BenchLeader

Grok 4.7 vs Muse Wonder

完整资料:Grok 4.7(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 13 个来源

截至 2026年11月16日,质量上 Muse Wonder 领先 Grok 4.7(BenchLeader Index 64.4 比 57.4)。不过,Grok 4.7 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 4.7 的 BenchLeader Index 为 57.4,Muse Wonder 为 64.4(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 Wonder 每百万 token 混合价格为 $8.00(标价,2026年11月16日)。
  • 在两者都有结果的 3 项基准测试中,Muse Wonder 领先 2 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 57高
数学Muse Wonder类别得分 70 比 56高
知识Muse Wonder类别得分 77 比 60;PRBench Legal 58.4% 比 47.6%高
对话质量(人类偏好)Muse WonderArena 投票 70 比 63中
成本最低Grok 4.7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 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

  • 质量上 Muse Wonder 领先:64.4 比 57.4。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • Grok 4.7 (xhigh) 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 4.7Muse Wonder
提供商SpaceXAIMeta
发布日期2026年9月21日2026年10月12日
上下文窗口(token)500,0001,048,576
对比时的配置Grok 4.7 (xhigh)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 4.7 (xhigh)Muse Wonder领先者
推理55.6–无法比较
编程60.9–无法比较
智能体与工具56.975.6Muse Wonder
数学55.870.1Muse Wonder
知识59.977.1Muse Wonder
人类偏好62.569.6Muse Wonder
多模态55.5–无法比较
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智能体与工具数学知识人类偏好Grok 4.7, 智能体与工具: 56.9Grok 4.7, 数学: 55.8Grok 4.7, 知识: 59.9Grok 4.7, 人类偏好: 62.5Muse 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 3 项基准测试中,Grok 4.7 领先 1 项,Muse Wonder 领先 2 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexGrok 4.7 (xhigh)Muse Wonder领先者
BenchLeader Index57.464.4Muse Wonder
AA Intelligence Index v5.0.135.540.5†Muse Wonder
Vals Index58.664.9†Muse Wonder
Arena Text14431511†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 4.7 (xhigh)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
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/s70 tok/s
首次回答时间55.9 秒3.3 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 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 157 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 Wonder
BenchLeader IndexBenchLeader57.464.4
智能体与工具得分BenchLeader56.975.6
编程得分BenchLeader60.9–
综合得分BenchLeader52.8–
人类偏好得分BenchLeader62.569.6
知识得分BenchLeader59.977.1
长上下文得分BenchLeader62.9–
数学得分BenchLeader55.870.1
多模态得分BenchLeader55.5–
推理得分BenchLeader55.6–
混合价格(美元/百万 token)BenchLeader$3.00$8.00
输出速度BenchLeader68 tok/s70 tok/s
首次回答时间BenchLeader55.9 秒3.3 秒
上下文窗口BenchLeader500,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub92.7%–
Arena Hard PromptsArena (LMArena)14661531†
LiveBench 2.0 ReasoningLiveBench82.7%90.6%†
LiveBench 1.0 ReasoningLiveBench82.7%90.6%†
Humanity's Last Exam (AA)Artificial Analysis43.1%50.1%†
HLE-Diamond (AA)Artificial Analysis23.2%39.0%†
ARC-AGI-1ARC Prize89.5%–
ARC-AGI-2ARC Prize61.4%–
ARC-AGI-3ARC Prize7.0%–
CritPtArtificial Analysis17.7%28.3%†
CritPt v2 hard subset (AA)Artificial Analysis33.5%50.5%†
MysteryMechanismVals AI25.2%27.5%†
HLE-Diamond (Scale)Scale AI SEAL23.4%†37.3%
Arena ExpertArena (LMArena)14781525†
Chess PuzzlesEpoch AI Benchmarking Hub41.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub29.0%51.0%†
LMCAEpoch AI Benchmarking Hub49.4%56.8%
DTBenchEpoch AI Benchmarking Hub96.0%95.2%
编程
SciCodeSciCode57.4%60.3%†
FrontierCodeCognition47.6%†–
Arena CodingArena (LMArena)14931542†
