BenchLeader

Kimi K3.1 Pro Together vs Muse Wonder

完整资料:Kimi K3.1 Pro Together(Moonshot AI)和 Muse Wonder(Meta),包括全部基准测试、价格和排名。

更新于 · 数据来自 7 个来源

截至 2026年11月16日,质量上 Muse Wonder 领先 Kimi K3.1 Pro Together(BenchLeader Index 64.4 比 60.0)。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)

  • Kimi K3.1 Pro Together 的 BenchLeader Index 为 60.0,Muse Wonder 为 64.4(BenchLeader,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)。

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
数学Muse Wonder类别得分 70 比 65中
知识Muse Wonder类别得分 77 比 66高
对话质量(人类偏好)–只有 Muse Wonder 有 Arena 评分(类别得分 70)无法比较
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 60.0。
  • Muse Wonder 在知识、数学方面更强。

概览

规格Kimi K3.1 Pro TogetherMuse Wonder
提供商Moonshot AIMeta
发布日期2026年10月23日2026年10月12日
上下文窗口(token)–1,048,576
对比时的配置Kimi K3.1 Pro Together (max)Muse Wonder
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)–$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Kimi K3.1 Pro Together (max)Muse Wonder领先者
推理66.9–无法比较
智能体与工具–75.6无法比较
数学65.270.1Muse Wonder
知识66.077.1Muse Wonder
人类偏好–69.6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推理智能体与工具数学知识人类偏好Kimi K3.1 Pro Together, 推理: 66.9Kimi K3.1 Pro Together, 数学: 65.2Kimi K3.1 Pro Together, 知识: 66.0Muse 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

虚线:该模型在所经过的轴上没有结果,线条只连接相邻的点。

未绘制(这些模型没有结果):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 0 项基准测试中,Kimi K3.1 Pro Together 领先 0 项,Muse Wonder 领先 0 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexKimi K3.1 Pro Together (max)Muse Wonder领先者
BenchLeader Index60.064.4Muse 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Kimi K3.1 Pro Together (max)Muse Wonder
每百万 token 混合价格–$8.00
每百万 token 输入 / 输出– / –$4.00 / $20.00
每百万 token 缓存输入–$0.200
每项任务价格:聊天回复–$0.0076
每项任务价格:总结一份 30 页的报告–$0.060
每项任务价格:代码编辑–$0.054
每项任务价格:智能体编程会话–$0.320
每项任务价格:结构化信息提取–$0.012
智能体编程会话(输入大多命中缓存)–$0.149
输出速度–70 tok/s
首次回答时间–3.3 秒

