BenchLeader

GPT-6 Sol vs Muse Wonder

完整资料:GPT-6 Sol(OpenAI)和 Muse Wonder(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 Sol 与 Muse Wonder 的质量不相上下(BenchLeader Index 62.6 比 64.4,在 ±4.4 的误差范围内)。GPT-6 Sol 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。GPT-6 Sol 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 Wonder 为 64.4(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 Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • GPT-6 Sol 比 Muse Wonder 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 2 项基准测试中,GPT-6 Sol 领先 2 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
智能体与工具调用Muse Wonder类别得分 76 比 59高
数学Muse Wonder类别得分 70 比 68中
知识Muse Wonder类别得分 77 比 61高
对话质量(人类偏好)Muse WonderArena 投票 70 比 64中
成本最低GPT-6 Sol每百万 token 混合价格 $4.00 比 $8.00;智能体编程会话 $0.160 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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 Wonder 的质量不相上下(62.6 比 64.4,在 ±4.4 的误差范围内)。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • GPT-6 Sol (max) 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $4.00 比 $8.00)。
  • GPT-6 Sol (max) 的输出速度是对方的 1.8 倍(127 比 70 token/秒)。

概览

规格GPT-6 SolMuse Wonder
提供商OpenAIMeta
发布日期2026年9月22日2026年10月12日
上下文窗口(token)1,050,0001,048,576
对比时的配置GPT-6 Sol (max)Muse Wonder
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$4.00 / $20.00 / $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 Wonder领先者
推理66.0–无法比较
编程66.3–无法比较
智能体与工具58.875.6Muse Wonder
数学68.070.1Muse Wonder
知识60.677.1Muse Wonder
人类偏好64.269.6Muse Wonder
多模态60.6–无法比较
长上下文66.6–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智能体与工具数学知识人类偏好GPT-6 Sol, 智能体与工具: 58.8GPT-6 Sol, 数学: 68.0GPT-6 Sol, 知识: 60.6GPT-6 Sol, 人类偏好: 64.2Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1Muse Wonder, 人类偏好: 69.6

未绘制(测得的模型少于两个):推理, 编程, 指令遵循, 长上下文, 多模态。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 2 项基准测试中,GPT-6 Sol 领先 2 项,Muse Wonder 领先 0 项。第三方来源看法不一:GPT-6 Sol 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Arena Text 上领先。

综合 IndexGPT-6 Sol (max)Muse Wonder领先者
BenchLeader Index62.664.4不相上下
AA Intelligence Index v5.0.144.240.5†GPT-6 Sol
Arena Text14571511†Muse Wonder

