BenchLeader

Grok 4.7 vs Muse Spark

完整资料:Grok 4.7(SpaceXAI)和 Muse Spark(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,质量上 Muse Spark 领先 Grok 4.7(BenchLeader Index 64.2 比 57.4)。在两者都有成绩的所有类别中,Muse Spark 均领先。

要点(截至 2026年11月16日)

  • Grok 4.7 的 BenchLeader Index 为 57.4,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Grok 4.7 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • 在两者都有结果的 23 项基准测试中,Muse Spark 领先 12 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
编程Muse Spark类别得分 65 比 61;Arena Coding 1529 比 1493中
智能体与工具调用Muse Spark类别得分 65 比 57;GDPval-AA v2.1 1006 比 1717高
数学Muse Spark类别得分 59 比 56;Arena Maths 1469 比 1447中
推理Muse Spark类别得分 67 比 56;Arena Hard Prompts 1506 比 1466高
知识Muse Spark类别得分 63 比 60;PRBench Legal 52.3% 比 47.6%中
长文档均可类别得分 63 比 64;AA-LCR v1.1 76.7% 比 78.0%均可
图像及其他媒体Muse Spark类别得分 64 比 56;Arena Vision 1306 比 1230高
对话质量(人类偏好)Muse SparkArena 投票 68 比 63中
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 Spark 领先:64.2 比 57.4。
  • Muse Spark 在智能体与工具、编程、人类偏好、知识、长上下文、数学、多模态、推理方面更强。

概览

规格Grok 4.7Muse Spark
提供商SpaceXAIMeta
发布日期2026年9月21日2026年4月8日
上下文窗口(token)500,000262,144
对比时的配置Grok 4.7 (xhigh)Muse Spark
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–

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 4.7 (xhigh)Muse Spark领先者
推理55.667.4Muse Spark
编程60.965.1Muse Spark
智能体与工具56.965.0Muse Spark
数学55.859.1Muse Spark
知识59.963.1Muse Spark
指令遵循–76.9无法比较
人类偏好62.568.1Muse Spark
多模态55.564.2Muse Spark
长上下文62.963.6持平
综合52.8–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Grok 4.7, 推理: 55.6Grok 4.7, 编程: 60.9Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 长上下文: 62.9Grok 4.7, 多模态: 55.5Grok 4.7, 人类偏好: 62.5Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1

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 23 项基准测试中,Grok 4.7 领先 11 项,Muse Spark 领先 12 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGrok 4.7 (xhigh)Muse Spark领先者
BenchLeader Index57.464.2Muse Spark
Arena Text14431489Muse Spark

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 4.7 (xhigh)Muse Spark
每百万 token 混合价格$3.00–
每百万 token 输入 / 输出$2.00 / $6.00– / –
每百万 token 缓存输入$0.500–
每项任务价格:聊天回复$0.0026–
每项任务价格:总结一份 30 页的报告$0.028–
每项任务价格:代码编辑$0.021–
每项任务价格:智能体编程会话$0.144–
每项任务价格:结构化信息提取$0.0052–
智能体编程会话(输入大多命中缓存)$0.076–
每项基准测试任务成本(AA Index)$7.77–
每项任务输出 token(AA Index)105k–
其中推理部分69k–
每项任务耗时(AA Index)26 min–
输出速度68 tok/s–
首次回答时间55.9 秒–
完整回答耗时(最近一次测量 2026年11月13日)145.5 秒–

