BenchLeader

Grok 4 vs Muse Spark 1.1

完整资料:Grok 4(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 13 个来源

截至 2026年11月16日,Grok 4 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 58.1 比 62.2,在 ±6.4 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 3.0 倍(每百万 token 混合价格 $2.00 比 $6.00)。看重智能体与工具(59 比 51)选 Grok 4;看重知识(69 比 56)、多模态(64 比 52)和编程(66 比 56)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 17.5 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 的 BenchLeader Index 为 58.1,Muse Spark 1.1 为 62.2(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)。
  • 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 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 11 项基准测试中,Muse Spark 1.1 领先 11 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 1.1类别得分 66 比 56;Arena Coding 1533 比 1435高
智能体与工具调用Grok 4类别得分 59 比 51高
数学Muse Spark 1.1类别得分 61 比 58;Arena Maths 1493 比 1425中
推理Muse Spark 1.1类别得分 68 比 60;Arena Hard Prompts 1511 比 1421高
知识Muse Spark 1.1类别得分 69 比 56高
图像及其他媒体Muse Spark 1.1类别得分 64 比 52;Arena Vision 1292 比 1210高
指令遵循Muse Spark 1.1类别得分 70 比 63;Arena Instruction Following 1473 比 1396高
对话质量(人类偏好)Muse Spark 1.1Arena 投票 65 比 59中
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $6.00;智能体编程会话 $0.092 比 $0.240–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 17.5 秒(Grok 4)–
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 与 Muse Spark 1.1 的质量不相上下(58.1 比 62.2,在 ±6.4 的误差范围内)。
  • Grok 4 在智能体与工具方面更强。
  • Muse Spark 1.1 在编程、人类偏好、指令遵循、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 3.0 倍(每百万 token 混合价格 $2.00 比 $6.00)。
  • Muse Spark 1.1 的输出速度是对方的 2.8 倍(193 比 69 token/秒)。