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 Wonder
每百万 token 混合价格$4.00$8.00
每百万 token 输入 / 输出$2.00 / $10.00$4.00 / $20.00
每百万 token 缓存输入$0.200$0.200
每项任务价格:聊天回复$0.0038$0.0076
每项任务价格:总结一份 30 页的报告$0.030$0.060
每项任务价格:代码编辑$0.027$0.054
每项任务价格:智能体编程会话$0.160$0.320
每项任务价格:结构化信息提取$0.0060$0.012
智能体编程会话(输入大多命中缓存)$0.079$0.149
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/s70 tok/s
首次回答时间36.9 秒3.3 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(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 153 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 Wonder
BenchLeader IndexBenchLeader62.664.4
智能体与工具得分BenchLeader58.875.6
编程得分BenchLeader66.3–
人类偏好得分BenchLeader64.269.6
知识得分BenchLeader60.677.1
长上下文得分BenchLeader66.6–
数学得分BenchLeader68.070.1
多模态得分BenchLeader60.6–
推理得分BenchLeader66.0–
混合价格(美元/百万 token)BenchLeader$4.00$8.00
输出速度BenchLeader127 tok/s70 tok/s
首次回答时间BenchLeader36.9 秒3.3 秒
上下文窗口BenchLeader1,050,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.3%–
SimpleBenchSimpleBench73.1%†–
Arena Hard PromptsArena (LMArena)14831531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench88.7%90.6%†
Humanity's Last Exam (AA)Artificial Analysis47.9%50.1%†
HLE-Diamond (AA)Artificial Analysis45.2%39.0%†
ARC-AGI-1ARC Prize95.5%–
ARC-AGI-2ARC Prize89.6%–
ARC-AGI-3ARC Prize23.0%–
CritPtArtificial Analysis30.9%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis66.5%50.5%†
MysteryMechanismVals AI30.2%27.5%†
HLE-Diamond (Scale)Scale AI SEAL33.8%†37.3%
Arena ExpertArena (LMArena)14961525†
Chess PuzzlesEpoch AI Benchmarking Hub56.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub56.0%51.0%†
LMCAEpoch AI Benchmarking Hub59.1%56.8%
DTBenchEpoch AI Benchmarking Hub97.3%95.2%
编程
SciCodeSciCode57.6%60.3%†
FrontierCodeCognition49.3%–
Arena CodingArena (LMArena)15211542†
Arena WebDevArena (LMArena)16731647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench81.8%80.7%†
显示全部 153 项基准测试
指标发布方GPT-6 Sol (max)Muse Wonder
编程
IOIVals AI82.6%66.9%†
Code MigrationVals AI57.2%62.5%†
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI2.0%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI87.8%83.1%†
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub48.9%45.6%†
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub2462–
WeirdML v3WeirdML19.7%†15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis43.9%52.0%†
GameBench 2 OverallDuelLab GameBench 273.0†64.8
GameBench 2 by reasoning settingDuelLab GameBench 279.4†54.9†
Design Arena WebsiteDesign Arena1290†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis35.6%27.9%†
智能体与工具
Terminal-BenchTerminal-Bench50.3%47.0%†
APEX-AgentsMercor54.3%66.1%†
Arena AgentArena (LMArena)6.91.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench52.9%62.7%†
Terminal-Bench 2.1 (Vals)Vals AI83.2%–
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis15141770†
ITBench SRE (AA)Artificial Analysis49.4%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI78.0%80.4%†
Finance Agent v2Vals AI49.0%56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI1.7%17.1%†
Legal Research BenchVals AI28.9%50.5%†
SREBenchVals AI30.5%–
Tax Agent BenchVals AI15.0%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI44.4%49.5%†
Terminal-Bench ScienceVals AI30.0%22.9%†
Arena SearchArena (LMArena)1229–
Arena Agent Task CompletionArena (LMArena)4.55.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs14427.9†9432.2
SpireClimbEpoch AI Benchmarking Hub9.2%–
AutomationBenchArtificial Analysis61.6%68.1%†
GDP.pdf (AA)Artificial Analysis25.2%30.6%†
Harvey LAB-AA v1.1Harvey3.6%10.0%†
AA-Briefcase v1.1Artificial Analysis14761659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1218†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis30.0%25.7%†
CWE-Bench (AA)Artificial Analysis64.2%–
DeepSec-Bench (AA)Artificial Analysis46.3%–
CyberGym end-to-end (AA)Artificial Analysis0.0%–
MKA (AA)Artificial Analysis–47.5%†
FACTS SearchGoogle92.7%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub89.8%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub90.0%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%99.4%†
ProofBenchVals AI83.0%†84.0%
LiveBench MathematicsLiveBench96.4%96.5%†
Arena MathsArena (LMArena)14401490†
FrontierMath ErdősEpoch AI Benchmarking Hub1.5%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.7%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench81.2%81.6%†
AA-Omniscience v1.1Artificial Analysis21.425.1†
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL38.6%†58.4%
BioMysteryBenchVals AI74.8%67.0%†
Excel Modeling BenchmarkVals AI71.5%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI47.1%–
MedScribeVals AI82.0%–
Public Benefits Bench v1.1Vals AI56.6%70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI62.6%73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub53.3%31.4%†
GDP.pdfEpoch AI Benchmarking Hub26.4%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis51.1%38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis39.1%79.1%†
HealthBench Professional (AA)OpenAI62.3%–
FACTS ParametricGoogle76.1%†–
指令遵循
LiveBench LanguageLiveBench85.3%82.9%†
LiveBench Instruction FollowingLiveBench68.6%73.0%†
Arena Instruction FollowingArena (LMArena)14491498†
人类偏好
Arena TextArena (LMArena)14571511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench2126†2007
Arena Creative WritingArena (LMArena)14281491†
Arena Multi-turnArena (LMArena)14681525†
Arena Longer QueriesArena (LMArena)14661507†
多模态
Arena VisionArena (LMArena)1233–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis83.0%83.8%†
Humanity's Sixth SenseScale AI SEAL31.2%43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub36.9%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub58.3%54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
AA-3DArtificial Analysis1131–
FACTS MultimodalGoogle43.9%†–
长上下文
AA-LCR v1.1Artificial Analysis83.7%80.7%†
MLCRArtificial Analysis33.9%22.2%†
FACTS GroundingGoogle83.3%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub163.8†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench79.3%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis44.243.6†
AA Intelligence Index v4.3.2Artificial Analysis47.652.4†
AA Progress Index v1Artificial Analysis334335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals RSI IndexVals AI28.1%–
Vals Science IndexVals AI45.0%39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
AA Cyber IndexArtificial Analysis36.8–
安全与诚实
FORTRESSScale AI SEAL13.5%†–
DistressBenchScale AI SEAL68.0%†85.9%

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

  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • GPT-6 Sol (max):1 项新结果(GDPval-AA v2.1)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • GPT-6 Sol (max):1 项新结果(MirrorCode)。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • GPT-6 Sol (max):BenchLeader Index 63.5 → 62.9。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • GPT-6 Sol (max):2 项分数修订。
  • Muse Wonder:5 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 Wonder:常见问题

GPT-6 Sol 比 Muse Wonder 更好吗?
GPT-6 Sol (max) 与 Muse Wonder 的质量不相上下(62.6 比 64.4,在 ±4.4 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 Wonder 哪个更便宜?价格会变吗?
目前 GPT-6 Sol 更便宜:每百万 token $4.00 比 $8.00(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。
GPT-6 Sol 和 Muse Wonder 哪个更快?
GPT-6 Sol 输出更快(约 1.5 倍;输出 127 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 GPT-6 Sol 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 59,50 为平均水平)。
处理长文档哪个更好?
两者都约为 1.1M token(GPT-6 Sol 为 1,050,000,Muse Wonder 为 1,048,576)。
更多问题(3)
哪个延迟更低?
Muse Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Wonder 的看法一致吗?
在两者都有结果的 2 项基准测试中,GPT-6 Sol 领先 2 项,Muse Wonder 领先 0 项。第三方来源看法不一:GPT-6 Sol 在 AA Intelligence Index v5.0.1 上领先;Muse Wonder 在 Arena Text 上领先。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。