BenchLeader

Grok 4.7 vs Muse Spark 1.1

完整资料:Grok 4.7(SpaceXAI)和 Muse Spark 1.1(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,Grok 4.7 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 57.4 比 62.2,在 ±6.2 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。看重智能体与工具(57 比 51)选 Grok 4.7;看重推理(68 比 56)、知识(69 比 60)和多模态(64 比 56)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 55.9 秒)。Muse Spark 1.1 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Grok 4.7 的 BenchLeader Index 为 57.4,Muse Spark 1.1 为 62.2(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)。
  • Muse Spark 1.1 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • Muse Spark 1.1 比 Grok 4.7 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 16 项基准测试中,Muse Spark 1.1 领先 12 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Grok 4.7 的评分为 1641,Muse Spark 1.1 为 1542(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 Spark 1.1类别得分 66 比 61;SciCode 58.8% 比 57.4%中
智能体与工具调用Grok 4.7类别得分 57 比 51;Arena Agent 2.6 比 -8中
数学Muse Spark 1.1类别得分 61 比 56;Arena Maths 1493 比 1447中
推理Muse Spark 1.1类别得分 68 比 56;Arena Hard Prompts 1511 比 1466高
知识Muse Spark 1.1类别得分 69 比 60;SimpleQA Verified 57.8% 比 56.0%高
图像及其他媒体Muse Spark 1.1类别得分 64 比 56;Arena Vision 1292 比 1230高
对话质量(人类偏好)Muse Spark 1.1Arena 投票 65 比 63中
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $3.00;智能体编程会话 $0.092 比 $0.144–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 55.9 秒(Grok 4.7 (xhigh))–
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 4.7 (xhigh) 与 Muse Spark 1.1 的质量不相上下(57.4 比 62.2,在 ±6.2 的误差范围内)。
  • Grok 4.7 (xhigh) 在智能体与工具方面更强。
  • Muse Spark 1.1 在编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。
  • Muse Spark 1.1 的输出速度是对方的 2.8 倍(193 比 68 token/秒)。

概览

规格Grok 4.7Muse Spark 1.1
提供商SpaceXAIMeta
发布日期2026年9月21日2026年7月9日
上下文窗口(token)500,0001,048,576
对比时的配置Grok 4.7 (xhigh)Muse Spark 1.1
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$1.25 / $4.25 / $0.150

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 1.1领先者
推理55.667.8Muse Spark 1.1
编程60.965.8Muse Spark 1.1
智能体与工具56.950.9Grok 4.7
数学55.861.3Muse Spark 1.1
知识59.969.2Muse Spark 1.1
指令遵循–70.4无法比较
人类偏好62.564.5Muse Spark 1.1
多模态55.563.6Muse Spark 1.1
长上下文62.9–无法比较
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, 多模态: 55.5Grok 4.7, 人类偏好: 62.5Muse Spark 1.1, 推理: 67.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知识: 69.2Muse Spark 1.1, 多模态: 63.6Muse Spark 1.1, 人类偏好: 64.5

未绘制(测得的模型少于两个):指令遵循, 长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 16 项基准测试中,Grok 4.7 领先 4 项,Muse Spark 1.1 领先 12 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。

综合 IndexGrok 4.7 (xhigh)Muse Spark 1.1领先者
BenchLeader Index57.462.2不相上下
Arena Text14431491Muse Spark 1.1