Arena WebDevArena (LMArena)16411647†
LiveBench 2.0 CodingLiveBench73.1%74.9%†
LiveBench 1.0 CodingLiveBench77.2%80.7%†
IOIVals AI57.7%66.9%†
显示全部 157 项基准测试
指标发布方Grok 4.7 (xhigh)Muse Wonder
编程
Code MigrationVals AI44.8%62.5%†
Code Migration v1.1Vals AI53.2%72.4%†
ProgramBenchVals AI0.5%–
SWE-bench MultimodalVals AI42.9%45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI86.2%83.1%†
Vibe Code Bench 1-100 v1.1Vals AI26.4%–
SWE Atlas v1.1Scale AI SEAL62.1%†64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%†73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL64.4%†61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL48.6%†60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub54.4%45.6%†
CursorBenchCursor46.3%50.4%†
ALE-BenchEpoch AI Benchmarking Hub1545.8–
FrontierSWEEpoch AI Benchmarking Hub29.5%–
WeirdML v3WeirdML8.4%15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis25.8%52.0%†
Startrise FrontendStartrise75.9%†–
GameBench 2 OverallDuelLab GameBench 263.6†64.8
GameBench 2 by reasoning settingDuelLab GameBench 271.254.9†
Design Arena WebsiteDesign Arena1244†1378†
FrontierCode 1.1 (AA)Artificial Analysis33.8%46.5%†
FrontierCode 2.0 (AA)Artificial Analysis28.7%27.9%†
智能体与工具
Terminal-BenchTerminal-Bench38.8%47.0%†
APEX-AgentsMercor54.6%†66.1%†
Arena AgentArena (LMArena)2.61.8†
LiveBench Long AgenticLiveBench45.3%46.2%†
LiveBench BrowserLiveBench49.3%60.0%†
LiveBench Agentic CodingLiveBench54.0%62.7%†
Terminal-Bench 2.1 (Vals)Vals AI73.4%–
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis60.7%63.5%†
GDPval-AA v2.1Artificial Analysis17171770†
ITBench SRE (AA)Artificial Analysis42.1%–
Analyst Agent (AA)Artificial Analysis52.5%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI69.5%80.4%†
Finance Agent v2Vals AI52.3%56.6%†
Finance Agent v2.1Vals AI60.6%65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI18.3%23.8%†
Harvey's Legal Agent Benchmark v1Vals AI12.5%17.1%†
Legal Research BenchVals AI47.1%50.5%†
Robo-benchVals AI0.2%–
SREBenchVals AI3.8%–
Tax Agent BenchVals AI35.8%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI28.8%49.5%†
Terminal-Bench ScienceVals AI10.0%22.9%†
Arena Agent Task CompletionArena (LMArena)5.15.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs10536.8†9432.2
AutomationBenchArtificial Analysis65.6%68.1%†
GDP.pdf (AA)Artificial Analysis20.0%30.6%†
Harvey LAB-AA v1.1Harvey9.4%10.0%†
AA-Briefcase v1.1Artificial Analysis16361659†
GDPxGDPx by SemiAnalysis3.9%6.8%†
Design Arena AgenticDesign Arena1277†1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis11.4%25.7%†
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%47.5%†
FACTS SearchGoogle85.6%†–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub53.0%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub17.1%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub98.1%99.4%†
ProofBenchVals AI26.0%†84.0%
LiveBench MathematicsLiveBench95.7%96.5%†
Arena MathsArena (LMArena)14471490†
FrontierMath ErdősEpoch AI Benchmarking Hub0.0%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub56.0%–
LiveBench 2.0 Data AnalysisLiveBench76.9%81.6%†
LiveBench ResearchLiveBench89.5%93.0%†
LiveBench 1.0 Data AnalysisLiveBench76.9%81.6%†
AA-Omniscience v1.1Artificial Analysis31.225.1†
LegalBenchVals AI84.4%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL47.6%58.4%
