BenchLeader

Grok 4.6 vs Muse Wonder

完整资料:Grok 4.6(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 11 个来源

截至 2026年11月16日,Grok 4.6 与 Muse Wonder 的质量不相上下(BenchLeader Index 60.6 比 64.4,在 ±4.5 的误差范围内)。Grok 4.6 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $3.00 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。

要点(截至 2026年11月16日)

  • Grok 4.6 的 BenchLeader Index 为 60.6,Muse Wonder 为 64.4(BenchLeader,2026年11月16日)。
  • Grok 4.6 每百万 token 混合价格为 $3.00(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)。

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 63中
知识Muse Wonder类别得分 77 比 60高
对话质量(人类偏好)Muse WonderArena 投票 70 比 64中
成本最低Grok 4.6每百万 token 混合价格 $3.00 比 $8.00;智能体编程会话 $0.144 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)比 28.6 秒(Grok 4.6 (high))–
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

  • Grok 4.6 (high) 与 Muse Wonder 的质量不相上下(60.6 比 64.4,在 ±4.5 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。
  • Grok 4.6 (high) 更便宜,对方的价格是它的 2.7 倍(每百万 token 混合价格 $3.00 比 $8.00)。

概览

规格Grok 4.6Muse Wonder
提供商SpaceXAIMeta
发布日期2026年8月11日2026年10月12日
上下文窗口(token)500,0001,048,576
对比时的配置Grok 4.6 (high)Muse Wonder
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $6.00 / $0.500$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 4.6 (high)Muse Wonder领先者
推理63.5–无法比较
编程61.1–无法比较
智能体与工具59.275.6Muse Wonder
数学63.470.1Muse Wonder
知识59.577.1Muse Wonder
人类偏好64.169.6Muse Wonder
多模态60.0–无法比较
长上下文64.8–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 4.6, 智能体与工具: 59.2Grok 4.6, 数学: 63.4Grok 4.6, 知识: 59.5Grok 4.6, 人类偏好: 64.1Muse 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 0 项基准测试中,Grok 4.6 领先 0 项,Muse Wonder 领先 0 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexGrok 4.6 (high)Muse Wonder领先者
BenchLeader Index60.664.4不相上下
AA Intelligence Index v5.0.131.0†40.5Muse Wonder
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Grok 4.6 (high)Muse Wonder
每百万 token 混合价格$3.00$8.00
每百万 token 输入 / 输出$2.00 / $6.00$4.00 / $20.00
每百万 token 缓存输入$0.500$0.200
每项任务价格:聊天回复$0.0026$0.0076
每项任务价格:总结一份 30 页的报告$0.028$0.060
每项任务价格:代码编辑$0.021$0.054
每项任务价格:智能体编程会话$0.144$0.320
每项任务价格:结构化信息提取$0.0052$0.012
智能体编程会话(输入大多命中缓存)$0.076$0.149
输出速度73 tok/s70 tok/s
首次回答时间28.6 秒3.3 秒
完整回答耗时(最近一次测量 2026年11月13日)62.7 秒–