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 1.1
每百万 token 混合价格$3.00$2.00
每百万 token 输入 / 输出$2.00 / $6.00$1.25 / $4.25
每百万 token 缓存输入$0.500$0.150
每项任务价格:聊天回复$0.0026$0.0018
每项任务价格:总结一份 30 页的报告$0.028$0.018
每项任务价格:代码编辑$0.021$0.014
每项任务价格:智能体编程会话$0.144$0.092
每项任务价格:结构化信息提取$0.0052$0.0034
智能体编程会话(输入大多命中缓存)$0.076$0.043
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/s193 tok/s
首次回答时间55.9 秒1.8 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 1.1 得分 62.2,首个回答 token 需 2 秒;Muse Spark 1.1 (xhigh) 为 59.5(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 177 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 1.1
BenchLeader IndexBenchLeader57.462.2
智能体与工具得分BenchLeader56.950.9
编程得分BenchLeader60.965.8
综合得分BenchLeader52.8–
人类偏好得分BenchLeader62.564.5
知识得分BenchLeader59.969.2
长上下文得分BenchLeader62.9–
数学得分BenchLeader55.861.3
多模态得分BenchLeader55.563.6
推理得分BenchLeader55.667.8
指令遵循得分BenchLeader–70.4
混合价格(美元/百万 token)BenchLeader$3.00$2.00
输出速度BenchLeader68 tok/s193 tok/s
首次回答时间BenchLeader55.9 秒1.8 秒
上下文窗口BenchLeader500,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%–
Arena Hard PromptsArena (LMArena)14661511
LiveBench 2.0 ReasoningLiveBench82.7%–
LiveBench 1.0 ReasoningLiveBench82.7%87.7%†
GPQA Diamond (AA)Artificial Analysis–89.8%†
Humanity's Last Exam (AA)Artificial Analysis43.1%46.2%†
HLE-Diamond (AA)Artificial Analysis23.2%–
GPQA Diamond (Vals)Vals AI–91.2%†
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize61.4%–
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%15.1%†
CritPt v2 hard subset (AA)Artificial Analysis33.5%–
MysteryMechanismVals AI25.2%–
HLE-Diamond (Scale)Scale AI SEAL23.4%†–
Arena ExpertArena (LMArena)14781504
Chess PuzzlesEpoch AI Benchmarking Hub41.0%34.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%–
LMCAEpoch AI Benchmarking Hub49.4%49.9%†
DTBenchEpoch AI Benchmarking Hub96.0%94.4%†
编程
SciCodeSciCode57.4%58.8%
FrontierCodeCognition47.6%†–
Arena CodingArena (LMArena)14931533
Arena WebDevArena (LMArena)16411542
LiveBench 2.0 CodingLiveBench73.1%–
显示全部 177 项基准测试
指标发布方Grok 4.7 (xhigh)Muse Spark 1.1
编程
LiveBench 1.0 CodingLiveBench77.2%77.2%†
LiveCodeBenchVals AI–85.9%†
IOIVals AI57.7%–
SWE-bench (Vals)Vals AI–82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI44.8%31.1%†
Code Migration v1.1Vals AI53.2%–
ProgramBenchVals AI0.5%0.0%†
SWE-bench MultimodalVals AI42.9%–
Vibe Code Bench v1.1Vals AI86.2%72.2%†
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE-Bench Pro (private)Scale AI SEAL–51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–42.2%†
SWE Atlas v1.0: Test WritingScale AI SEAL–41.5%†
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%–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
CursorBenchCursor46.3%–
ALE-BenchEpoch AI Benchmarking Hub1545.8–
FrontierSWEEpoch AI Benchmarking Hub29.5%–
WeirdML v3WeirdML8.4%–
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 263.6†–
GameBench 2 by reasoning settingDuelLab GameBench 271.2–
Design Arena WebsiteDesign Arena1244†1263
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%†31.8%
Arena AgentArena (LMArena)2.6-8
LiveBench Long AgenticLiveBench45.3%–
LiveBench BrowserLiveBench49.3%–
LiveBench Agentic CodingLiveBench54.0%58.5%†
Terminal-Bench 2.1 (Vals)Vals AI73.4%69.3%†
MCP AtlasScale AI SEAL–88.1%
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%–
GDPval-AA v2.1Artificial Analysis17171216†
τ³-Banking (AA)Artificial Analysis–31.8%†
ITBench SRE (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis52.5%–
CyberBenchVals AI69.5%–
Finance Agent v2Vals AI52.3%57.2%†
Finance Agent v2.1Vals AI60.6%–
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%–
Harvey's Legal Agent Benchmark v1Vals AI12.5%20.0%†
Legal Research BenchVals AI47.1%38.0%†
Robo-benchVals AI0.2%–
SkillsBenchVals AI–59.2%†
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%–
Terminal-Bench 4.0 (Vals)Vals AI28.8%–
Terminal-Bench ScienceVals AI10.0%–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)5.1-6.5
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs10536.8†6520.5
AutomationBenchArtificial Analysis65.6%38.9%†
GDP.pdf (AA)Artificial Analysis20.0%14.4%†
Harvey LAB-AA v1.1Harvey9.4%–
AA-Briefcase v1.1Artificial Analysis1636851†
GDPxGDPx by SemiAnalysis3.9%–
Design Arena AgenticDesign Arena1277†1172
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%–
ProofBenchVals AI26.0%†39.0%
LiveBench MathematicsLiveBench95.7%87.1%†
Arena MathsArena (LMArena)14471493
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%57.8%
LiveBench 2.0 Data AnalysisLiveBench76.9%–
LiveBench ResearchLiveBench89.5%–
LiveBench 1.0 Data AnalysisLiveBench76.9%72.5%†
AA-Omniscience v1.1Artificial Analysis31.2–
MMLU-ProVals AI–88.7%†
LegalBenchVals AI84.4%85.0%†
CorpFinVals AI–71.3%†
TaxEvalVals AI–79.7%†
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL47.6%57.0%
MultiNRCScale AI SEAL–65.6%
BioMysteryBenchVals AI69.3%–
Excel Modeling BenchmarkVals AI67.0%56.4%†
Excel Modeling Benchmark v1.1Vals AI71.5%–
MedCodeVals AI49.5%–
MedScribeVals AI89.4%88.9%†
Public Benefits Bench v1.1Vals AI65.6%61.3%†
Access to Justice BenchmarkVals AI73.7%–
Financial Coaching BenchVals AI74.1%–
Immigration BenchVals AI68.0%–
GDP.pdfEpoch AI Benchmarking Hub22.8%15.0%
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%74.3%†
LiveBench Instruction FollowingLiveBench75.3%69.6%†
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)14351473
人类偏好
Arena TextArena (LMArena)14431491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench2012†1928
Arena Creative WritingArena (LMArena)14211443
Arena Multi-turnArena (LMArena)14351497
Arena Longer QueriesArena (LMArena)14541481
多模态
Arena VisionArena (LMArena)12301292
LiveBench DesignLiveBench75.0%–
MMMU-ProArtificial Analysis78.2%†–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
SAGEVals AI88.7%–
VTBScale AI SEAL–44.8%
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%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis20.0%7.2%†
FACTS GroundingGoogle68.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†154.9
LiveBench 2.0LiveBench67.9%–
LiveBench 1.0LiveBench77.4%75.3%†
AA Intelligence Index v5.0.1Artificial Analysis35.5–
AA Intelligence Index v4.3.2Artificial Analysis46.533.7†
AA Progress Index v1Artificial Analysis322.7302.7†
Vals IndexVals AI58.6–
Vals Finance IndexVals AI58.8%–
Vals RSI IndexVals AI20.2%–
Vals Science IndexVals AI34.8%–
Vals Multimodal IndexVals AI–66.7%†
Vals Router IndexVals AI58.6%†–
Vals Legal IndexVals AI72.7%–
AA Cyber IndexArtificial Analysis56.4–
安全与诚实
FORTRESSScale AI SEAL–12.4%
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…)。
  • 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 1.1:1 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。
  • Grok 4.7 (xhigh):1 项分数修订。
  • Muse Spark 1.1:2 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 1.1:常见问题

