BenchLeader

GPT-6.1 Terra vs Muse Spark 1.1

完整资料:GPT-6.1 Terra(OpenAI)和 Muse Spark 1.1(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-6.1 Terra 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 64.1 比 62.2,在 ±5.9 的误差范围内)。两者价格相近(每百万 token 混合价格 $2.00 比 $2.00)。看重智能体与工具(63 比 51)、数学(72 比 61)和多模态(67 比 64)选 GPT-6.1 Terra;看重知识(69 比 61)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 150.9 秒)。Muse Spark 1.1 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • GPT-6.1 Terra 的 BenchLeader Index 为 64.1,Muse Spark 1.1 为 62.2(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)。
  • Muse Spark 1.1 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.1 比 GPT-6.1 Terra 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 6 项基准测试中,GPT-6.1 Terra 领先 4 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6.1 Terra 的评分为 1678,Muse Spark 1.1 为 1542(LMArena,截至 2026年11月16日 的公布数据)。

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 66;Arena WebDev 1678 比 1542中
智能体与工具调用GPT-6.1 Terra类别得分 63 比 51;APEX-Agents 68.3% 比 31.8%高
数学GPT-6.1 Terra类别得分 72 比 61高
推理均可类别得分 68 比 68均可
知识Muse Spark 1.1类别得分 69 比 61;SimpleQA Verified 57.8% 比 57.3%高
图像及其他媒体GPT-6.1 Terra类别得分 67 比 64中
对话质量(人类偏好)–只有 Muse Spark 1.1 有 Arena 评分(类别得分 65)无法比较
成本最低均可每百万 token 混合价格 $2.00 比 $2.00;智能体编程会话 $0.080 比 $0.092–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 150.9 秒(GPT-6.1 Terra (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-6.1 Terra (max) 与 Muse Spark 1.1 的质量不相上下(64.1 比 62.2,在 ±5.9 的误差范围内)。
  • GPT-6.1 Terra (max) 在智能体与工具、编程、数学、多模态、推理方面更强。
  • Muse Spark 1.1 在知识方面更强。
  • 两者价格相近(每百万 token 混合价格 $2.00)。
  • Muse Spark 1.1 的输出速度是对方的 2.7 倍(193 比 72 token/秒)。

概览

规格GPT-6.1 TerraMuse Spark 1.1
提供商OpenAIMeta
发布日期2026年10月26日2026年7月9日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-6.1 Terra (max)Muse Spark 1.1
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$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-6.1 Terra (max)Muse Spark 1.1领先者
推理68.467.8持平
编程69.365.8GPT-6.1 Terra
智能体与工具63.450.9GPT-6.1 Terra
数学71.761.3GPT-6.1 Terra
知识61.469.2Muse Spark 1.1
指令遵循–70.4无法比较
人类偏好–64.5无法比较
多模态67.263.6GPT-6.1 Terra
长上下文66.0–无法比较
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, 多模态: 67.2Muse Spark 1.1, 推理: 67.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知识: 69.2Muse Spark 1.1, 多模态: 63.6

未绘制(测得的模型少于两个):指令遵循, 长上下文, 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-6.1 Terra 领先 4 项,Muse Spark 1.1 领先 2 项。

