BenchLeader

Grok 4 vs Muse Spark

完整资料:Grok 4(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 10 个来源

截至 2026年11月16日,质量上 Muse Spark 领先 Grok 4(BenchLeader Index 64.2 比 58.1)。看重长上下文(68 比 64)选 Grok 4;看重指令遵循(77 比 63)、多模态(64 比 52)和人类偏好(68 比 59)选 Muse Spark。

要点(截至 2026年11月16日)

  • Grok 4 的 BenchLeader Index 为 58.1,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Grok 4 每百万 token 混合价格为 $6.00(标价,2026年11月16日)。
  • 在两者都有结果的 34 项基准测试中,Muse Spark 领先 32 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 56;Arena Coding 1529 比 1435高
智能体与工具调用Muse Spark类别得分 65 比 59;Terminal-Bench Hard 45.5% 比 37.9%中
数学均可类别得分 58 比 59;Arena Maths 1425 比 1469均可
推理Muse Spark类别得分 67 比 60;GPQA Diamond 89.8% 比 87.0%中
知识Muse Spark类别得分 63 比 56;MMLU-Pro 87.3% 比 85.3%中
长文档Grok 4类别得分 68 比 64;AA-LCR v1.1 68.0% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 52;Arena Vision 1306 比 1210高
指令遵循Muse Spark类别得分 77 比 63;IFBench 75.9% 比 53.7%高
对话质量(人类偏好)Muse SparkArena 投票 68 比 59高
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 58.1。
  • Grok 4 在长上下文方面更强。
  • Muse Spark 在智能体与工具、编程、人类偏好、指令遵循、知识、数学、多模态、推理方面更强。

概览

规格Grok 4Muse Spark
提供商SpaceXAIMeta
发布日期2025年7月9日2026年4月8日
上下文窗口(token)256,000262,144
对比时的配置Grok 4Muse Spark
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$3.00 / $15.00 / ––

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 4Muse Spark领先者
推理60.067.4Muse Spark
编程55.965.1Muse Spark
智能体与工具58.665.0Muse Spark
数学58.359.1持平
知识56.063.1Muse Spark
指令遵循62.576.9Muse Spark
人类偏好58.568.1Muse Spark
多模态52.064.2Muse Spark
长上下文68.363.6Grok 4

