BenchLeader

Grok 4.20 vs Muse Wonder

完整资料:Grok 4.20(SpaceXAI)和 Muse Wonder(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,质量上 Muse Wonder 领先 Grok 4.20(BenchLeader Index 64.4 比 58.3)。不过,Grok 4.20 更便宜,对方的价格是它的 5.1 倍(每百万 token 混合价格 $1.56 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。Grok 4.20 输出更快。

要点(截至 2026年11月16日)

  • Grok 4.20 的 BenchLeader Index 为 58.3,Muse Wonder 为 64.4(BenchLeader,2026年11月16日)。
  • Grok 4.20 每百万 token 混合价格为 $1.56(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)。
  • Grok 4.20 比 Muse Wonder 输出更快(Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 1 项基准测试中,Muse Wonder 领先 1 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 51高
数学Muse Wonder类别得分 70 比 54;ProofBench 84.0% 比 14.0%高
知识Muse Wonder类别得分 77 比 53高
对话质量(人类偏好)Muse WonderArena 投票 70 比 66中
成本最低Grok 4.20每百万 token 混合价格 $1.56 比 $8.00;智能体编程会话 $0.085 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)比 12.1 秒(Grok 4.20 (thinking))–
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 Muse Wonder 领先:64.4 比 58.3。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • Grok 4.20 (thinking) 更便宜,对方的价格是它的 5.1 倍(每百万 token 混合价格 $1.56 比 $8.00)。
  • Grok 4.20 (thinking) 的输出速度是对方的 1.6 倍(111 比 70 token/秒)。

概览

规格Grok 4.20Muse Wonder
提供商SpaceXAIMeta
发布日期2026年2月17日2026年10月12日
上下文窗口(token)2,000,0001,048,576
对比时的配置Grok 4.20 (thinking)Muse Wonder
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $2.50 / $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Grok 4.20 (thinking)Muse Wonder领先者
推理60.5–无法比较
编程53.3–无法比较
智能体与工具50.575.6Muse Wonder
数学53.770.1Muse Wonder
知识53.077.1Muse Wonder
指令遵循78.7–无法比较
人类偏好66.069.6Muse Wonder
多模态58.3–无法比较
长上下文58.9–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Grok 4.20, 智能体与工具: 50.5Grok 4.20, 数学: 53.7Grok 4.20, 知识: 53.0Grok 4.20, 人类偏好: 66.0Muse 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 1 项基准测试中,Grok 4.20 领先 0 项,Muse Wonder 领先 1 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexGrok 4.20 (thinking)Muse Wonder领先者
BenchLeader Index58.364.4Muse Wonder
Arena Text14721511†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Grok 4.20 (thinking)Muse Wonder
每百万 token 混合价格$1.56$8.00
每百万 token 输入 / 输出$1.25 / $2.50$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$0.0013$0.0076
每项任务价格:总结一份 30 页的报告$0.017$0.060
每项任务价格:代码编辑$0.011$0.054
每项任务价格:智能体编程会话$0.085$0.320
每项任务价格:结构化信息提取$0.0030$0.012
智能体编程会话(输入大多命中缓存)$0.038$0.149
输出速度111 tok/s70 tok/s
首次回答时间12.1 秒3.3 秒
完整回答耗时(最近一次测量 2026年11月13日)43.8 秒–