概览

规格Grok 4Muse Spark 1.1
提供商SpaceXAIMeta
发布日期2025年7月9日2026年7月9日
上下文窗口(token)256,0001,048,576
对比时的配置Grok 4Muse Spark 1.1
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$3.00 / $15.00 / –$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 4Muse Spark 1.1领先者
推理60.067.8Muse Spark 1.1
编程55.965.8Muse Spark 1.1
智能体与工具58.650.9Grok 4
数学58.361.3Muse Spark 1.1
知识56.069.2Muse Spark 1.1
指令遵循62.570.4Muse Spark 1.1
人类偏好58.564.5Muse Spark 1.1
多模态52.063.6Muse Spark 1.1
长上下文68.3–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指令遵循多模态人类偏好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, 多模态: 52.0Grok 4, 人类偏好: 58.5Muse 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, 指令遵循: 70.4Muse 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):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 11 项基准测试中,Grok 4 领先 0 项,Muse Spark 1.1 领先 11 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 4Muse Spark 1.1领先者
BenchLeader Index58.162.2不相上下
Arena Text14111491Muse 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 4Muse Spark 1.1
每百万 token 混合价格$6.00$2.00
每百万 token 输入 / 输出$3.00 / $15.00$1.25 / $4.25
每百万 token 缓存输入–$0.150
每项任务价格:聊天回复$0.0057$0.0018
每项任务价格:总结一份 30 页的报告$0.045$0.018
每项任务价格:代码编辑$0.041$0.014
每项任务价格:智能体编程会话$0.240$0.092
每项任务价格:结构化信息提取$0.0090$0.0034
智能体编程会话(输入大多命中缓存)–$0.043
输出速度69 tok/s193 tok/s
首次回答时间17.5 秒1.8 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 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 130 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 1.1
BenchLeader IndexBenchLeader58.162.2
智能体与工具得分BenchLeader58.650.9
编程得分BenchLeader55.965.8
人类偏好得分BenchLeader58.564.5
指令遵循得分BenchLeader62.570.4
知识得分BenchLeader56.069.2
长上下文得分BenchLeader68.3–
数学得分BenchLeader58.361.3
多模态得分BenchLeader52.063.6
推理得分BenchLeader60.067.8
混合价格(美元/百万 token)BenchLeader$6.00$2.00
输出速度BenchLeader69 tok/s193 tok/s
首次回答时间BenchLeader17.5 秒1.8 秒
上下文窗口BenchLeader256,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub87.0%–
SimpleBenchSimpleBench60.5%–
Arena Hard PromptsArena (LMArena)14211511
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis87.7%89.8%†
Humanity's Last Exam (AA)Artificial Analysis26.7%46.2%†
GPQA Diamond (Vals)Vals AI88.1%91.2%†
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%15.1%†
Arena ExpertArena (LMArena)14291504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
ForecastBenchForecastBench64.7%–
编程
SciCodeSciCode–58.8%
WeirdMLWeirdML45.7%–
Arena CodingArena (LMArena)14351533
Arena WebDevArena (LMArena)–1542
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI83.3%85.9%†
SWE-bench (Vals)Vals AI57.8%82.0%†
SWE-Bench ProScale AI SEAL–61.5%
显示全部 130 项基准测试
指标发布方Grok 4Muse Spark 1.1
编程
Aider PolyglotAider polyglot leaderboard79.6%†–
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI–72.2%†
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%†
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
Terminal-Bench 4.0 (AA)Artificial Analysis–6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
Design Arena WebsiteDesign Arena10061263
LiveCodeBench (AA)Artificial Analysis81.9%–
智能体与工具
Terminal-BenchTerminal-Bench27.2%–
GDPvalOpenAI21.1%†–
CybenchCybench43.0%–
APEX-AgentsMercor–31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench HardArtificial Analysis37.9%–
τ²-Bench Telecom (AA)Artificial Analysis74.8%–
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
BFCL OverallBerkeley Function Calling Leaderboard63.0%–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis–1216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI–38.0%†
SkillsBenchVals AI–59.2%†
Terminal-Bench 2.0 (Vals)Vals AI28.1%–
Time Horizon Index: KSPVals AI–1.7%†
Arena SearchArena (LMArena)1123–
Arena Agent Task CompletionArena (LMArena)–-6.5
BALROGBALROG43.6%–
DeepResearch BenchDeepResearch Bench47.3%–
METR Time HorizonsMETR66.6%–
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs–6520.5
AutomationBenchArtificial Analysis–38.9%†
GDP.pdf (AA)Artificial Analysis–14.4%†
AA-Briefcase v1.1Artificial Analysis–851†
Design Arena AgenticDesign Arena–1172
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub84.0%–
ProofBenchVals AI–39.0%
LiveBench MathematicsLiveBench–87.1%†
AIME (Vals)Vals AI90.6%–
MGSMVals AI90.9%–
IMO 2025MathArena21.4%–
MathArena ApexMathArena2.1%–
Omni-MATH (HELM)HELM Capabilities60.3%–
MATH 500Vals AI96.2%–
Arena MathsArena (LMArena)14251493
AIME 2025 (AA)Artificial Analysis92.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.8%
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
MMLU-ProVals AI85.3%88.7%†
LegalBenchVals AI83.2%85.0%†
CorpFinVals AI66.0%71.3%†
TaxEvalVals AI65.1%79.7%†
MedQAVals AI92.5%–
PRBench FinanceScale AI SEAL–55.0%
PRBench LegalScale AI SEAL–57.0%
MultiNRCScale AI SEAL–65.6%
MMLU-Pro (HELM)HELM Capabilities85.1%–
CaseLaw v2Vals AI65.8%–
Excel Modeling BenchmarkVals AI–56.4%†
MedCodeVals AI38.1%–
MedScribeVals AI78.2%88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
GDP.pdfEpoch AI Benchmarking Hub–15.0%
Global-MMLU-Lite (AA)Artificial Analysis89.5%–
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
IFBenchArtificial Analysis53.7%–
MultiChallengeScale AI SEAL–75.3%
IFEval (HELM)HELM Capabilities94.9%–
WildBench (HELM)HELM Capabilities79.7%–
Arena Instruction FollowingArena (LMArena)13961473
人类偏好
Arena TextArena (LMArena)14111491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)13941443
Arena Multi-turnArena (LMArena)14131497
Arena Longer QueriesArena (LMArena)14161481
Lech Mazur Creative WritingLech Mazur76.9%–
多模态
Arena VisionArena (LMArena)12101292
MMMU-ProArtificial Analysis68.8%–
MMMU-Pro (Vals)Vals AI76.3%86.6%†
MortgageTaxVals AI44.5%66.1%†
VTBScale AI SEAL–44.8%
GeoBenchGeoBench45.0%–
长上下文
Fiction.LiveBench 120kFiction.live96.9%–
AA-LCR v1.1Artificial Analysis68.0%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis–7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub146.9154.9
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v4.3.2Artificial Analysis22.533.7†
AA Progress Index v1Artificial Analysis262.3302.7†
HELM Capabilities meanHELM Capabilities78.5%–
Vals Multimodal IndexVals AI–66.7%†
安全与诚实
FORTRESSScale AI SEAL–12.4%
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))。
  • Grok 4:1 项新结果(Arena Search)。
  • Grok 4:1 项分数修订。
  • Muse Spark 1.1:1 项分数修订。
  • Muse Spark 1.1:2 项分数修订。
  • Grok 4:BenchLeader Index 58.8 → 58.3。
  • Grok 4:1 项新结果(AA Progress Index v1)。
  • Grok 4:1 项新结果(Global-MMLU-Lite (AA))。
  • Muse Spark 1.1:1 项分数修订。
  • Muse Spark 1.1:BenchLeader Index 63.1 → 62.5。

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 1.1:常见问题

Grok 4 比 Muse Spark 1.1 更好吗?
Grok 4 与 Muse Spark 1.1 的质量不相上下(58.1 比 62.2,在 ±6.4 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 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 $6.00(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 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 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 1.1 为 1533。
Grok 4 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(约 2 倍;输出 193 比 69 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Grok 4 还是 Muse Spark 1.1 更好?
Grok 4 在智能体任务方面得分更高(类别得分 59 比 51,50 为平均水平)。
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 为 256,000 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 17.5 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 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 11 项基准测试中,Grok 4 领先 0 项,Muse Spark 1.1 领先 11 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
Muse Spark 1.1 是什么时候发布的?
Muse Spark 1.1 于 2026年7月9日 发布。