Grok 4.7 比 Muse Spark 1.1 更好吗?
Grok 4.7 (xhigh) 与 Muse Spark 1.1 的质量不相上下(57.4 比 62.2,在 ±6.2 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 4.7 和 Muse Spark 1.1 哪个更便宜?价格会变吗?
目前 Muse Spark 1.1 更便宜:每百万 token $2.00 比 $3.00(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。
编程用 Grok 4.7 还是 Muse Spark 1.1 更好?
Muse Spark 1.1 在编程方面得分更高(类别得分 66 比 61,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Grok 4.7 为 1641,Muse Spark 1.1 为 1542。
Grok 4.7 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 68 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4.7 还是 Muse Spark 1.1 更好?
Grok 4.7 在智能体任务方面得分更高(类别得分 57 比 51,50 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,Grok 4.7 为 2.6,Muse Spark 1.1 为 -8。
更多问题(4)
处理长文档哪个更好?
Muse Spark 1.1 支持更长的上下文:1,048,576 token,Grok 4.7 为 500,000 token。
哪个延迟更低?
Muse Spark 1.1 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 1.8 秒比 55.9 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 Grok 4.7 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 16 项基准测试中,Grok 4.7 领先 4 项,Muse Spark 1.1 领先 12 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
Grok 4.7 是什么时候发布的?
Grok 4.7 于 2026年9月21日 发布。