BenchLeader

GPT-6 Sol vs Muse Spark 1.2

完整资料:GPT-6 Sol(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 12 个来源

截至 2026年11月16日,GPT-6 Sol 与 Muse Spark 1.2 的质量不相上下(BenchLeader Index 62.6 比 61.5,在 ±5.9 的误差范围内)。Muse Spark 1.2 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。看重编程(66 比 55)、智能体与工具(59 比 55)和长上下文(67 比 64)选 GPT-6 Sol;看重多模态(65 比 61)、人类偏好(69 比 64)和知识(65 比 61)选 Muse Spark 1.2。Muse Spark 1.2 的首次回答更快(11.4 秒 比 36.9 秒)。Muse Spark 1.2 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • GPT-6 Sol 的 BenchLeader Index 为 62.6,Muse Spark 1.2 为 61.5(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)。
  • 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 Sol 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 55 项基准测试中,GPT-6 Sol 领先 35 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,GPT-6 Sol 的评分为 1673,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 Sol类别得分 66 比 55;Arena WebDev 1673 比 1534高
智能体与工具调用GPT-6 Sol类别得分 59 比 55;Arena Agent 6.9 比 -8.2中
数学GPT-6 Sol类别得分 68 比 67;Arena Maths 1440 比 1486中
推理Muse Spark 1.2类别得分 68 比 66;Arena Hard Prompts 1514 比 1483中
知识Muse Spark 1.2类别得分 65 比 61;SimpleQA Verified 60.3% 比 60.7%中
长文档GPT-6 Sol类别得分 67 比 64;AA-LCR v1.1 83.7% 比 79.0%中
图像及其他媒体Muse Spark 1.2类别得分 65 比 61;Arena Vision 1305 比 1233中
对话质量(人类偏好)Muse Spark 1.2Arena 投票 69 比 64中
成本最低Muse Spark 1.2每百万 token 混合价格 $2.00 比 $4.00;智能体编程会话 $0.092 比 $0.160–
首次回答最快Muse Spark 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))比 36.9 秒(GPT-6 Sol (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 Sol (max) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(62.6 比 61.5,在 ±5.9 的误差范围内)。
  • GPT-6 Sol (max) 在智能体与工具、编程、长上下文、数学方面更强。
  • Muse Spark 1.2 (xhigh) 在人类偏好、知识、多模态、推理方面更强。
  • Muse Spark 1.2 (xhigh) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。
  • Muse Spark 1.2 (xhigh) 的输出速度是对方的 1.6 倍(208 比 127 token/秒)。

概览

规格GPT-6 SolMuse Spark 1.2
提供商OpenAIMeta
发布日期2026年9月22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 Sol (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)$2.00 / $10.00 / $0.200$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 Sol (max)Muse Spark 1.2 (xhigh)领先者
推理66.068.1Muse Spark 1.2
编程66.354.7GPT-6 Sol
智能体与工具58.855.4GPT-6 Sol
数学68.066.8GPT-6 Sol
知识60.664.5Muse Spark 1.2
人类偏好64.268.6Muse Spark 1.2
多模态60.665.3Muse Spark 1.2
长上下文66.664.1GPT-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 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 55 项基准测试中,GPT-6 Sol 领先 35 项,Muse Spark 1.2 领先 20 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。