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.6 (high) 得分 60.6,首个回答 token 需 29 秒;Grok 4.6 (medium) 为 59.4(19 秒),Grok 4.6 (xhigh) 为 56.1(37 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 162 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 4.6 (high)Muse Wonder
BenchLeader IndexBenchLeader60.664.4
智能体与工具得分BenchLeader59.275.6
编程得分BenchLeader61.1–
人类偏好得分BenchLeader64.169.6
知识得分BenchLeader59.577.1
长上下文得分BenchLeader64.8–
数学得分BenchLeader63.470.1
多模态得分BenchLeader60.0–
推理得分BenchLeader63.5–
混合价格(美元/百万 token)BenchLeader$3.00$8.00
输出速度BenchLeader73 tok/s70 tok/s
首次回答时间BenchLeader28.6 秒3.3 秒
上下文窗口BenchLeader500,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.0%–
SimpleBenchSimpleBench75.9%†–
Arena Hard PromptsArena (LMArena)14811531†
LiveBench 2.0 ReasoningLiveBench91.2%†90.6%†
LiveBench 1.0 ReasoningLiveBench90.5%†90.6%†
GPQA Diamond (AA)Artificial Analysis95.0%–
Humanity's Last Exam (AA)Artificial Analysis42.9%50.1%†
HLE-Diamond (AA)Artificial Analysis21.5%†39.0%†
GPQA Diamond (Vals)Vals AI94.7%–
ARC-AGI-1ARC Prize87.0%–
ARC-AGI-2ARC Prize65.1%–
ARC-AGI-3ARC Prize2.1%†–
CritPtArtificial Analysis17.1%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis40.0%†50.5%†
MysteryMechanismVals AI30.6%27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)14961525†
Chess PuzzlesEpoch AI Benchmarking Hub33.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub34.0%†51.0%†
LMCAEpoch AI Benchmarking Hub48.5%†56.8%
DTBenchEpoch AI Benchmarking Hub97.3%†95.2%
ForecastBenchForecastBench65.4%†–
编程
SciCodeSciCode56.5%60.3%†
WeirdMLWeirdML67.3%–
FrontierCodeCognition48.0%†–
显示全部 162 项基准测试
指标发布方Grok 4.6 (high)Muse Wonder
编程
Arena CodingArena (LMArena)15081542†
Arena WebDevArena (LMArena)16181647†
LiveBench 2.0 CodingLiveBench76.7%†74.9%†
LiveBench 1.0 CodingLiveBench76.8%†80.7%†
LiveCodeBenchVals AI88.2%–
IOIVals AI47.6%66.9%†
SWE-bench (Vals)Vals AI95.6%–
Code MigrationVals AI44.6%62.5%†
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI1.0%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI14.8%26.6%†
Vibe Code Bench v1.1Vals AI76.2%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 Hub41.1%†45.6%†
DeepSWE v1.1Epoch AI Benchmarking Hub65.2%–
CursorBenchCursor40.4%50.4%†
ALE-BenchEpoch AI Benchmarking Hub1508.1†–
FrontierSWEEpoch AI Benchmarking Hub25.3%†–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis21.2%52.0%†
Terminal-Bench 2.1 (AA)Artificial Analysis88.4%–
Startrise FrontendStartrise72.1%†–
GameBench 2 OverallDuelLab GameBench 259.4†64.8
GameBench 2 by reasoning settingDuelLab GameBench 268.7†54.9†
Design Arena WebsiteDesign Arena1277†1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis19.8%†27.9%†
智能体与工具
Terminal-BenchTerminal-Bench19.7%47.0%†
APEX-AgentsMercor65.3%†66.1%†
Arena AgentArena (LMArena)-0.2†1.8†
LiveBench Long AgenticLiveBench18.7%†46.2%†
LiveBench BrowserLiveBench49.4%†60.0%†
LiveBench Agentic CodingLiveBench57.0%†62.7%†
Terminal-Bench 2.1 (Vals)Vals AI78.3%–
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis16271770†
τ³-Banking (AA)Artificial Analysis50.7%–
Analyst Agent (AA)Artificial Analysis41.3%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI67.7%80.4%†
Finance Agent v2Vals AI53.7%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 AI15.8%17.1%†
Legal Research BenchVals AI48.1%50.5%†
SkillsBenchVals AI55.8%–
Tax Agent BenchVals AI33.7%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI17.2%49.5%†
Terminal-Bench ScienceVals AI11.4%22.9%†
Time Horizon Index: KSPVals AI5.8%–
Arena Agent Task CompletionArena (LMArena)-2.6†5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs9047.0†9432.2
AutomationBenchArtificial Analysis66.7%68.1%†
GDP.pdf (AA)Artificial Analysis17.0%30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
EnterpriseOps-GymArtificial Analysis48.3%–
