BenchLeader

GPT-6 Sol vs Muse Spark

完整资料:GPT-6 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 12 个来源

截至 2026年11月16日,GPT-6 Sol 与 Muse Spark 的质量不相上下(BenchLeader Index 62.6 比 64.2,在 ±4.7 的误差范围内)。看重数学(68 比 59)、长上下文(67 比 64)和编程(66 比 65)选 GPT-6 Sol;看重智能体与工具(65 比 59)、人类偏好(68 比 64)和多模态(64 比 61)选 Muse Spark。

要点(截至 2026年11月16日)

  • GPT-6 Sol 的 BenchLeader Index 为 62.6,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • GPT-6 Sol 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 22 项基准测试中,GPT-6 Sol 领先 12 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 Sol类别得分 66 比 65;SciCode 57.6% 比 51.5%中
智能体与工具调用Muse Spark类别得分 65 比 59;GDPval-AA v2.1 1006 比 1514中
数学GPT-6 Sol类别得分 68 比 59;OTIS Mock AIME 100.0% 比 88.9%高
推理Muse Spark类别得分 67 比 66;Arena Hard Prompts 1506 比 1483中
知识Muse Spark类别得分 63 比 61;MedCode 51.3% 比 47.1%中
长文档GPT-6 Sol类别得分 67 比 64;AA-LCR v1.1 83.7% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 61;Arena Vision 1306 比 1233中
对话质量(人类偏好)Muse SparkArena 投票 68 比 64中
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 Sol (max) 与 Muse Spark 的质量不相上下(62.6 比 64.2,在 ±4.7 的误差范围内)。
  • GPT-6 Sol (max) 在编程、长上下文、数学方面更强。
  • Muse Spark 在智能体与工具、人类偏好、知识、多模态、推理方面更强。

概览

规格GPT-6 SolMuse Spark
提供商OpenAIMeta
发布日期2026年9月22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 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 / $0.200–

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 Sol (max)Muse Spark领先者
推理66.067.4Muse Spark
编程66.365.1GPT-6 Sol
智能体与工具58.865.0Muse Spark
数学68.059.1GPT-6 Sol
知识60.663.1Muse Spark
指令遵循–76.9无法比较
人类偏好64.268.1Muse Spark
多模态60.664.2Muse Spark
长上下文66.663.6GPT-6 Sol

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 Sol, 推理: 66.0GPT-6 Sol, 编程: 66.3GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 长上下文: 66.6GPT-6 Sol, 多模态: 60.6GPT-6 Sol, 人类偏好: 64.2Muse 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: 64.2Muse Spark, 人类偏好: 68.1

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 22 项基准测试中,GPT-6 Sol 领先 12 项,Muse Spark 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGPT-6 Sol (max)Muse Spark领先者
BenchLeader Index62.664.2不相上下
Arena Text14571489Muse Spark

