BenchLeader

GPT-6 Astra vs Muse Spark 1.2

完整资料:GPT-6 Astra(OpenAI)和 Muse Spark 1.2(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,质量上 GPT-6 Astra 领先 Muse Spark 1.2(BenchLeader Index 67.3 比 61.5)。不过,Muse Spark 1.2 更便宜,对方的价格是它的 10 倍(每百万 token 混合价格 $2.00 比 $20.00)。看重编程(73 比 55)、智能体与工具(64 比 55)和知识(72 比 65)选 GPT-6 Astra;看重人类偏好(69 比 66)选 Muse Spark 1.2。Muse Spark 1.2 的首次回答更快(11.4 秒 比 198.4 秒)。Muse Spark 1.2 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • GPT-6 Astra 的 BenchLeader Index 为 67.3,Muse Spark 1.2 为 61.5(BenchLeader,2026年11月16日)。
  • GPT-6 Astra 每百万 token 混合价格为 $20.00(标价,2026年11月16日)。
  • Muse Spark 1.2 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.2 比 GPT-6 Astra 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 59 项基准测试中,GPT-6 Astra 领先 43 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6 Astra 的评分为 1764,Muse Spark 1.2 为 1534(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 Astra类别得分 73 比 55;Arena WebDev 1764 比 1534高
智能体与工具调用GPT-6 Astra类别得分 64 比 55;τ³-Banking (AA) 41.4% 比 34.9%高
数学GPT-6 Astra类别得分 71 比 67;Arena Maths 1481 比 1486中
推理GPT-6 Astra类别得分 72 比 68;Arena Hard Prompts 1500 比 1514中
知识GPT-6 Astra类别得分 72 比 65;SimpleQA Verified 75.6% 比 60.3%高
长文档均可类别得分 65 比 64;AA-LCR v1.1 80.7% 比 79.0%均可
图像及其他媒体均可类别得分 66 比 65;Arena Vision 1279 比 1305均可
对话质量(人类偏好)Muse Spark 1.2Arena 投票 69 比 66中
成本最低Muse Spark 1.2每百万 token 混合价格 $2.00 比 $20.00;智能体编程会话 $0.092 比 $0.800–
首次回答最快Muse Spark 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))比 198.4 秒(GPT-6 Astra (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

  • 质量上 GPT-6 Astra (max) 领先:67.3 比 61.5。
  • GPT-6 Astra (max) 在智能体与工具、编程、知识、长上下文、数学、多模态、推理方面更强。
  • Muse Spark 1.2 (xhigh) 在人类偏好方面更强。
  • Muse Spark 1.2 (xhigh) 更便宜,对方的价格是它的 10 倍(每百万 token 混合价格 $2.00 比 $20.00)。
  • Muse Spark 1.2 (xhigh) 的输出速度是对方的 5.0 倍(208 比 41 token/秒)。

概览

规格GPT-6 AstraMuse Spark 1.2
提供商OpenAIMeta
发布日期2026年9月2日2026年8月5日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-6 Astra (max)Muse Spark 1.2 (xhigh)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$10.00 / $50.00 / $1.00$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 Astra (max)Muse Spark 1.2 (xhigh)领先者
推理72.468.1GPT-6 Astra
编程73.254.7GPT-6 Astra
智能体与工具63.955.4GPT-6 Astra
数学70.866.8GPT-6 Astra
知识72.364.5GPT-6 Astra
人类偏好66.268.6Muse Spark 1.2
多模态65.665.3持平
长上下文65.064.1持平
综合71.3–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人类偏好GPT-6 Astra, 推理: 72.4GPT-6 Astra, 编程: 73.2GPT-6 Astra, 智能体与工具: 63.9GPT-6 Astra, 数学: 70.8GPT-6 Astra, 知识: 72.3GPT-6 Astra, 长上下文: 65.0GPT-6 Astra, 多模态: 65.6GPT-6 Astra, 人类偏好: 66.2Muse Spark 1.2, 推理: 68.1Muse Spark 1.2, 编程: 54.7Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 数学: 66.8Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 长上下文: 64.1Muse Spark 1.2, 多模态: 65.3Muse Spark 1.2, 人类偏好: 68.6

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 59 项基准测试中,GPT-6 Astra 领先 43 项,Muse Spark 1.2 领先 16 项。第三方来源看法不一:GPT-6 Astra 在 BenchLeader Index 上领先;Muse Spark 1.2 在 Arena Text 上领先。

综合 IndexGPT-6 Astra (max)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index67.361.5GPT-6 Astra
Arena Text14741493Muse Spark 1.2