综合 IndexGPT-6 Sol (max)Muse Spark 1.2 (xhigh)领先者
BenchLeader Index62.661.5不相上下
Arena Text14571493Muse 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 Sol (max)Muse Spark 1.2 (xhigh)
每百万 token 混合价格$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$1.25 / $4.25
每百万 token 缓存输入$0.200$0.150
每项任务价格:聊天回复$0.0038$0.0018
每项任务价格:总结一份 30 页的报告$0.030$0.018
每项任务价格:代码编辑$0.027$0.014
每项任务价格:智能体编程会话$0.160$0.092
每项任务价格:结构化信息提取$0.0060$0.0034
智能体编程会话(输入大多命中缓存)$0.079$0.043
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/s208 tok/s
首次回答时间36.9 秒11.4 秒
完整回答耗时(最近一次测量 2026年11月13日)143.8 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 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 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 133 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 1.2 (xhigh)
BenchLeader IndexBenchLeader62.661.5
智能体与工具得分BenchLeader58.855.4
编程得分BenchLeader66.354.7
人类偏好得分BenchLeader64.268.6
知识得分BenchLeader60.664.5
长上下文得分BenchLeader66.664.1
数学得分BenchLeader68.066.8
多模态得分BenchLeader60.665.3
推理得分BenchLeader66.068.1
混合价格(美元/百万 token)BenchLeader$4.00$2.00
输出速度BenchLeader127 tok/s208 tok/s
首次回答时间BenchLeader36.9 秒11.4 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%–
SimpleBenchSimpleBench73.1%†74.5%†
Arena Hard PromptsArena (LMArena)14831514
LiveBench 1.0 ReasoningLiveBench88.7%90.0%
GPQA Diamond (AA)Artificial Analysis–90.4%
Humanity's Last Exam (AA)Artificial Analysis47.9%45.5%
HLE-Diamond (AA)Artificial Analysis45.2%–
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize89.6%–
ARC-AGI-3ARC Prize23.0%–
CritPtArtificial Analysis30.9%17.7%
CritPt v2 hard subset (AA)Artificial Analysis66.5%–
MysteryMechanismVals AI30.2%–
HLE-Diamond (Scale)Scale AI SEAL33.8%†–
Arena ExpertArena (LMArena)14961503
Chess PuzzlesEpoch AI Benchmarking Hub56.0%27.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%–
LMCAEpoch AI Benchmarking Hub59.1%48.4%
DTBenchEpoch AI Benchmarking Hub97.3%94.7%
编程
SciCodeSciCode57.6%57.4%
WeirdMLWeirdML–60.3%
FrontierCodeCognition49.3%–
Arena CodingArena (LMArena)15211542
Arena WebDevArena (LMArena)16731534
LiveBench 1.0 CodingLiveBench81.8%77.5%
显示全部 133 项基准测试
指标发布方GPT-6 Sol (max)Muse Spark 1.2 (xhigh)
编程
IOIVals AI82.6%21.8%
SWE-bench (Vals)Vals AI–86.6%
Code MigrationVals AI57.2%29.9%
ProgramBenchVals AI2.0%0.5%
Vibe Code Bench v1.1Vals AI87.8%79.1%
MirrorCodeEpoch AI Benchmarking Hub48.9%–
DeepSWE v1.1Epoch AI Benchmarking Hub–54.9%
ALE-BenchEpoch AI Benchmarking Hub2462–
FrontierSWEEpoch AI Benchmarking Hub–12.0%
WeirdML v3WeirdML19.7%†–
Terminal-Bench 4.0 (AA)Artificial Analysis43.9%7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis–80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 273.0†51.5†
GameBench 2 by reasoning settingDuelLab GameBench 279.4†56.9
Design Arena WebsiteDesign Arena1290†1309†
FrontierCode 2.0 (AA)Artificial Analysis35.6%–
智能体与工具
Terminal-BenchTerminal-Bench50.3%–
APEX-AgentsMercor54.3%45.4%†
Arena AgentArena (LMArena)6.9-8.2
LiveBench Agentic CodingLiveBench52.9%57.6%
Terminal-Bench 2.1 (Vals)Vals AI83.2%69.7%
GDPval-AA v2.1Artificial Analysis15141478
τ³-Banking (AA)Artificial Analysis–34.9%
ITBench SRE (AA)Artificial Analysis49.4%–
CyberBenchVals AI78.0%69.5%
Finance Agent v2Vals AI49.0%60.6%
Harvey's Legal Agent Benchmark v1Vals AI1.7%25.4%
Legal Research BenchVals AI28.9%43.8%
SkillsBenchVals AI–53.0%
SREBenchVals AI30.5%0.0%
Tax Agent BenchVals AI15.0%32.8%
Terminal-Bench 4.0 (Vals)Vals AI44.4%6.1%
Terminal-Bench ScienceVals AI30.0%–
Arena SearchArena (LMArena)1229–
Arena Agent Task CompletionArena (LMArena)4.5-9.8
Vending-Bench 2Andon Labs14427.9†–