每个模型都按其排名最高的推理强度设置进行对比。Kimi K3.1 Pro Together (max) 得分 60.0。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 125 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Kimi K3.1 Pro Together (max)Muse Wonder
BenchLeader IndexBenchLeader60.064.4
知识得分BenchLeader66.077.1
数学得分BenchLeader65.270.1
推理得分BenchLeader66.9–
智能体与工具得分BenchLeader–75.6
人类偏好得分BenchLeader–69.6
混合价格(美元/百万 token)BenchLeader–$8.00
输出速度BenchLeader–70 tok/s
首次回答时间BenchLeader–3.3 秒
上下文窗口BenchLeader–1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub94.2%–
Arena Hard PromptsArena (LMArena)–1531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench–90.6%†
Humanity's Last Exam (AA)Artificial Analysis–50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
CritPtArtificial Analysis–28.3%†
CritPt v2 hard subset (AA)Artificial Analysis–50.5%†
MysteryMechanismVals AI–27.5%†
HLE-Diamond (Scale)Scale AI SEAL–37.3%
Arena ExpertArena (LMArena)–1525†
Chess PuzzlesEpoch AI Benchmarking Hub45.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub42.0%51.0%†
LMCAEpoch AI Benchmarking Hub–56.8%
DTBenchEpoch AI Benchmarking Hub–95.2%
编程
SciCodeSciCode–60.3%†
Arena CodingArena (LMArena)–1542†
Arena WebDevArena (LMArena)–1647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench–80.7%†
IOIVals AI–66.9%†
Code MigrationVals AI–62.5%†
Code Migration v1.1Vals AI–72.4%†
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
显示全部 125 项基准测试
指标发布方Kimi K3.1 Pro Together (max)Muse Wonder
编程
Vibe Code Bench v1.1Vals AI–83.1%†
SWE Atlas v1.1Scale AI SEAL–64.8%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–73.4%
SWE Atlas v1.1: Test WritingScale AI SEAL–61.1%
SWE Atlas v1.1: RefactoringScale AI SEAL–60.0%
SWE-Bench Pro V2Scale AI SEAL–96.7%†
SWE-Bench Pro V2 HARDScale AI SEAL–90.2%†
MirrorCodeEpoch AI Benchmarking Hub–45.6%†
CursorBenchCursor–50.4%†
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis–52.0%†
GameBench 2 OverallDuelLab GameBench 2–64.8
GameBench 2 by reasoning settingDuelLab GameBench 2–54.9†
Design Arena WebsiteDesign Arena–1378†
FrontierCode 1.1 (AA)Artificial Analysis–46.5%†
FrontierCode 2.0 (AA)Artificial Analysis–27.9%†
智能体与工具
Terminal-BenchTerminal-Bench–47.0%†
APEX-AgentsMercor–66.1%†
Arena AgentArena (LMArena)–1.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench–62.7%†
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis–1770†
CUA-benchVals AI–7.2%†
CyberBenchVals AI–80.4%†
Finance Agent v2Vals AI–56.6%†
Finance Agent v2.1Vals AI–65.5%†
Harvey's Legal Agent Benchmark v1.1Vals AI–23.8%†
Harvey's Legal Agent Benchmark v1Vals AI–17.1%†
Legal Research BenchVals AI–50.5%†
Tax Agent BenchVals AI–36.3%†
Terminal-Bench 4.0 (Vals)Vals AI–49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena Agent Task CompletionArena (LMArena)–5.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs–9432.2
AutomationBenchArtificial Analysis–68.1%†
GDP.pdf (AA)Artificial Analysis–30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
AA-Briefcase v1.1Artificial Analysis–1659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena–1177†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–25.7%†
MKA (AA)Artificial Analysis–47.5%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub78.3%82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub65.8%70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub100.0%99.4%†
ProofBenchVals AI–84.0%
LiveBench MathematicsLiveBench–96.5%†
Arena MathsArena (LMArena)–1490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub62.2%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench–81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI–67.0%†
Excel Modeling BenchmarkVals AI–67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
Public Benefits Bench v1.1Vals AI–70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI–73.8%†
Immigration BenchVals AI–69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub–30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
指令遵循
LiveBench LanguageLiveBench–82.9%†
LiveBench Instruction FollowingLiveBench–73.0%†
Arena Instruction FollowingArena (LMArena)–1498†
人类偏好
Arena TextArena (LMArena)–1511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench–2007
Arena Creative WritingArena (LMArena)–1491†
Arena Multi-turnArena (LMArena)–1525†
Arena Longer QueriesArena (LMArena)–1507†
多模态
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis–83.8%†
Humanity's Sixth SenseScale AI SEAL–43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–31.7%
Furniture AssemblyEpoch AI Benchmarking Hub55.8%54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis–80.7%†
MLCRArtificial Analysis–22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub–161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench–81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis–52.4†
AA Progress Index v1Artificial Analysis–335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals Science IndexVals AI–39.1%†
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
DistressBenchScale AI SEAL–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

  • Muse Wonder:BenchLeader Index 63.0 → 64.4。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Kimi K3.1 Pro Together (max):BenchLeader Index 60.5 → 60.0。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • Kimi K3.1 Pro Together (max):首批结果。
  • Muse Wonder:1 项分数修订。
  • Muse Wonder:1 项新结果(Startrise Frontend)。
  • Muse Wonder:3 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

Kimi K3.1 Pro Together vs Muse Wonder:常见问题

Muse Wonder 比 Kimi K3.1 Pro Together 更好吗?
质量上 Muse Wonder 领先:64.4 比 60.0。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。
Kimi K3.1 Pro Together 是什么时候发布的?
Kimi K3.1 Pro Together 于 2026年10月23日 发布。