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 Astra (max)Muse Spark 1.2 (xhigh)
每百万 token 混合价格$20.00$2.00
每百万 token 输入 / 输出$10.00 / $50.00$1.25 / $4.25
每百万 token 缓存输入$1.00$0.150
每项任务价格:聊天回复$0.019$0.0018
每项任务价格:总结一份 30 页的报告$0.150$0.018
每项任务价格:代码编辑$0.135$0.014
每项任务价格:智能体编程会话$0.800$0.092
每项任务价格:结构化信息提取$0.030$0.0034
智能体编程会话(输入大多命中缓存)$0.395$0.043
每项基准测试任务成本(AA Index)$6.24–
每项任务输出 token(AA Index)52k–
其中推理部分36k–
每项任务耗时(AA Index)21 min–
输出速度41 tok/s208 tok/s
首次回答时间198.4 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)533.7 秒23.9 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 Astra (max) 得分 67.3,首个回答 token 需 198 秒;GPT-6 Astra 为 66.4(5 秒),GPT-6 Astra (high) 为 66.3(49 秒)。Muse Spark 1.2 (xhigh) 得分 61.5,首个回答 token 需 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 182 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 Astra (max)Muse Spark 1.2 (xhigh)
BenchLeader IndexBenchLeader67.361.5
智能体与工具得分BenchLeader63.955.4
编程得分BenchLeader73.254.7
综合得分BenchLeader71.3–
人类偏好得分BenchLeader66.268.6
知识得分BenchLeader72.364.5
长上下文得分BenchLeader65.064.1
数学得分BenchLeader70.866.8
多模态得分BenchLeader65.665.3
推理得分BenchLeader72.468.1
混合价格(美元/百万 token)BenchLeader$20.00$2.00
输出速度BenchLeader41 tok/s208 tok/s
首次回答时间BenchLeader198.4 秒11.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub95.8%–
Humanity's Last ExamScale AI / CAIS54.8%†–
SimpleBenchSimpleBench83.6%†74.5%†
Arena Hard PromptsArena (LMArena)15001514
LiveBench 2.0 ReasoningLiveBench92.7%–
LiveBench 1.0 ReasoningLiveBench92.7%90.0%
GPQA Diamond (AA)Artificial Analysis96.1%90.4%
Humanity's Last Exam (AA)Artificial Analysis54.7%45.5%
HLE-Diamond (AA)Artificial Analysis63.8%–
ARC-AGI-1ARC Prize97.5%–
ARC-AGI-2ARC Prize95.0%–
ARC-AGI-3ARC Prize98.6%–
CritPtArtificial Analysis31.7%17.7%
CritPt v2 hard subset (AA)Artificial Analysis70.5%–
MysteryMechanismVals AI53.1%–
HLE-Diamond (Scale)Scale AI SEAL60.6%†–
Arena ExpertArena (LMArena)15171503
Chess PuzzlesEpoch AI Benchmarking Hub74.0%27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub84.0%–
LMCAEpoch AI Benchmarking Hub64.1%†48.4%
DTBenchEpoch AI Benchmarking Hub97.1%†94.7%
ForecastBenchForecastBench66.6%†–
BTF-3Epoch AI Benchmarking Hub13.5%†–
编程
SciCodeSciCode56.5%57.4%
WeirdMLWeirdML93.3%60.3%
显示全部 182 项基准测试
指标发布方GPT-6 Astra (max)Muse Spark 1.2 (xhigh)
编程
FrontierCodeCognition53.3%–
GSO-BenchGSO-Bench79.4%†–
Arena CodingArena (LMArena)15481542
Arena WebDevArena (LMArena)17641534
LiveBench 2.0 CodingLiveBench87.5%–
LiveBench 1.0 CodingLiveBench80.4%77.5%
IOIVals AI100.0%21.8%
SWE-bench (Vals)Vals AI–86.6%
Code MigrationVals AI67.7%29.9%
Code Migration v1.1Vals AI80.6%–
ProgramBenchVals AI5.5%0.5%
SWE-bench MultimodalVals AI43.3%–
Vibe Code Bench 1-100Vals AI27.6%–
Vibe Code Bench v1.1Vals AI89.6%79.1%
SWE Atlas v1.0: Codebase QnAScale AI SEAL59.1%†–
SWE Atlas v1.0: RefactoringScale AI SEAL59.0%†–
SWE Atlas v1.0: Test WritingScale AI SEAL50.7%†–
SWE Atlas v1.1Scale AI SEAL69.4%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%†–
SWE Atlas v1.1: Test WritingScale AI SEAL66.7%†–
SWE Atlas v1.1: RefactoringScale AI SEAL71.4%†–
SWE-Bench Pro V2Scale AI SEAL96.9%†–
SWE-Bench Pro V2 HARDScale AI SEAL90.2%†–
MirrorCodeEpoch AI Benchmarking Hub60.0%–
DeepSWE v1.1Epoch AI Benchmarking Hub73.2%54.9%
ALE-BenchEpoch AI Benchmarking Hub2951.3–
FrontierSWEEpoch AI Benchmarking Hub65.5%12.0%
WeirdML v3WeirdML42.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis59.1%7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis88.4%80.2%
Startrise FrontendStartrise79.9%†70.3%†
GameBench 2 OverallDuelLab GameBench 288.8†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 294.3†56.9
Design Arena WebsiteDesign Arena13381309†
FrontierCode 1.1 (AA)Artificial Analysis47.0%–
FrontierCode 2.0 (AA)Artificial Analysis42.4%–
智能体与工具
Terminal-BenchTerminal-Bench60.3%–
Remote Labor IndexScale AI / CAIS20.8%†–
APEX-AgentsMercor64.7%†45.4%†
Arena AgentArena (LMArena)14.5-8.2
LiveBench Long AgenticLiveBench75.6%–
LiveBench BrowserLiveBench91.3%–
LiveBench Agentic CodingLiveBench57.3%57.6%
Terminal-Bench 2.1 (Vals)Vals AI87.3%69.7%
HiL-BenchScale AI SEAL65.3%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis53.7%–
GDPval-AA v2.1Artificial Analysis15871478