AA-Briefcase v1.1Artificial Analysis15261659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1239†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis6.2%25.7%†
MKA (AA)Artificial Analysis–47.5%†
FACTS SearchGoogle87.9%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub66.0%†82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub31.7%†70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub97.8%99.4%†
ProofBenchVals AI51.0%†84.0%
LiveBench MathematicsLiveBench92.6%†96.5%†
Arena MathsArena (LMArena)14451490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub49.3%–
LiveBench 2.0 Data AnalysisLiveBench75.3%†81.6%†
LiveBench ResearchLiveBench88.8%†93.0%†
LiveBench 1.0 Data AnalysisLiveBench73.9%†81.6%†
AA-Omniscience v1.1Artificial Analysis24.9†25.1†
MMLU-ProVals AI89.4%–
LegalBenchVals AI86.3%–
CorpFinVals AI66.2%–
TaxEvalVals AI71.1%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI72.2%67.0%†
Excel Modeling BenchmarkVals AI62.7%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI44.7%–
MedScribeVals AI86.5%–
Public Benefits Bench v1.1Vals AI66.8%70.2%†
Access to Justice BenchmarkVals AI71.3%73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI66.0%69.6%†
EBR-benchEpoch AI Benchmarking Hub30.5%†31.4%†
GDP.pdfEpoch AI Benchmarking Hub16.0%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis46.2%†38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis60.3%†79.1%†
FACTS ParametricGoogle44.5%†–
指令遵循
LiveBench LanguageLiveBench83.7%†82.9%†
LiveBench Instruction FollowingLiveBench71.9%†73.0%†
Arena Instruction FollowingArena (LMArena)14511498†
人类偏好
Arena TextArena (LMArena)14571511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench–2007
Arena Creative WritingArena (LMArena)14421491†
Arena Multi-turnArena (LMArena)14491525†
Arena Longer QueriesArena (LMArena)14761507†
多模态
Arena VisionArena (LMArena)1264–
LiveBench DesignLiveBench76.3%†70.9%†
MMMU-ProArtificial Analysis–83.8%†
MortgageTaxVals AI64.2%–
Humanity's Sixth SenseScale AI SEAL–43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub33.2%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub40.0%†54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
FACTS MultimodalGoogle39.3%†–
长上下文
AA-LCR v1.1Artificial Analysis80.3%80.7%†
Arena DocumentArena (LMArena)1450–
MLCRArtificial Analysis15.6%22.2%†
FACTS GroundingGoogle66.5%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub157.8†161.7
LiveBench 2.0LiveBench63.5%†70.7%†
LiveBench 1.0LiveBench78.0%†81.2%†
AA Intelligence Index v5.0.1Artificial Analysis31.0†43.6†
AA Intelligence Index v4.3.2Artificial Analysis44.352.4†
AA Progress Index v1Artificial Analysis321.5335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals RSI IndexVals AI25.5%†–
Vals Science IndexVals AI38.1%39.1%†
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 4.6 (high):1 项新结果(GDPval-AA v2.1)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Grok 4.6 (high):BenchLeader Index 60.9 → 60.4。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Grok 4.6 (high):2 项分数修订。
  • Muse Wonder:5 项分数修订。
  • Grok 4.6 (high):1 项分数修订。
  • Muse Wonder: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

Grok 4.6 vs Muse Wonder:常见问题

Grok 4.6 比 Muse Wonder 更好吗?
Grok 4.6 (high) 与 Muse Wonder 的质量不相上下(60.6 比 64.4,在 ±4.5 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。
Grok 4.6 和 Muse Wonder 哪个更便宜?价格会变吗?
目前 Grok 4.6 更便宜:每百万 token $3.00 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。
Grok 4.6 和 Muse Wonder 哪个更快?
Grok 4.6 输出更快(输出 73 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.6 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?
Muse Wonder 支持更长的上下文:1,048,576 token,Grok 4.6 为 500,000 token。
更多问题(2)
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 28.6 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。