综合 IndexGPT-6.1 Terra (max)Muse Spark 1.1领先者
BenchLeader Index64.162.2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 1.1
每百万 token 混合价格$2.00$2.00
每百万 token 输入 / 输出$1.00 / $5.00$1.25 / $4.25
每百万 token 缓存输入$0.050$0.150
每项任务价格:聊天回复$0.0019$0.0018
每项任务价格:总结一份 30 页的报告$0.015$0.018
每项任务价格:代码编辑$0.013$0.014
每项任务价格:智能体编程会话$0.080$0.092
每项任务价格:结构化信息提取$0.0030$0.0034
智能体编程会话(输入大多命中缓存)$0.037$0.043
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/s193 tok/s
首次回答时间150.9 秒1.8 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 1.1 得分 62.2,首个回答 token 需 2 秒;Muse Spark 1.1 (xhigh) 为 59.5(13 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 143 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 1.1
BenchLeader IndexBenchLeader64.162.2
智能体与工具得分BenchLeader63.450.9
编程得分BenchLeader69.365.8
综合得分BenchLeader65.0–
知识得分BenchLeader61.469.2
长上下文得分BenchLeader66.0–
数学得分BenchLeader71.761.3
多模态得分BenchLeader67.263.6
推理得分BenchLeader68.467.8
人类偏好得分BenchLeader–64.5
指令遵循得分BenchLeader–70.4
混合价格(美元/百万 token)BenchLeader$2.00$2.00
输出速度BenchLeader72 tok/s193 tok/s
首次回答时间BenchLeader150.9 秒1.8 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%–
SimpleBenchSimpleBench72.2%†–
Arena Hard PromptsArena (LMArena)–1511
LiveBench 2.0 ReasoningLiveBench88.7%–
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis–89.8%†
Humanity's Last Exam (AA)Artificial Analysis46.3%46.2%†
HLE-Diamond (AA)Artificial Analysis47.3%–
GPQA Diamond (Vals)Vals AI–91.2%†
CritPtArtificial Analysis28.0%15.1%†
CritPt v2 hard subset (AA)Artificial Analysis68.0%–
HLE-Diamond (Scale)Scale AI SEAL35.7%†–
Arena ExpertArena (LMArena)–1504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub74.0%–
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
编程
SciCodeSciCode55.1%58.8%
Arena CodingArena (LMArena)–1533
Arena WebDevArena (LMArena)16781542
LiveBench 2.0 CodingLiveBench89.2%–
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI–85.9%†
SWE-bench (Vals)Vals AI–82.0%†
SWE-Bench ProScale AI SEAL–61.5%
显示全部 143 项基准测试
指标发布方GPT-6.1 Terra (max)Muse Spark 1.1
编程
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI84.0%72.2%†
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–42.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL–41.5%†
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%–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
ALE-BenchEpoch AI Benchmarking Hub2608.8–
WeirdML v3WeirdML28.1%†–
Terminal-Bench 4.0 (AA)Artificial Analysis55.6%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
GameBench 2 OverallDuelLab GameBench 281.2†–
GameBench 2 by reasoning settingDuelLab GameBench 285.8†–
Design Arena WebsiteDesign Arena1286†1263
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%31.8%
Arena AgentArena (LMArena)12-8
LiveBench Long AgenticLiveBench56.2%–
LiveBench BrowserLiveBench93.1%–
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
HiL-BenchScale AI SEAL68.0%†–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis14761216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Finance Agent v2.1Vals AI56.0%–
Harvey's Legal Agent Benchmark v1.1Vals AI1.7%–
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI26.0%38.0%†
SkillsBenchVals AI–59.2%†
Tax Agent BenchVals AI17.1%–
Terminal-Bench 4.0 (Vals)Vals AI49.5%–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)9.7-6.5
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs9107.5†6520.5
SpireClimbEpoch AI Benchmarking Hub22.3%–
AutomationBenchArtificial Analysis60.2%38.9%†
GDP.pdf (AA)Artificial Analysis28.6%14.4%†
AA-Briefcase v1.1Artificial Analysis1401851†
GDPxGDPx by SemiAnalysis8.5%–
Design Arena AgenticDesign Arena1192†1172
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%–
ProofBenchVals AI–39.0%
LiveBench MathematicsLiveBench–87.1%†
Arena MathsArena (LMArena)–1493
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub57.3%57.8%
LiveBench 2.0 Data AnalysisLiveBench82.3%–
LiveBench ResearchLiveBench79.1%–
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
AA-Omniscience v1.1Artificial Analysis29.6–
MMLU-ProVals AI–88.7%†
LegalBenchVals AI–85.0%†
CorpFinVals AI–71.3%†
TaxEvalVals AI–79.7%†
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL–57.0%
MultiNRCScale AI SEAL–65.6%
Excel Modeling BenchmarkVals AI–56.4%†
Excel Modeling Benchmark v1.1Vals AI73.3%–
MedScribeVals AI–88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
EBR-benchEpoch AI Benchmarking Hub78.1%–
GDP.pdfEpoch AI Benchmarking Hub–15.0%
AA-Omniscience v1.1: accuracyArtificial Analysis47.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis65.5%–
FACTS ParametricGoogle70.8%†–
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
MultiChallengeScale AI SEAL74.2%†75.3%
Arena Instruction FollowingArena (LMArena)–1473
人类偏好
Arena TextArena (LMArena)–1491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)–1443
Arena Multi-turnArena (LMArena)–1497
Arena Longer QueriesArena (LMArena)–1481
多模态
Arena VisionArena (LMArena)–1292
LiveBench DesignLiveBench79.7%–
MMMU-ProArtificial Analysis84.7%–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
VTBScale AI SEAL–44.8%
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%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis30.6%7.2%†
FACTS GroundingGoogle84.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub167.7†154.9
LiveBench 2.0LiveBench78.8%–
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v5.0.1Artificial Analysis51.3–
AA Intelligence Index v4.3.2Artificial Analysis48.133.7†
AA Progress Index v1Artificial Analysis345.2302.7†
Vals IndexVals AI60.5–
Vals Finance IndexVals AI53.3%–
Vals Multimodal IndexVals AI–66.7%†
Vals Legal IndexVals AI58.8%–
安全与诚实
FORTRESSScale AI SEAL18.2%†12.4%
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…)。
  • 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。
  • GPT-6.1 Terra (max):1 项分数修订。
  • Muse Spark 1.1:1 项分数修订。
  • 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 1.1:常见问题

GPT-6.1 Terra 比 Muse Spark 1.1 更好吗?
GPT-6.1 Terra (max) 与 Muse Spark 1.1 的质量不相上下(64.1 比 62.2,在 ±5.9 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-6.1 Terra 和 Muse Spark 1.1 哪个更便宜?价格会变吗?
两者价格相同:每百万 token 混合价格 $2.00。两者均未公布价格调整。
编程用 GPT-6.1 Terra 还是 Muse Spark 1.1 更好?
GPT-6.1 Terra 在编程方面得分更高(类别得分 69 比 66,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,GPT-6.1 Terra 为 1678,Muse Spark 1.1 为 1542。
GPT-6.1 Terra 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 72 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6.1 Terra 还是 Muse Spark 1.1 更好?
GPT-6.1 Terra 在智能体任务方面得分更高(类别得分 63 比 51,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,GPT-6.1 Terra 为 68.3%,Muse Spark 1.1 为 31.8%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1.1M token(GPT-6.1 Terra 为 1,050,000,Muse Spark 1.1 为 1,048,576)。
哪个延迟更低?
Muse Spark 1.1 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.8 秒比 150.9 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-6.1 Terra 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 6 项基准测试中,GPT-6.1 Terra 领先 4 项,Muse Spark 1.1 领先 2 项。
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。