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指令遵循长上下文多模态人类偏好Grok 4, 推理: 60.0Grok 4, 编程: 55.9Grok 4, 智能体与工具: 58.6Grok 4, 数学: 58.3Grok 4, 知识: 56.0Grok 4, 指令遵循: 62.5Grok 4, 长上下文: 68.3Grok 4, 多模态: 52.0Grok 4, 人类偏好: 58.5Muse 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, 指令遵循: 76.9Muse Spark, 长上下文: 63.6Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 34 项基准测试中,Grok 4 领先 2 项,Muse Spark 领先 32 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexGrok 4Muse Spark领先者
BenchLeader Index58.164.2Muse Spark
Arena Text14111489Muse 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 4Muse Spark
每百万 token 混合价格$6.00–
每百万 token 输入 / 输出$3.00 / $15.00– / –
每项任务价格:聊天回复$0.0057–
每项任务价格:总结一份 30 页的报告$0.045–
每项任务价格:代码编辑$0.041–
每项任务价格:智能体编程会话$0.240–
每项任务价格:结构化信息提取$0.0090–
输出速度69 tok/s–
首次回答时间17.5 秒–
完整回答耗时(最近一次测量 2026年11月13日)42.8 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 得分 58.1,首个回答 token 需 18 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 90 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 4Muse Spark
BenchLeader IndexBenchLeader58.164.2
智能体与工具得分BenchLeader58.665.0
编程得分BenchLeader55.965.1
人类偏好得分BenchLeader58.568.1
指令遵循得分BenchLeader62.576.9
知识得分BenchLeader56.063.1
长上下文得分BenchLeader68.363.6
数学得分BenchLeader58.359.1
多模态得分BenchLeader52.064.2
推理得分BenchLeader60.067.4
混合价格(美元/百万 token)BenchLeader$6.00–
输出速度BenchLeader69 tok/s–
首次回答时间BenchLeader17.5 秒–
上下文窗口BenchLeader256,000 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.0%89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
SimpleBenchSimpleBench60.5%–
Arena Hard PromptsArena (LMArena)14211506
GPQA Diamond (AA)Artificial Analysis87.7%88.4%
Humanity's Last Exam (AA)Artificial Analysis26.7%40.7%
GPQA Diamond (Vals)Vals AI88.1%89.7%
Kagi LLM BenchmarkKagi LLM Benchmark73.6%–
GPQA Diamond (HELM)HELM Capabilities72.6%–
ARC-AGI-1ARC Prize66.7%†–
ARC-AGI-2ARC Prize16.0%†–
CritPtArtificial Analysis2.0%11.3%
Arena ExpertArena (LMArena)14291491
ForecastBenchForecastBench64.7%–
编程
SciCodeSciCode–51.5%
WeirdMLWeirdML45.7%–
Arena CodingArena (LMArena)14351529
LiveCodeBenchVals AI83.3%–
SWE-bench (Vals)Vals AI57.8%74.4%
SWE-Bench ProScale AI SEAL–55.0%
Aider PolyglotAider polyglot leaderboard79.6%†–
Vibe Code Bench v1.1Vals AI–19.7%
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%
显示全部 90 项基准测试
指标发布方Grok 4Muse Spark
编程
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
Design Arena WebsiteDesign Arena10061253
LiveCodeBench (AA)Artificial Analysis81.9%–
智能体与工具
Terminal-BenchTerminal-Bench27.2%–
GDPvalOpenAI21.1%†–
CybenchCybench43.0%–
Terminal-Bench HardArtificial Analysis37.9%45.5%
τ²-Bench Telecom (AA)Artificial Analysis74.8%91.5%
MCP AtlasScale AI SEAL–82.2%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
GDPval-AA v2.1Artificial Analysis–1006
Terminal-Bench 2.0 (Vals)Vals AI28.1%59.5%
Arena SearchArena (LMArena)1123–
BALROGBALROG43.6%–
DeepResearch BenchDeepResearch Bench47.3%–
METR Time HorizonsMETR66.6%–
AA-Briefcase v1.1Artificial Analysis–646
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub84.0%88.9%
ProofBenchVals AI–17.0%
AIME (Vals)Vals AI90.6%96.9%
MGSMVals AI90.9%–
IMO 2025MathArena21.4%–
MathArena ApexMathArena2.1%–
Omni-MATH (HELM)HELM Capabilities60.3%–
MATH 500Vals AI96.2%–
Arena MathsArena (LMArena)14251469
AIME 2025 (AA)Artificial Analysis92.7%–
知识
MMLU-ProVals AI85.3%87.3%
LegalBenchVals AI83.2%84.2%
CorpFinVals AI66.0%65.1%
TaxEvalVals AI65.1%77.7%
MedQAVals AI92.5%–
PRBench FinanceScale AI SEAL–52.4%
PRBench LegalScale AI SEAL–52.3%
MultiNRCScale AI SEAL–59.0%
MMLU-Pro (HELM)HELM Capabilities85.1%–
CaseLaw v2Vals AI65.8%63.1%
MedCodeVals AI38.1%51.3%
MedScribeVals AI78.2%85.9%
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指令遵循
IFBenchArtificial Analysis53.7%75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
IFEval (HELM)HELM Capabilities94.9%–
WildBench (HELM)HELM Capabilities79.7%–
Arena Instruction FollowingArena (LMArena)13961465
人类偏好
Arena TextArena (LMArena)14111489
Arena Creative WritingArena (LMArena)13941464
Arena Multi-turnArena (LMArena)14131493
Arena Longer QueriesArena (LMArena)14161476
Lech Mazur Creative WritingLech Mazur76.9%–
多模态
Arena VisionArena (LMArena)12101306
MMMU-ProArtificial Analysis68.8%80.5%
MMMU-Pro (Vals)Vals AI76.3%87.4%
MortgageTaxVals AI44.5%–
GeoBenchGeoBench45.0%–
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis68.0%78.0%
Arena DocumentArena (LMArena)–1467
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.9153.1
AA Intelligence Index v4.3.2Artificial Analysis22.531.3
AA Progress Index v1Artificial Analysis262.3289.1
HELM Capabilities meanHELM Capabilities78.5%–
安全与诚实
FORTRESSScale AI SEAL–20.2%
元数据
AA Openness IndexArtificial Analysis5.6–

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。

变化

  • Grok 4:1 项新结果(AIME 2025 (AA))。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Grok 4:1 项新结果(Arena Search)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Grok 4:1 项分数修订。
  • Muse Spark:1 项分数修订。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • Grok 4:1 项新结果(AA Progress Index v1)。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • Grok 4:1 项新结果(Global-MMLU-Lite (AA))。

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 vs Muse Spark:常见问题

Muse Spark 比 Grok 4 更好吗?
质量上 Muse Spark 领先:64.2 比 58.1。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 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 56,50 为平均水平)。在两者共同的最主要编程基准测试 Arena Coding 上,Grok 4 为 1435,Muse Spark 为 1529。
智能体和工具调用用 Grok 4 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 59,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Terminal-Bench Hard 上,Grok 4 为 37.9%,Muse Spark 为 45.5%。
处理长文档哪个更好?
Grok 4 在长上下文基准测试上得分更高(68 比 64)。两者都约为 262k token(Grok 4 为 256,000,Muse Spark 为 262,144)。
第三方基准测试对 Grok 4 和 Muse Spark 的看法一致吗?
在两者都有结果的 34 项基准测试中,Grok 4 领先 2 项,Muse Spark 领先 32 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)
Muse Spark 是什么时候发布的?
Muse Spark 于 2026年4月8日 发布。