BioMysteryBenchVals AI69.3%67.0%†
Excel Modeling BenchmarkVals AI67.0%67.1%†
Excel Modeling Benchmark v1.1Vals AI71.5%72.5%†
MedCodeVals AI49.5%–
MedScribeVals AI89.4%–
Public Benefits Bench v1.1Vals AI65.6%70.2%†
Access to Justice BenchmarkVals AI73.7%73.0%†
Financial Coaching BenchVals AI74.1%73.8%†
Immigration BenchVals AI68.0%69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub22.8%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis42.7%38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis80.0%79.1%†
HealthBench Professional (AA)OpenAI55.8%–
FACTS ParametricGoogle54.3%†–
指令遵循
LiveBench LanguageLiveBench80.1%82.9%†
LiveBench Instruction FollowingLiveBench75.3%73.0%†
Arena Instruction FollowingArena (LMArena)14351498†
人类偏好
Arena TextArena (LMArena)14431511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench2012†2007
Arena Creative WritingArena (LMArena)14211491†
Arena Multi-turnArena (LMArena)14351525†
Arena Longer QueriesArena (LMArena)14541507†
多模态
Arena VisionArena (LMArena)1230–
LiveBench DesignLiveBench75.0%70.9%†
MMMU-ProArtificial Analysis78.2%†83.8%†
SAGEVals AI88.7%–
Humanity's Sixth SenseScale AI SEAL–43.7%†
GeoBenchGeoBench61.0%†–
Blueprint-Bench 2Epoch AI Benchmarking Hub32.5%†31.7%
Furniture AssemblyEpoch AI Benchmarking Hub20.8%54.2%†
VIALS-AAHandshake AI37.9%55.3%†
Code2Video-AAArtificial Analysis1127997†
AA-3DArtificial Analysis992–
FACTS MultimodalGoogle40.9%†–
长上下文
AA-LCR v1.1Artificial Analysis76.7%80.7%†
MLCRArtificial Analysis20.0%22.2%†
FACTS GroundingGoogle68.6%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.2†161.7
LiveBench 2.0LiveBench67.9%70.7%†
LiveBench 1.0LiveBench77.4%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis35.543.6†
AA Intelligence Index v4.3.2Artificial Analysis46.552.4†
AA Progress Index v1Artificial Analysis322.7335.8†
Vals IndexVals AI58.664.9†
Vals Finance IndexVals AI58.8%61.2%†
Vals RSI IndexVals AI20.2%–
Vals Science IndexVals AI34.8%39.1%†
Vals Router IndexVals AI58.6%†64.9%
Vals Legal IndexVals AI72.7%75.3%†
AA Cyber IndexArtificial Analysis56.4–
安全与诚实
DistressBenchScale AI SEAL52.4%†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

  • Grok 4.7 (xhigh):BenchLeader Index 58.0 → 57.4。
  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • Grok 4.7 (xhigh):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Grok 4.7 (xhigh):1 项新结果(MirrorCode)。
  • Grok 4.7 (xhigh):1 项新结果(ALE-Bench)。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Grok 4.7 (xhigh):2 项分数修订。
  • Muse Wonder:5 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 Wonder:常见问题

Muse Wonder 比 Grok 4.7 更好吗?
质量上 Muse Wonder 领先:64.4 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 Wonder 总体领先,但请结合你的用途查看各类别得分。
Grok 4.7 和 Muse Wonder 哪个更便宜?价格会变吗?
目前 Grok 4.7 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 4.7 和 Muse Wonder 哪个更快?
Muse Wonder 输出更快(输出 70 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 Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 57,50 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 4.7 为 500,000 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 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 Wonder 的看法一致吗?
在两者都有结果的 3 项基准测试中,Grok 4.7 领先 1 项,Muse Wonder 领先 2 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。