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 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$0.200–
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)$0.079–
每项基准测试任务成本(AA Index)$2.47–
每项任务输出 token(AA Index)54k–
其中推理部分35k–
每项任务耗时(AA Index)7 min–
输出速度127 tok/s–
首次回答时间36.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)143.8 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 Sol (max) 得分 62.6,首个回答 token 需 37 秒;GPT-6 Sol (xhigh) 为 58.4(19 秒),GPT-6 Sol (high) 为 58.1(6 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 142 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 Sol (max)Muse Spark
BenchLeader IndexBenchLeader62.664.2
智能体与工具得分BenchLeader58.865.0
编程得分BenchLeader66.365.1
人类偏好得分BenchLeader64.268.1
知识得分BenchLeader60.663.1
长上下文得分BenchLeader66.663.6
数学得分BenchLeader68.059.1
多模态得分BenchLeader60.664.2
推理得分BenchLeader66.067.4
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$4.00–
输出速度BenchLeader127 tok/s–
首次回答时间BenchLeader36.9 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%
SimpleBenchSimpleBench73.1%†–
Arena Hard PromptsArena (LMArena)14831506
LiveBench 1.0 ReasoningLiveBench88.7%–
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis47.9%40.7%
HLE-Diamond (AA)Artificial Analysis45.2%–
GPQA Diamond (Vals)Vals AI–89.7%
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize89.6%–
ARC-AGI-3ARC Prize23.0%–
CritPtArtificial Analysis30.9%11.3%
CritPt v2 hard subset (AA)Artificial Analysis66.5%–
MysteryMechanismVals AI30.2%–
HLE-Diamond (Scale)Scale AI SEAL33.8%†–
Arena ExpertArena (LMArena)14961491
Chess PuzzlesEpoch AI Benchmarking Hub56.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
LMCAEpoch AI Benchmarking Hub59.1%–
DTBenchEpoch AI Benchmarking Hub97.3%–
编程
SciCodeSciCode57.6%51.5%
FrontierCodeCognition49.3%–
Arena CodingArena (LMArena)15211529
Arena WebDevArena (LMArena)1673–
显示全部 142 项基准测试
指标发布方GPT-6 Sol (max)Muse Spark
编程
LiveBench 1.0 CodingLiveBench81.8%–
SciCode (AA)Artificial Analysis57.6%–
IOIVals AI82.6%–
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI57.2%–
ProgramBenchVals AI2.0%–
Vibe Code Bench v1.1Vals AI87.8%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%
MirrorCodeEpoch AI Benchmarking Hub48.9%–
ALE-BenchEpoch AI Benchmarking Hub2462–
WeirdML v3WeirdML19.7%†–
Terminal-Bench 4.0 (AA)Artificial Analysis43.9%–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
GameBench 2 OverallDuelLab GameBench 273.0†–
GameBench 2 by reasoning settingDuelLab GameBench 279.4†–
Design Arena WebsiteDesign Arena1290†1253
FrontierCode 2.0 (AA)Artificial Analysis35.6%–
智能体与工具
Terminal-BenchTerminal-Bench50.3%–
APEX-AgentsMercor54.3%–
Arena AgentArena (LMArena)6.9–
LiveBench Agentic CodingLiveBench52.9%–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
Terminal-Bench 2.1 (Vals)Vals AI83.2%–
MCP AtlasScale AI SEAL–82.2%
GDPval-AA v2.1Artificial Analysis15141006
ITBench SRE (AA)Artificial Analysis49.4%–
CyberBenchVals AI78.0%–
Finance Agent v2Vals AI49.0%–
Harvey's Legal Agent Benchmark v1Vals AI1.7%–
Legal Research BenchVals AI28.9%–
SREBenchVals AI30.5%–
Tax Agent BenchVals AI15.0%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI44.4%–
Terminal-Bench ScienceVals AI30.0%–
Arena SearchArena (LMArena)1229–
Arena Agent Task CompletionArena (LMArena)4.5–
Vending-Bench 2Andon Labs14427.9†–
SpireClimbEpoch AI Benchmarking Hub9.2%–
AutomationBenchArtificial Analysis61.6%–
GDP.pdf (AA)Artificial Analysis25.2%–
Harvey LAB-AA v1.1Harvey3.6%–
AA-Briefcase v1.1Artificial Analysis1476646
Design Arena AgenticDesign Arena1218†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis30.0%–
CWE-Bench (AA)Artificial Analysis64.2%–
DeepSec-Bench (AA)Artificial Analysis46.3%–
CyberGym end-to-end (AA)Artificial Analysis0.0%–
FACTS SearchGoogle92.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.8%–
FrontierMath Tier 4Epoch AI Benchmarking Hub90.0%–
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%88.9%
ProofBenchVals AI83.0%†17.0%
LiveBench MathematicsLiveBench96.4%–
AIME (Vals)Vals AI–96.9%
Arena MathsArena (LMArena)14401469
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.7%–
LiveBench 1.0 Data AnalysisLiveBench81.2%–
AA-Omniscience v1.1Artificial Analysis21.4–
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 SEAL38.6%†52.3%
MultiNRCScale AI SEAL–59.0%
BioMysteryBenchVals AI74.8%–
CaseLaw v2Vals AI–63.1%
Excel Modeling BenchmarkVals AI71.5%–
MedCodeVals AI47.1%51.3%
MedScribeVals AI82.0%85.9%
Public Benefits Bench v1.1Vals AI56.6%–
Financial Coaching BenchVals AI62.6%–
EBR-benchEpoch AI Benchmarking Hub53.3%–
GDP.pdfEpoch AI Benchmarking Hub26.4%–
AA-Omniscience v1.1: accuracyArtificial Analysis51.1%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis39.1%–
HealthBench Professional (AA)OpenAI62.3%–
FACTS ParametricGoogle76.1%†–
指令遵循
LiveBench LanguageLiveBench85.3%–
LiveBench Instruction FollowingLiveBench68.6%–
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)14491465
人类偏好
Arena TextArena (LMArena)14571489
EQ-Bench Creative Writing v3EQ-Bench2126†–
Arena Creative WritingArena (LMArena)14281464
Arena Multi-turnArena (LMArena)14681493
Arena Longer QueriesArena (LMArena)14661476
多模态
Arena VisionArena (LMArena)12331306
MMMU-ProArtificial Analysis83.0%80.5%
MMMU-Pro (Vals)Vals AI–87.4%
Humanity's Sixth SenseScale AI SEAL31.2%–
Blueprint-Bench 2Epoch AI Benchmarking Hub36.9%†–
Furniture AssemblyEpoch AI Benchmarking Hub58.3%–
AA-3DArtificial Analysis1131–
FACTS MultimodalGoogle43.9%†–
长上下文
AA-LCR v1.1Artificial Analysis83.7%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis33.9%–
FACTS GroundingGoogle83.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.8†153.1
LiveBench 1.0LiveBench79.3%–
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis47.631.3
AA Progress Index v1Artificial Analysis334289.1
Vals RSI IndexVals AI28.1%–
Vals Science IndexVals AI45.0%–
AA Cyber IndexArtificial Analysis36.8–
安全与诚实
FORTRESSScale AI SEAL13.5%†20.2%
DistressBenchScale AI SEAL68.0%†–

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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • GPT-6 Sol (max):2 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • GPT-6 Sol (max):1 项分数修订。
  • Muse Spark:1 项分数修订。
  • GPT-6 Sol (max):6 项新结果(AA Intelligence Index v5.0.1, AA-Omniscience v1.1, CritPt v2 hard subset (AA)…)。

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-6 Sol vs Muse Spark:常见问题

GPT-6 Sol 比 Muse Spark 更好吗?
GPT-6 Sol (max) 与 Muse Spark 的质量不相上下(62.6 比 64.2,在 ±4.7 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 Sol 还是 Muse Spark 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 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 Sol 为 57.6%,Muse Spark 为 51.5%。
智能体和工具调用用 GPT-6 Sol 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 59,50 为平均水平)。
处理长文档哪个更好?
GPT-6 Sol 在长上下文基准测试上得分更高(67 比 64)。GPT-6 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 Sol 和 Muse Spark 的看法一致吗?
在两者都有结果的 22 项基准测试中,GPT-6 Sol 领先 12 项,Muse Spark 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。