GPT-6.2 Sol vs Muse Spark
完整资料:GPT-6.2 Sol(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 10 个来源
截至 2026年11月19日,GPT-6.2 Sol 与 Muse Spark 的质量不相上下(BenchLeader Index 64.6 比 64.1,在 ±4.6 的误差范围内)。在两者都有成绩的所有类别中,GPT-6.2 Sol 均领先。
要点(截至 2026年11月19日)
- GPT-6.2 Sol 的 BenchLeader Index 为 64.6,Muse Spark 为 64.1(BenchLeader,2026年11月19日)。
- GPT-6.2 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月19日)。
- 在两者都有结果的 2 项基准测试中,GPT-6.2 Sol 领先 2 项(BenchLeader,2026年11月19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”。
主要差异
- GPT-6.2 Sol (max) 与 Muse Spark 的质量不相上下(64.6 比 64.1,在 ±4.6 的误差范围内)。
- GPT-6.2 Sol (max) 在智能体与工具、编程、知识、推理方面更强。
概览
| 规格 | GPT-6.2 Sol | Muse Spark |
|---|---|---|
| 提供商 | OpenAI | Meta |
| 发布日期 | 2026年11月17日 | 2026年4月8日 |
| 上下文窗口(token) | 1,050,000 | 262,144 |
| 对比时的配置 | GPT-6.2 Sol (max) | Muse Spark |
| 开放权重 | 否 | 否 |
| 每百万 token 价格(输入 / 输出 / 缓存输入) | $2.00 / $10.00 / $0.100 | – |
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-6.2 Sol (max) | Muse Spark | 领先者 |
|---|---|---|---|
| 推理 | 70.1 | 67.4 | GPT-6.2 Sol |
| 编程 | 74.5 | 65.1 | GPT-6.2 Sol |
| 智能体与工具 | 65.1 | 65.0 | 持平 |
| 数学 | – | 59.1 | 无法比较 |
| 知识 | 65.4 | 62.8 | GPT-6.2 Sol |
| 指令遵循 | – | 76.2 | 无法比较 |
| 人类偏好 | – | 68.1 | 无法比较 |
| 多模态 | – | 64.0 | 无法比较 |
| 长上下文 | – | 63.6 | 无法比较 |
| 综合 | 64.5 | – | 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。
未绘制(测得的模型少于两个):数学, 指令遵循, 长上下文, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 2 项基准测试中,GPT-6.2 Sol 领先 2 项,Muse Spark 领先 0 项。
| 综合 Index | GPT-6.2 Sol (max) | Muse Spark | 领先者 |
|---|---|---|---|
| BenchLeader Index | 64.6 | 64.1 | 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-6.2 Sol (max) | Muse Spark |
|---|---|---|
| 每百万 token 混合价格 | $4.00 | – |
| 每百万 token 输入 / 输出 | $2.00 / $10.00 | – / – |
| 每百万 token 缓存输入 | $0.100 | – |
| 每项任务价格:聊天回复 | $0.0038 | – |
| 每项任务价格:总结一份 30 页的报告 | $0.030 | – |
| 每项任务价格:代码编辑 | $0.027 | – |
| 每项任务价格:智能体编程会话 | $0.160 | – |
| 每项任务价格:结构化信息提取 | $0.0060 | – |
| 智能体编程会话(输入大多命中缓存) | $0.074 | – |
| 每项基准测试任务成本(AA Index) | $1.01 | – |
| 每项任务输出 token(AA Index) | 40k | – |
| 其中推理部分 | 23k | – |
| 每项任务耗时(AA Index) | 9 min | – |
| 输出速度 | 74 tok/s | – |
| 首次回答时间 | 78.8 秒 | – |
每个模型都按其排名最高的推理强度设置进行对比。GPT-6.2 Sol (max) 得分 64.6,首个回答 token 需 79 秒;GPT-6.2 Sol (xhigh) 为 63.3(32 秒),GPT-6.2 Sol (high) 为 62.3(12 秒)。Muse Spark 得分 64.1。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 113 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-6.2 Sol (max) | Muse Spark |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 64.6 | 64.1 |
| 智能体与工具得分 | BenchLeader | 65.1 | 65.0 |
| 编程得分 | BenchLeader | 74.5 | 65.1 |
| 综合得分 | BenchLeader | 64.5 | – |
| 知识得分 | BenchLeader | 65.4 | 62.8 |
| 推理得分 | BenchLeader | 70.1 | 67.4 |
| 人类偏好得分 | BenchLeader | – | 68.1 |
| 指令遵循得分 | BenchLeader | – | 76.2 |
| 长上下文得分 | BenchLeader | – | 63.6 |
| 数学得分 | BenchLeader | – | 59.1 |
| 多模态得分 | BenchLeader | – | 64.0 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | – |
| 输出速度 | BenchLeader | 74 tok/s | – |
| 首次回答时间 | BenchLeader | 78.8 秒 | – |
| 上下文窗口 | BenchLeader | 1,050,000 token | 262,144 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | – | 89.8% |
| Humanity's Last Exam | Scale AI / CAIS | – | 40.6% |
| Arena Hard Prompts | Arena (LMArena) | – | 1506 |
| LiveBench 2.0 Reasoning | LiveBench | 90.6% | – |
| GPQA Diamond (AA) | Artificial Analysis | – | 88.4% |
| Humanity's Last Exam (AA) | Artificial Analysis | – | 40.7% |
| HLE-Diamond (AA) | Artificial Analysis | 64.0% | – |