每个模型都按其排名最高的推理强度设置进行对比。Grok 4.7 (xhigh) 得分 57.4,首个回答 token 需 56 秒;Grok 4.7 (high) 为 56.9(35 秒),Grok 4.7 (low) 为 55.4(10 秒)。Muse Spark 得分 64.2。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 174 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 4.7 (xhigh)Muse Spark
BenchLeader IndexBenchLeader57.464.2
智能体与工具得分BenchLeader56.965.0
编程得分BenchLeader60.965.1
综合得分BenchLeader52.8–
人类偏好得分BenchLeader62.568.1
知识得分BenchLeader59.963.1
长上下文得分BenchLeader62.963.6
数学得分BenchLeader55.859.1
多模态得分BenchLeader55.564.2
推理得分BenchLeader55.667.4
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$3.00–
输出速度BenchLeader68 tok/s–
首次回答时间BenchLeader55.9 秒–
上下文窗口BenchLeader500,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
Arena Hard PromptsArena (LMArena)14661506
LiveBench 2.0 ReasoningLiveBench82.7%–
LiveBench 1.0 ReasoningLiveBench82.7%–
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis43.1%40.7%
HLE-Diamond (AA)Artificial Analysis23.2%–
GPQA Diamond (Vals)Vals AI–89.7%
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize61.4%–
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%11.3%
CritPt v2 hard subset (AA)Artificial Analysis33.5%–
MysteryMechanismVals AI25.2%–
HLE-Diamond (Scale)Scale AI SEAL23.4%†–
Arena ExpertArena (LMArena)14781491
Chess PuzzlesEpoch AI Benchmarking Hub41.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%–
LMCAEpoch AI Benchmarking Hub49.4%–
DTBenchEpoch AI Benchmarking Hub96.0%–
编程
SciCodeSciCode57.4%51.5%
FrontierCodeCognition47.6%†–
Arena CodingArena (LMArena)14931529
Arena WebDevArena (LMArena)1641–
显示全部 174 项基准测试
指标发布方Grok 4.7 (xhigh)Muse Spark
编程
LiveBench 2.0 CodingLiveBench73.1%–
LiveBench 1.0 CodingLiveBench77.2%–
SciCode (AA)Artificial Analysis57.4%–
IOIVals AI57.7%–
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Code MigrationVals AI44.8%–
Code Migration v1.1Vals AI53.2%–
ProgramBenchVals AI0.5%–
SWE-bench MultimodalVals AI42.9%–
Vibe Code Bench v1.1Vals AI86.2%19.7%
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
SWE Atlas v1.1Scale AI SEAL62.1%†–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†–
SWE Atlas v1.1: Test WritingScale AI SEAL64.4%†–
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†–
MirrorCodeEpoch AI Benchmarking Hub54.4%–
CursorBenchCursor46.3%–
ALE-BenchEpoch AI Benchmarking Hub1545.8–
FrontierSWEEpoch AI Benchmarking Hub29.5%–
WeirdML v3WeirdML8.4%–
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 263.6†–
GameBench 2 by reasoning settingDuelLab GameBench 271.2–
Design Arena WebsiteDesign Arena1244†1253
FrontierCode 1.1 (AA)Artificial Analysis33.8%–
FrontierCode 2.0 (AA)Artificial Analysis28.7%–
智能体与工具
Terminal-BenchTerminal-Bench38.8%–
APEX-AgentsMercor54.6%†–
Arena AgentArena (LMArena)2.6–
LiveBench Long AgenticLiveBench45.3%–
LiveBench BrowserLiveBench49.3%–
LiveBench Agentic CodingLiveBench54.0%–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
Terminal-Bench 2.1 (Vals)Vals AI73.4%–
MCP AtlasScale AI SEAL–82.2%
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%–
GDPval-AA v2.1Artificial Analysis17171006
ITBench SRE (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis52.5%–
CyberBenchVals AI69.5%–
Finance Agent v2Vals AI52.3%–
Finance Agent v2.1Vals AI60.6%–
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%–
Harvey's Legal Agent Benchmark v1Vals AI12.5%–
Legal Research BenchVals AI47.1%–
Robo-benchVals AI0.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI28.8%–
Terminal-Bench ScienceVals AI10.0%–
Arena Agent Task CompletionArena (LMArena)5.1–
Vending-Bench 2Andon Labs10536.8†–
AutomationBenchArtificial Analysis65.6%–
GDP.pdf (AA)Artificial Analysis20.0%–
Harvey LAB-AA v1.1Harvey9.4%–
AA-Briefcase v1.1Artificial Analysis1636646
GDPxGDPx by SemiAnalysis3.9%–