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.20 (thinking) 得分 58.3,首个回答 token 需 12 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 159 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Grok 4.20 (thinking)Muse Wonder
BenchLeader IndexBenchLeader58.364.4
智能体与工具得分BenchLeader50.575.6
编程得分BenchLeader53.3–
人类偏好得分BenchLeader66.069.6
指令遵循得分BenchLeader78.7–
知识得分BenchLeader53.077.1
长上下文得分BenchLeader58.9–
数学得分BenchLeader53.770.1
多模态得分BenchLeader58.3–
推理得分BenchLeader60.5–
混合价格(美元/百万 token)BenchLeader$1.56$8.00
输出速度BenchLeader111 tok/s70 tok/s
首次回答时间BenchLeader12.1 秒3.3 秒
上下文窗口BenchLeader2,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub89.3%–
Arena Hard PromptsArena (LMArena)14891531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
GPQA Diamond (AA)Artificial Analysis91.1%–
Humanity's Last Exam (AA)Artificial Analysis34.5%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
GPQA Diamond (Vals)Vals AI88.6%–
Kagi LLM BenchmarkKagi LLM Benchmark75.0%–
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize65.1%–
ARC-AGI-3ARC Prize0.1%–
CritPtArtificial Analysis6.6%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)14771525†
Chess PuzzlesEpoch AI Benchmarking Hub29.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–51.0%†
CL-benchEpoch AI Benchmarking Hub22.2%†–
CL-bench LifeEpoch AI Benchmarking Hub11.9%†–
LMCAEpoch AI Benchmarking Hub38.7%†56.8%
DTBenchEpoch AI Benchmarking Hub90.1%†95.2%
ForecastBenchForecastBench64.1%–
编程
SciCodeSciCode–60.3%†
显示全部 159 项基准测试
指标发布方Grok 4.20 (thinking)Muse Wonder
编程
WeirdMLWeirdML52.3%†–
Arena CodingArena (LMArena)15111542†
Arena WebDevArena (LMArena)13761647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench–80.7%†
LiveCodeBenchVals AI84.3%–
IOIVals AI–66.9%†
SWE-bench (Vals)Vals AI72.2%–
Code MigrationVals AI0.3%62.5%†
Code Migration v1.1Vals AI–72.4%†
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI4.1%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 Hub–45.6%†
CursorBenchCursor–50.4%†
ALE-BenchEpoch AI Benchmarking Hub1150.3†–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–52.0%†
GameBench 2 OverallDuelLab GameBench 2–64.8
GameBench 2 by reasoning settingDuelLab GameBench 2–54.9†
Design Arena WebsiteDesign Arena12211378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
智能体与工具
Terminal-BenchTerminal-Bench57.3%†47.0%†
APEX-AgentsMercor–66.1%†
Arena AgentArena (LMArena)–1.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench–62.7%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis93.0%–
Terminal-Bench 2.1 (Vals)Vals AI44.2%–
HiL-BenchScale AI SEAL20.0%†79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis–1770†
APEX-Agents (AA)Artificial Analysis14.2%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI28.5%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 AI0.0%17.1%†
Legal Research BenchVals AI13.9%50.5%†
Tax Agent BenchVals AI7.0%36.3%†
Terminal-Bench 2.0 (Vals)Vals AI40.5%–
Terminal-Bench 4.0 (Vals)Vals AI–49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena Agent Task CompletionArena (LMArena)–5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs4662.9†9432.2
AutomationBenchArtificial Analysis–68.1%†
GDP.pdf (AA)Artificial Analysis–30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis–1659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena10931177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub44.9%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub92.2%99.4%†
ProofBenchVals AI14.0%84.0%
LiveBench MathematicsLiveBench–96.5%†
AIME (Vals)Vals AI96.5%–
Arena MathsArena (LMArena)14641490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub30.2%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench–81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
MMLU-ProVals AI86.3%–
LegalBenchVals AI77.7%–
CorpFinVals AI63.7%–
TaxEvalVals AI74.1%–
MedQAVals AI94.5%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI–67.0%†
CaseLaw v2Vals AI54.5%–
Excel Modeling BenchmarkVals AI11.7%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI32.2%–
MedScribeVals AI63.4%–
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指令遵循
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–73.0%†
IFBenchArtificial Analysis81.2%–
Arena Instruction FollowingArena (LMArena)14481498†
人类偏好
Arena TextArena (LMArena)14721511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench1574†2007
Arena Creative WritingArena (LMArena)14451491†
Arena Multi-turnArena (LMArena)14791525†
Arena Longer QueriesArena (LMArena)14661507†
多模态
Arena VisionArena (LMArena)1263–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis74.6%83.8%†
MMMU-Pro (Vals)Vals AI83.5%–
MortgageTaxVals AI45.4%–
Humanity's Sixth SenseScale AI SEAL–43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub0.0%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub–54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis69.0%80.7%†
Arena DocumentArena (LMArena)1440–
MLCRArtificial Analysis–22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub152.3†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench–81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis25.752.4†
AA Progress Index v1Artificial Analysis281.9335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals Science IndexVals AI–39.1%†
Vals Multimodal IndexVals AI39.1%–
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
DistressBenchScale AI SEAL–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。
  • Grok 4.20 (thinking):1 项分数修订。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • Muse Wonder:1 项分数修订。
  • Muse Wonder:1 项新结果(Startrise Frontend)。
  • Grok 4.20 (thinking):BenchLeader Index 58.9 → 58.4。
  • Grok 4.20 (thinking):1 项新结果(AA Progress Index v1)。

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

Grok 4.20 vs Muse Wonder:常见问题

Muse Wonder 比 Grok 4.20 更好吗?
质量上 Muse Wonder 领先:64.4 比 58.3。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Muse Wonder 总体领先,但请结合你的用途查看各类别得分。
Grok 4.20 和 Muse Wonder 哪个更便宜?价格会变吗?
目前 Grok 4.20 更便宜:每百万 token $1.56 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。
Grok 4.20 和 Muse Wonder 哪个更快?
Grok 4.20 输出更快(输出 111 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.20 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 51,50 为平均水平)。
处理长文档哪个更好?
Grok 4.20 支持更长的上下文:2,000,000 token,Muse Wonder 为 1,048,576 token。
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 12.1 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 Grok 4.20 和 Muse Wonder 的看法一致吗?
在两者都有结果的 1 项基准测试中,Grok 4.20 领先 0 项,Muse Wonder 领先 1 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。