SpireClimbEpoch AI Benchmarking Hub9.2%–
AutomationBenchArtificial Analysis61.6%40.6%
GDP.pdf (AA)Artificial Analysis25.2%17.4%
Harvey LAB-AA v1.1Harvey3.6%–
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis14761323
Design Arena AgenticDesign Arena1218†1185†
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%–
ProofBenchVals AI83.0%†43.0%†
LiveBench MathematicsLiveBench96.4%91.2%
Arena MathsArena (LMArena)14401486
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.7%60.3%
LiveBench 1.0 Data AnalysisLiveBench81.2%76.5%
AA-Omniscience v1.1Artificial Analysis21.4–
MMLU-ProVals AI–88.3%
LegalBenchVals AI–85.3%
CorpFinVals AI–70.9%
TaxEvalVals AI–80.4%
PRBench LegalScale AI SEAL38.6%†–
BioMysteryBenchVals AI74.8%64.8%
Excel Modeling BenchmarkVals AI71.5%57.0%
MedCodeVals AI47.1%49.4%
MedScribeVals AI82.0%90.1%
Public Benefits Bench v1.1Vals AI56.6%68.5%
Financial Coaching BenchVals AI62.6%75.7%
Immigration BenchVals AI–66.5%
EBR-benchEpoch AI Benchmarking Hub53.3%–
GDP.pdfEpoch AI Benchmarking Hub26.4%16.0%
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%78.6%
LiveBench Instruction FollowingLiveBench68.6%74.3%
Arena Instruction FollowingArena (LMArena)14491479
人类偏好
Arena TextArena (LMArena)14571493
EQ-Bench Creative Writing v3EQ-Bench2126†1842†
Arena Creative WritingArena (LMArena)14281443
Arena Multi-turnArena (LMArena)14681510
Arena Longer QueriesArena (LMArena)14661491
多模态
Arena VisionArena (LMArena)12331305
MMMU-ProArtificial Analysis83.0%–
MMMU-Pro (Vals)Vals AI–86.1%
MortgageTaxVals AI–65.4%
Humanity's Sixth SenseScale AI SEAL31.2%24.5%
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%79.0%
MLCRArtificial Analysis33.9%7.2%
FACTS GroundingGoogle83.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.8†155.0†
LiveBench 1.0LiveBench79.3%78.0%
AA Intelligence Index v5.0.1Artificial Analysis44.2–
AA Intelligence Index v4.3.2Artificial Analysis47.639.6
AA Progress Index v1Artificial Analysis334309.1
Vals RSI IndexVals AI28.1%–
Vals Science IndexVals AI45.0%–
Vals Multimodal IndexVals AI–69.8%†
AA Cyber IndexArtificial Analysis36.8–
安全与诚实
FORTRESSScale AI SEAL13.5%†–
DistressBenchScale AI SEAL68.0%†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 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • 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。
  • GPT-6 Sol (max):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)…)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • GPT-6 Sol (max):1 项分数修订。

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 1.2:常见问题

GPT-6 Sol 比 Muse Spark 1.2 更好吗?
GPT-6 Sol (max) 与 Muse Spark 1.2 (xhigh) 的质量不相上下(62.6 比 61.5,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 Sol 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 $4.00(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 Sol 还是 Muse Spark 1.2 更好?
GPT-6 Sol 在编程方面得分更高(类别得分 66 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 Sol 为 1673,Muse Spark 1.2 为 1534。
GPT-6 Sol 和 Muse Spark 1.2 哪个更快?
Muse Spark 1.2 输出更快(约 1.5 倍;输出 208 比 127 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Sol 还是 Muse Spark 1.2 更好?
GPT-6 Sol 在智能体任务方面得分更高(类别得分 59 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 Arena Agent 上,GPT-6 Sol 为 6.9,Muse Spark 1.2 为 -8.2。
更多问题(4)
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)。两者都约为 1.1M token(GPT-6 Sol 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 36.9 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 Sol 和 Muse Spark 1.2 的看法一致吗?
在两者都有结果的 55 项基准测试中,GPT-6 Sol 领先 35 项,Muse Spark 1.2 领先 20 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
GPT-6 Sol 是什么时候发布的?
GPT-6 Sol 于 2026年9月22日 发布。