Design Arena AgenticDesign Arena1277†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.4%–
CWE-Bench (AA)Artificial Analysis68.3%–
DeepSec-Bench (AA)Artificial Analysis26.9%–
CyberGym end-to-end (AA)Artificial Analysis74.0%–
MKA (AA)Artificial Analysis40.1%–
FACTS SearchGoogle85.6%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub53.0%–
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%–
OTIS Mock AIMEEpoch AI Benchmarking Hub98.1%88.9%
ProofBenchVals AI26.0%†17.0%
LiveBench MathematicsLiveBench95.7%–
AIME (Vals)Vals AI–96.9%
Arena MathsArena (LMArena)14471469
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%–
LiveBench 2.0 Data AnalysisLiveBench76.9%–
LiveBench ResearchLiveBench89.5%–
LiveBench 1.0 Data AnalysisLiveBench76.9%–
AA-Omniscience v1.1Artificial Analysis31.2–
MMLU-ProVals AI–87.3%
LegalBenchVals AI84.4%84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL47.6%52.3%
MultiNRCScale AI SEAL–59.0%
BioMysteryBenchVals AI69.3%–
CaseLaw v2Vals AI–63.1%
Excel Modeling BenchmarkVals AI67.0%–
Excel Modeling Benchmark v1.1Vals AI71.5%–
MedCodeVals AI49.5%51.3%
MedScribeVals AI89.4%85.9%
Public Benefits Bench v1.1Vals AI65.6%–
Access to Justice BenchmarkVals AI73.7%–
Financial Coaching BenchVals AI74.1%–
Immigration BenchVals AI68.0%–
GDP.pdfEpoch AI Benchmarking Hub22.8%–
AA-Omniscience v1.1: accuracyArtificial Analysis42.7%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis80.0%–
HealthBench Professional (AA)OpenAI55.8%–
FACTS ParametricGoogle54.3%†–
指令遵循
LiveBench LanguageLiveBench80.1%–
LiveBench Instruction FollowingLiveBench75.3%–
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)14351465
人类偏好
Arena TextArena (LMArena)14431489
EQ-Bench Creative Writing v3EQ-Bench2012†–
Arena Creative WritingArena (LMArena)14211464
Arena Multi-turnArena (LMArena)14351493
Arena Longer QueriesArena (LMArena)14541476
多模态
Arena VisionArena (LMArena)12301306
LiveBench DesignLiveBench75.0%–
MMMU-ProArtificial Analysis78.2%†80.5%
MMMU-Pro (Vals)Vals AI–87.4%
SAGEVals AI88.7%–
GeoBenchGeoBench61.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub32.5%†–
Furniture AssemblyEpoch AI Benchmarking Hub20.8%–
VIALS-AAHandshake AI37.9%–
Code2Video-AAArtificial Analysis1127–
AA-3DArtificial Analysis992–
FACTS MultimodalGoogle40.9%†–
长上下文
AA-LCR v1.1Artificial Analysis76.7%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis20.0%–
FACTS GroundingGoogle68.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†153.1
LiveBench 2.0LiveBench67.9%–
LiveBench 1.0LiveBench77.4%–
AA Intelligence Index v5.0.1Artificial Analysis35.5–
AA Intelligence Index v4.3.2Artificial Analysis46.531.3
AA Progress Index v1Artificial Analysis322.7289.1
Vals IndexVals AI58.6–
Vals Finance IndexVals AI58.8%–
Vals RSI IndexVals AI20.2%–
Vals Science IndexVals AI34.8%–
Vals Router IndexVals AI58.6%†–
Vals Legal IndexVals AI72.7%–
AA Cyber IndexArtificial Analysis56.4–
安全与诚实
FORTRESSScale AI SEAL–20.2%
DistressBenchScale AI SEAL52.4%†–

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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Grok 4.7 (xhigh):2 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 4.7 vs Muse Spark:常见问题

Muse Spark 比 Grok 4.7 更好吗?
质量上 Muse Spark 领先:64.2 比 57.4。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 Spark 总体领先,但请结合你的用途查看各类别得分。
编程用 Grok 4.7 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Grok 4.7 为 57.4%,Muse Spark 为 51.5%。
智能体和工具调用用 Grok 4.7 还是 Muse Spark 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 57,50 为平均水平)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(63 比 64)。Grok 4.7 支持更长的上下文:500,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 Grok 4.7 和 Muse Spark 的看法一致吗?
在两者都有结果的 23 项基准测试中,Grok 4.7 领先 11 项,Muse Spark 领先 12 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。