| GPQA Diamond (Vals) | Vals AI | – | 89.7% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | 67.0%† | – |
| ARC-AGI-1 | ARC Prize | 97.5% | – |
| ARC-AGI-2 | ARC Prize | 85.8% | – |
| ARC-AGI-3 | ARC Prize | 98.2% | – |
| CritPt | Artificial Analysis | – | 11.3% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 62.5% | – |
| MysteryMechanism | Vals AI | 36.9% | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 56.5%† | – |
| Arena Expert | Arena (LMArena) | – | 1490 |
| 编程 | |||
| SciCode | SciCode | – | 51.5% |
| Arena Coding | Arena (LMArena) | – | 1529 |
| Arena WebDev | Arena (LMArena) | 1757 | – |
| LiveBench 2.0 Coding | LiveBench | 83.7% | – |
| SWE-bench (Vals) | Vals AI | – | 74.4% |
| SWE-Bench Pro | Scale AI SEAL | – | 55.0% |
| Vibe Code Bench v1.1 | Vals AI | 87.6% | 19.7% |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 40.9% | – |
显示全部 113 项基准测试
| 指标 | 发布方 | GPT-6.2 Sol (max) | Muse Spark |
|---|---|---|---|
| 编程 | |||
| SWE-Bench Pro (private) | Scale AI SEAL | – | 44.7% |
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | – | 24.2% |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | – | 31.1% |
| SWE Atlas v1.1 | Scale AI SEAL | 60.5%† | – |
| SWE Atlas v1.1: Codebase QnA | Scale AI SEAL | 61.3%† | – |
| SWE Atlas v1.1: Test Writing | Scale AI SEAL | 64.4%† | – |
| SWE Atlas v1.1: Refactoring | Scale AI SEAL | 55.7%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 60.1% | – |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 62.2% |
| FrontierCode 2.0 (AA) | Artificial Analysis | 44.4% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 61.5% | – |
| Arena Agent | Arena (LMArena) | 11.3 | – |
| LiveBench Long Agentic | LiveBench | 63.6% | – |
| LiveBench Browser | LiveBench | 88.2% | – |
| Terminal-Bench Hard | Artificial Analysis | – | 45.5% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 91.5% |
| MCP Atlas | Scale AI SEAL | – | 82.2% |
| GDPval-AA v2.1 | Artificial Analysis | – | 1006 |
| Analyst Agent (AA) | Artificial Analysis | 53.8% | – |
| Finance Agent v2.1 | Vals AI | 58.9% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 12.1% | – |
| Legal Research Bench | Vals AI | 37.0% | – |
| Tax Agent Bench | Vals AI | 24.8% | – |
| Terminal-Bench 2.0 (Vals) | Vals AI | – | 59.5% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 60.6% | – |
| Terminal-Bench Science | Vals AI | 58.6% | – |
| Arena Agent Task Completion | Arena (LMArena) | 10.9 | – |
| AutomationBench | Artificial Analysis | 71.3% | – |
| GDP.pdf (AA) | Artificial Analysis | 30.0% | – |
| Harvey LAB-AA v1.1 | Harvey | 11.1% | – |
| EnterpriseOps-Gym | Artificial Analysis | 28.9% | – |
| AA-Briefcase v1.1 | Artificial Analysis | 1612 | 646 |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 67.6% | – |
| CWE-Bench (AA) | Artificial Analysis | 61.7% | – |
| DeepSec-Bench (AA) | Artificial Analysis | 51.6% | – |
| CyberGym end-to-end (AA) | Artificial Analysis | 0.0% | – |
| 数学 | |||
| OTIS Mock AIME | Epoch AI Benchmarking Hub | – | 88.9% |
| ProofBench | Vals AI | – | 17.0% |
| AIME (Vals) | Vals AI | – | 96.9% |
| Autoform-Hard | Vals AI | 85.7% | – |
| Arena Maths | Arena (LMArena) | – | 1468 |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | 81.1% | – |
| LiveBench Research | LiveBench | 90.1% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 40.4 | – |
| MMLU-Pro | Vals AI | – | 87.3% |
| LegalBench | Vals AI | – | 84.2% |