τ³-Banking (AA)Artificial Analysis41.4%34.9%
ITBench SRE (AA)Artificial Analysis48.6%–
Analyst Agent (AA)Artificial Analysis51.3%–
CUA-benchVals AI19.2%–
CyberBenchVals AI41.1%69.5%
Finance Agent v2Vals AI53.5%60.6%
Finance Agent v2.1Vals AI60.4%–
Harvey's Legal Agent Benchmark v1.1Vals AI7.1%–
Harvey's Legal Agent Benchmark v1Vals AI5.4%25.4%
Legal Research BenchVals AI39.4%43.8%
Robo-benchVals AI23.3%–
SkillsBenchVals AI–53.0%
SREBenchVals AI56.9%0.0%
Tax Agent BenchVals AI20.7%32.8%
Terminal-Bench 4.0 (Vals)Vals AI59.6%6.1%
Terminal-Bench ScienceVals AI62.9%–
Time Horizon Index: KSPVals AI90.5%–
Arena SearchArena (LMArena)1245–
Arena Agent Task CompletionArena (LMArena)14-9.8
BALROGBALROG68.3%–
PostTrainBenchEpoch AI Benchmarking Hub41.9%–
Vending-Bench 2Andon Labs15514.7†–
SpireClimbEpoch AI Benchmarking Hub34.0%–
AutomationBenchArtificial Analysis68.5%40.6%
GDP.pdf (AA)Artificial Analysis31.0%17.4%
Harvey LAB-AA v1.1Harvey8.6%–
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis15691323
GDPxGDPx by SemiAnalysis9.6%–
Design Arena AgenticDesign Arena14051185†
RoboDojo (LLM as robot policy)RoboDojo29.0†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis63.3%–
CWE-Bench (AA)Artificial Analysis63.3%–
DeepSec-Bench (AA)Artificial Analysis36.9%–
CyberGym end-to-end (AA)Artificial Analysis0.0%–
MKA (AA)Artificial Analysis50.2%–
FACTS SearchGoogle93.3%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub93.7%–
FrontierMath Tier 4Epoch AI Benchmarking Hub97.6%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%–
ProofBenchVals AI99.0%†43.0%†
LiveBench MathematicsLiveBench96.8%91.2%
Arena MathsArena (LMArena)14811486
FrontierMath ErdősEpoch AI Benchmarking Hub2.9%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub75.6%60.3%
LiveBench 2.0 Data AnalysisLiveBench83.0%–
LiveBench ResearchLiveBench90.6%–
LiveBench 1.0 Data AnalysisLiveBench83.0%76.5%
AA-Omniscience v1.1Artificial Analysis42.4–
MMLU-ProVals AI–88.3%
LegalBenchVals AI–85.3%
CorpFinVals AI–70.9%
TaxEvalVals AI–80.4%
PRBench FinanceScale AI SEAL47.5%†–
PRBench LegalScale AI SEAL48.4%†–
BioMysteryBenchVals AI79.3%64.8%
Excel Modeling BenchmarkVals AI71.7%57.0%
Excel Modeling Benchmark v1.1Vals AI72.7%–
MedCodeVals AI48.5%49.4%
MedScribeVals AI87.9%90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI67.5%75.7%
Immigration BenchVals AI67.7%66.5%
DrugDiscoveryBenchScale AI SEAL68.7%–
EBR-benchEpoch AI Benchmarking Hub76.2%–
GDP.pdfEpoch AI Benchmarking Hub34.2%16.0%
AA-Omniscience v1.1: accuracyArtificial Analysis61.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis50.2%–
HealthBench Professional (AA)OpenAI66.0%–
FACTS ParametricGoogle83.8%†–
指令遵循
LiveBench LanguageLiveBench89.4%78.6%
LiveBench Instruction FollowingLiveBench75.6%74.3%
Arena Instruction FollowingArena (LMArena)14741479
人类偏好
Arena TextArena (LMArena)14741493
EQ-Bench Creative Writing v3EQ-Bench2177†1842†
Arena Creative WritingArena (LMArena)14511443
Arena Multi-turnArena (LMArena)14831510
Arena Longer QueriesArena (LMArena)14851491
多模态
Arena VisionArena (LMArena)12791305
LiveBench DesignLiveBench80.0%–
MMMU-ProArtificial Analysis86.9%–
MMMU-Pro (Vals)Vals AI–86.1%
MortgageTaxVals AI–65.4%
Humanity's Sixth SenseScale AI SEAL53.6%24.5%
Blueprint-Bench 2Epoch AI Benchmarking Hub49.7%†–
Furniture AssemblyEpoch AI Benchmarking Hub80.0%–
VIALS-AAHandshake AI62.7%–
Code2Video-AAArtificial Analysis1427–
AA-3DArtificial Analysis1168–
FACTS MultimodalGoogle55.2%†–
长上下文
AA-LCR v1.1Artificial Analysis80.7%79.0%
Arena DocumentArena (LMArena)1474–
MLCRArtificial Analysis41.7%7.2%
FACTS GroundingGoogle80.1%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub169†155.0†
LiveBench 2.0LiveBench84.5%–
LiveBench 1.0LiveBench82.2%78.0%
AA Intelligence Index v5.0.1Artificial Analysis56.9–
AA Intelligence Index v4.3.2Artificial Analysis52.739.6
AA Progress Index v1Artificial Analysis349.6309.1
Vals IndexVals AI65.0–
Vals Finance IndexVals AI55.6%–
Vals RSI IndexVals AI27.1%–
Vals Science IndexVals AI65.1%–
Vals Multimodal IndexVals AI–69.8%†
Vals Router IndexVals AI65.0%†–
Vals Legal IndexVals AI68.4%–
AA Cyber IndexArtificial Analysis33.4–
安全与诚实
FORTRESSScale AI SEAL12.1%†–
DistressBenchScale AI SEAL74.3%†88.4%†

