GPT-6 Sol vs Muse Wonder Full
完整资料:GPT-6 Sol(OpenAI)和 Muse Wonder Full(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 Wonder Full 的质量不相上下(BenchLeader Index 62.6 比 61.7,在 ±4.0 的误差范围内)。在两者都有成绩的所有类别中,Muse Wonder Full 均领先。
要点(截至 2026年11月16日)
- GPT-6 Sol 的 BenchLeader Index 为 62.6,Muse Wonder Full 为 61.7(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 43 项基准测试中,Muse Wonder Full 领先 32 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,GPT-6 Sol 的评分为 1673,Muse Wonder Full 为 1724(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 | Muse Wonder Full | 类别得分 70 比 66;Arena WebDev 1724 比 1673 | 中 |
| 智能体与工具调用 | Muse Wonder Full | 类别得分 64 比 59;Arena Agent 9 比 6.9 | 中 |
| 推理 | 均可 | 类别得分 66 比 66;HLE-Diamond (AA) 45.2% 比 48.5% | 均可 |
| 知识 | Muse Wonder Full | 类别得分 62 比 61;AA-Omniscience v1.1 30.6 比 21.4 | 中 |
| 长文档 | 均可 | 类别得分 67 比 67;AA-LCR v1.1 83.7% 比 83.7% | 均可 |
| 对话质量(人类偏好) | – | 只有 GPT-6 Sol 有 Arena 评分(类别得分 64) | 无法比较 |
| 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 Full (max) 的质量不相上下(62.6 比 61.7,在 ±4.0 的误差范围内)。
- GPT-6 Sol (max) 在推理方面更强。
- Muse Wonder Full (max) 在智能体与工具、编程、知识方面更强。
概览
| 规格 | GPT-6 Sol | Muse Wonder Full |
|---|---|---|
| 提供商 | OpenAI | Meta |
| 发布日期 | 2026年9月22日 | 2026年10月12日 |
| 上下文窗口(token) | 1,050,000 | 1,000,000 |
| 对比时的配置 | GPT-6 Sol (max) | Muse Wonder Full (max) |
| 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 Wonder Full (max) | 领先者 |
|---|---|---|---|
| 推理 | 66.0 | 65.8 | 持平 |
| 编程 | 66.3 | 69.9 | Muse Wonder Full |
| 智能体与工具 | 58.8 | 63.6 | Muse Wonder Full |
| 数学 | 68.0 | – | 无法比较 |
| 知识 | 60.6 | 62.3 | Muse Wonder Full |
| 人类偏好 | 64.2 | – | 无法比较 |
| 多模态 | 60.6 | – | 无法比较 |
| 长上下文 | 66.6 | 66.6 | 持平 |
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, 多模态, 人类偏好。
各来源的分歧
在两者都有结果的 43 项基准测试中,GPT-6 Sol 领先 10 项,Muse Wonder Full 领先 32 项,1 项持平。所有同时评测两者的综合评分都认为 Muse Wonder Full 更强。
| 综合 Index | GPT-6 Sol (max) | Muse Wonder Full (max) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 62.6 | 61.7 | 不相上下 |
| AA Intelligence Index v5.0.1 | 44.2 | 50.1 | Muse Wonder Full |
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 Full (max) |
|---|---|---|
| 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 | 88k |
| 其中推理部分 | 35k | 55k |
| 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 Wonder Full (max) 得分 61.7。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 Wonder Full (max) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 62.6 | 61.7 |
| 智能体与工具得分 | BenchLeader | 58.8 | 63.6 |
| 编程得分 | BenchLeader | 66.3 | 69.9 |
| 人类偏好得分 | BenchLeader | 64.2 | – |
| 知识得分 | BenchLeader | 60.6 | 62.3 |
| 长上下文得分 | BenchLeader | 66.6 | 66.6 |
| 数学得分 | BenchLeader | 68.0 | – |
| 多模态得分 | BenchLeader | 60.6 | – |
| 推理得分 | BenchLeader | 66.0 | 65.8 |
| 混合价格(美元/百万 token) | BenchLeader | $4.00 | – |
| 输出速度 | BenchLeader | 127 tok/s | – |
| 首次回答时间 | BenchLeader | 36.9 秒 | – |
| 上下文窗口 | BenchLeader | 1,050,000 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 94.3% | – |
| SimpleBench | SimpleBench | 73.1%† | – |
| Arena Hard Prompts | Arena (LMArena) | 1483 | – |
| LiveBench 1.0 Reasoning | LiveBench | 88.7% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 47.9% | 53.6% |
| HLE-Diamond (AA) | Artificial Analysis | 45.2% | 48.5% |
| ARC-AGI-1 | ARC Prize | 95.5% | – |
| ARC-AGI-2 | ARC Prize | 89.6% | – |
| ARC-AGI-3 | ARC Prize | 23.0% | – |
| CritPt | Artificial Analysis | 30.9% | 32.9% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 66.5% | 56.5% |
| MysteryMechanism | Vals AI | 30.2% | 35.1% |
| HLE-Diamond (Scale) | Scale AI SEAL | 33.8%† | – |
| Arena Expert | Arena (LMArena) | 1496 | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 56.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 56.0% | – |
| LMCA | Epoch AI Benchmarking Hub | 59.1% | – |