| CorpFin | Vals AI | – | 65.1% |
| TaxEval | Vals AI | – | 77.7% |
| PRBench Finance | Scale AI SEAL | – | 52.4% |
| PRBench Legal | Scale AI SEAL | 43.3%† | 52.3% |
| MultiNRC | Scale AI SEAL | – | 59.0% |
| BioMysteryBench | Vals AI | 77.8% | – |
| CaseLaw v2 | Vals AI | – | 63.1% |
| Excel Modeling Benchmark v1.1 | Vals AI | 74.3% | – |
| MedCode | Vals AI | – | 51.3% |
| MedScribe | Vals AI | – | 85.9% |
| DrugDiscoveryBench | Scale AI SEAL | 62.2%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 61.6% | – |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 44.6% | – |
| 指令遵循 | |||
| IFBench | Artificial Analysis | – | 75.9% |
| MultiChallenge | Scale AI SEAL | 72.0%† | 75.5% |
| TutorBench | Scale AI SEAL | – | 68.5% |
| Arena Instruction Following | Arena (LMArena) | – | 1465 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1489 |
| Arena Creative Writing | Arena (LMArena) | – | 1465 |
| Arena Multi-turn | Arena (LMArena) | – | 1493 |
| Arena Longer Queries | Arena (LMArena) | – | 1476 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1306 |
| LiveBench Design | LiveBench | 80.0% | – |
| MMMU-Pro | Artificial Analysis | – | 80.5% |
| MMMU-Pro (Vals) | Vals AI | – | 87.4% |
| Humanity's Sixth Sense | Scale AI SEAL | 56.8%† | – |
| VIALS-AA | Handshake AI | 62.7% | – |
| AA-3D | Artificial Analysis | 1259 | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | – | 78.0% |
| Arena Document | Arena (LMArena) | – | 1467 |
| MLCR | Artificial Analysis | 37.2% | – |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | – | 153.2 |
| LiveBench 2.0 | LiveBench | 80.3% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 57.3 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | – | 31.3 |
| AA Progress Index v1 | Artificial Analysis | – | 289.1 |
| Vals Index | Vals AI | 66.1 | – |
| Vals Finance Index | Vals AI | 56.7% | – |
| Vals Science Index | Vals AI | 57.8% | – |
| Vals Legal Index | Vals AI | 66.7% | – |
| AA Cyber Index | Artificial Analysis | 37.8 | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | – | 20.2% |
数据截至 2026年11月19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。
变化
- GPT-6.2 Sol (max):BenchLeader Index 63.2 → 64.6。
- GPT-6.2 Sol (max):4 项新结果(VIALS-AA, Arena WebDev, Arena Agent…)。
- GPT-6.2 Sol (max):BenchLeader Index 62.4 → 63.2。
- GPT-6.2 Sol (max):2 项新结果(Vibe Code Bench 1-100 v1.1, Terminal-Bench)。
- Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
- Muse Spark:BenchLeader Index 64.6 → 64.1。
- Muse Spark:1 项分数修订。
- Muse Spark:1 项新结果(AA Progress Index v1)。
相关对比
- GPT-6.2 Sol vs Claude Fable 5.2
- GPT-6.2 Sol vs GPT-6.2 Astra
- GPT-6.2 Sol vs Gemini 4 Carbon
- Muse Spark vs Claude Fable 5.2
- Muse Spark vs GPT-6.2 Astra
- Muse Spark vs Gemini 4 Carbon
- Muse Spark vs Claude Opus 5.5
- GPT-6.1 Terra vs Muse Spark
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-6.2 Sol vs Muse Spark:常见问题
- GPT-6.2 Sol 比 Muse Spark 更好吗?
- GPT-6.2 Sol (max) 与 Muse Spark 的质量不相上下(64.6 比 64.1,在 ±4.6 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19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-6.2 Sol 还是 Muse Spark 更好?
- GPT-6.2 Sol 在编程方面得分更高(类别得分 75 比 65,50 为平均水平)。
- 智能体和工具调用用 GPT-6.2 Sol 还是 Muse Spark 更好?
- 两者在智能体任务方面持平(类别得分 65 比 65)。
- 处理长文档哪个更好?
- GPT-6.2 Sol 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-6.2 Sol 和 Muse Spark 的看法一致吗?
- 在两者都有结果的 2 项基准测试中,GPT-6.2 Sol 领先 2 项,Muse Spark 领先 0 项。
更多问题(1)
- GPT-6.2 Sol 是什么时候发布的?
- GPT-6.2 Sol 于 2026年11月17日 发布。