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 Astra (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • GPT-6 Astra (max):1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • GPT-6 Astra (max):1 项新结果(PostTrainBench);2 项分数修订。
  • GPT-6 Astra (max):1 项新结果(MirrorCode);1 项分数修订。
  • GPT-6 Astra (max):BenchLeader Index 68.1 → 67.4。
  • GPT-6 Astra (max):2 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • GPT-6 Astra (max):1 项分数修订。
  • Muse Spark 1.2 (xhigh):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 Astra vs Muse Spark 1.2:常见问题

GPT-6 Astra 比 Muse Spark 1.2 更好吗?
质量上 GPT-6 Astra (max) 领先:67.3 比 61.5。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-6 Astra (max) 总体领先,但请结合你的用途查看各类别得分。
GPT-6 Astra 和 Muse Spark 1.2 哪个更便宜?价格会变吗?
目前 Muse Spark 1.2 更便宜:每百万 token $2.00 比 $20.00(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。
编程用 GPT-6 Astra 还是 Muse Spark 1.2 更好?
GPT-6 Astra 在编程方面得分更高(类别得分 73 比 55,50 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 Astra 为 1764,Muse Spark 1.2 为 1534。
GPT-6 Astra 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(3 倍以上;输出 208 比 41 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Astra 还是 Muse Spark 1.2 更好?
GPT-6 Astra 在智能体任务方面得分更高(类别得分 64 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 τ³-Banking (AA) 上,GPT-6 Astra 为 41.4%,Muse Spark 1.2 为 34.9%。
更多问题(4)
处理长文档哪个更好?
两者在长上下文基准测试上持平(65 比 64)。两者都约为 1.1M token(GPT-6 Astra 为 1,050,000,Muse Spark 1.2 为 1,048,576)。
哪个延迟更低?
Muse Spark 1.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.4 秒比 198.4 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 Astra 和 Muse Spark 1.2 的看法一致吗?
在两者都有结果的 59 项基准测试中,GPT-6 Astra 领先 43 项,Muse Spark 1.2 领先 16 项。第三方来源看法不一:GPT-6 Astra 在 BenchLeader Index 上领先;Muse Spark 1.2 在 Arena Text 上领先。
GPT-6 Astra 是什么时候发布的?
GPT-6 Astra 于 2026年9月2日 发布。