.1 Terra 和 Muse Spark 的看法一致吗?
在两者都有结果的 11 项基准测试中,GPT-6.1 Terra 领先 11 项,Muse Spark 领先 0 项。
更多问题(1)
GPT-6.1 Terra 是什么时候发布的?
GPT-6.1 Terra 于 2026年10月26日 发布。