| DTBench | Epoch AI Benchmarking Hub | 97.3% | – |
| 编程 | |||
| SciCode | SciCode | 57.6% | – |
| FrontierCode | Cognition | 49.3% | – |
| Arena Coding | Arena (LMArena) | 1521 | – |
| Arena WebDev | Arena (LMArena) | 1673 | 1724 |
| LiveBench 1.0 Coding | LiveBench | 81.8% | – |
| SciCode (AA) | Artificial Analysis | 57.6% | 62.6% |
| IOI | Vals AI | 82.6% | 79.8% |
显示全部 133 项基准测试
| 指标 | 发布方 | GPT-6 Sol (max) | Muse Wonder Full (max) |
|---|---|---|---|
| 编程 | |||
| Code Migration | Vals AI | 57.2% | 61.0% |
| Code Migration v1.1 | Vals AI | – | 62.8% |
| ProgramBench | Vals AI | 2.0% | 0.5% |
| SWE-bench Multimodal | Vals AI | – | 47.3% |
| Vibe Code Bench 1-100 | Vals AI | – | 34.0% |
| Vibe Code Bench v1.1 | Vals AI | 87.8% | 86.0% |
| MirrorCode | Epoch AI Benchmarking Hub | 48.9% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 2462 | – |
| WeirdML v3 | WeirdML | 19.7%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 43.9% | 57.1% |
| GameBench 2 Overall | DuelLab GameBench 2 | 73.0† | – |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 79.4† | – |
| Design Arena Website | Design Arena | 1290† | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 44.9% |
| FrontierCode 2.0 (AA) | Artificial Analysis | 35.6% | 37.8% |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 50.3% | – |
| APEX-Agents | Mercor | 54.3% | – |
| Arena Agent | Arena (LMArena) | 6.9 | 9 |
| LiveBench Agentic Coding | LiveBench | 52.9% | – |
| Terminal-Bench 2.1 (Vals) | Vals AI | 83.2% | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 67.8% |
| GDPval-AA v2.1 | Artificial Analysis | 1514 | 1857 |
| ITBench SRE (AA) | Artificial Analysis | 49.4% | – |
| CyberBench | Vals AI | 78.0% | 73.6% |
| Finance Agent v2 | Vals AI | 49.0% | 59.1% |
| Finance Agent v2.1 | Vals AI | – | 67.6% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 23.3% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 1.7% | 21.7% |
| Legal Research Bench | Vals AI | 28.9% | 53.4% |
| Robo-bench | Vals AI | – | 10.4% |
| SREBench | Vals AI | 30.5% | 11.8% |
| Tax Agent Bench | Vals AI | 15.0% | 43.0% |
| Terminal-Bench 4.0 (Vals) | Vals AI | 44.4% | 58.1% |
| Terminal-Bench Science | Vals AI | 30.0% | 37.1% |
| Arena Search | Arena (LMArena) | 1229 | – |
| Arena Agent Task Completion | Arena (LMArena) | 4.5 | 11.1 |
| Vending-Bench 2 | Andon Labs | 14427.9† | – |
| SpireClimb | Epoch AI Benchmarking Hub | 9.2% | – |
| AutomationBench | Artificial Analysis | 61.6% | 71.3% |
| GDP.pdf (AA) | Artificial Analysis | 25.2% | 32.6% |
| Harvey LAB-AA v1.1 | Harvey | 3.6% | 13.1% |
| AA-Briefcase v1.1 | Artificial Analysis | 1476 | 1729 |
| GDPx | GDPx by SemiAnalysis | – | 9.0% |
| Design Arena Agentic | Design Arena | 1218† | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 30.0% | 37.1% |
| CWE-Bench (AA) | Artificial Analysis | 64.2% | – |
| DeepSec-Bench (AA) | Artificial Analysis | 46.3% | – |
| CyberGym end-to-end (AA) | Artificial Analysis | 0.0% | – |
| FACTS Search | 92.7%† | – | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 89.8% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 90.0% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 100.0% | – |
| ProofBench | Vals AI | 83.0%† | – |
| LiveBench Mathematics | LiveBench | 96.4% | – |
| Arena Maths | Arena (LMArena) | 1440 | – |
| FrontierMath Erdős | Epoch AI Benchmarking Hub | 1.5% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 60.7% | – |
| LiveBench 1.0 Data Analysis | LiveBench | 81.2% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 21.4 | 30.6 |
| LegalBench | Vals AI | – | 87.4% |
| PRBench Legal | Scale AI SEAL | 38.6%† | – |
| BioMysteryBench | Vals AI | 74.8% | 73.3% |
| Excel Modeling Benchmark | Vals AI | 71.5% | 71.9% |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 75.0% |
| MedCode | Vals AI | 47.1% | 49.9% |
| MedScribe | Vals AI | 82.0% | 89.3% |
| Public Benefits Bench v1.1 | Vals AI | 56.6% | 73.8% |
| Access to Justice Benchmark | Vals AI | – | 74.7% |
| Financial Coaching Bench | Vals AI | 62.6% | 75.0% |
| Immigration Bench | Vals AI | – | 71.2% |
| EBR-bench | Epoch AI Benchmarking Hub | 53.3% | – |
| GDP.pdf | Epoch AI Benchmarking Hub | 26.4% | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 51.1% | 41.0% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 39.1% | 82.4% |
| HealthBench Professional (AA) | OpenAI | 62.3% | – |
| FACTS Parametric | 76.1%† | – | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | 85.3% | – |
| LiveBench Instruction Following | LiveBench | 68.6% | – |
| Arena Instruction Following | Arena (LMArena) | 1449 | – |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1457 | – |
| EQ-Bench Creative Writing v3 | EQ-Bench | 2126† | – |
| Arena Creative Writing | Arena (LMArena) | 1428 | – |
| Arena Multi-turn | Arena (LMArena) | 1468 | – |
| Arena Longer Queries | Arena (LMArena) | 1466 | – |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1233 | – |
| MMMU-Pro | Artificial Analysis | 83.0% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 31.2% | – |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | 36.9%† | – |
| Furniture Assembly | Epoch AI Benchmarking Hub | 58.3% | – |
| AA-3D | Artificial Analysis | 1131 | – |
| FACTS Multimodal | 43.9%† | – | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 83.7% | 83.7% |
| MLCR | Artificial Analysis | 33.9% | 22.2% |
| FACTS Grounding | 83.3%† | – | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 163.8† | – |
| LiveBench 1.0 | LiveBench | 79.3% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 44.2 | 50.1 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 47.6 | 55.8 |
| AA Progress Index v1 | Artificial Analysis | 334 | 343.2 |
| Vals Index | Vals AI | – | 66.8 |
| Vals Finance Index | Vals AI | – | 64.5% |
| Vals RSI Index | Vals AI | 28.1% | 24.4% |
| Vals Science Index | Vals AI | 45.0% | 48.5% |
| Vals Router Index | Vals AI | – | 66.8%† |
| Vals Legal Index | Vals AI | – | 77.9% |
| AA Cyber Index | Artificial Analysis | 36.8 | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 13.5%† | – |
| DistressBench | Scale AI SEAL | 68.0%† | – |
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 Wonder Full (max):BenchLeader Index 62.6 → 61.7。
- 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 Wonder Full (max):1 项分数修订。
- GPT-6 Sol (max):1 项分数修订。
相关对比
- GPT-6 Sol vs Claude Fable 5.2
- GPT-6 Sol vs Gemini 4 Carbon
- GPT-6 Sol vs Claude Opus 5.5
- Muse Wonder Full vs Claude Fable 5.2
- Muse Wonder Full vs Gemini 4 Carbon
- Muse Wonder Full vs Claude Opus 5.5
- Muse Wonder Full vs GPT-6 Astra
- GPT-6 Sol vs Muse Spark 1.3
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 Sol vs Muse Wonder Full:常见问题
- GPT-6 Sol 比 Muse Wonder Full 更好吗?
- GPT-6 Sol (max) 与 Muse Wonder Full (max) 的质量不相上下(62.6 比 61.7,在 ±4.0 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 Wonder Full 更好?
- Muse Wonder Full 在编程方面得分更高(类别得分 70 比 66,50 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 Wonder Full 为 1724。
- 智能体和工具调用用 GPT-6 Sol 还是 Muse Wonder Full 更好?
- Muse Wonder Full 在智能体任务方面得分更高(类别得分 64 比 59,50 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 Wonder Full 为 9。
- 处理长文档哪个更好?
- 两者在长上下文基准测试上持平(67 比 67)。两者都约为 1.1M token(GPT-6 Sol 为 1,050,000,Muse Wonder Full 为 1,000,000)。
- 第三方基准测试对 GPT-6 Sol 和 Muse Wonder Full 的看法一致吗?
- 在两者都有结果的 43 项基准测试中,GPT-6 Sol 领先 10 项,Muse Wonder Full 领先 32 项,1 项持平。所有同时评测两者的综合评分都认为 Muse Wonder Full 更强。
更多问题(1)
- Muse Wonder Full 是什么时候发布的?
- Muse Wonder Full 于 2026年10月12日 发布。