BenchLeader

Kimi K3.1 Pro vs Muse Spark

完整资料:Kimi K3.1 Pro(Moonshot AI)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,Kimi K3.1 Pro 与 Muse Spark 的质量不相上下(BenchLeader Index 61.8 比 64.2,在 ±4.6 的误差范围内)。看重数学(73 比 59)、长上下文(68 比 64)和多模态(66 比 64)选 Kimi K3.1 Pro;看重推理(67 比 59)、编程(65 比 60)和知识(63 比 58)选 Muse Spark。

要点(截至 2026年11月16日)

  • Kimi K3.1 Pro 的 BenchLeader Index 为 61.8,Muse Spark 为 64.2(BenchLeader,2026年11月16日)。
  • Kimi K3.1 Pro 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • 在两者都有结果的 14 项基准测试中,Kimi K3.1 Pro 领先 12 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 60;SciCode 51.5% 比 60.8%中
智能体与工具调用均可类别得分 65 比 65;GDPval-AA v2.1 1861 比 1006均可
数学Kimi K3.1 Pro类别得分 73 比 59;ProofBench 91.0% 比 17.0%高
推理Muse Spark类别得分 67 比 59;Humanity's Last Exam (AA) 40.7% 比 52.5%高
知识Muse Spark类别得分 63 比 58;PRBench Finance 52.4% 比 47.5%中
长文档Kimi K3.1 Pro类别得分 68 比 64;AA-LCR v1.1 86.3% 比 78.0%中
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 64;MMMU-Pro 83.9% 比 80.5%中
对话质量(人类偏好)–只有 Muse Spark 有 Arena 评分(类别得分 68)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

  • Kimi K3.1 Pro 与 Muse Spark 的质量不相上下(61.8 比 64.2,在 ±4.6 的误差范围内)。
  • Kimi K3.1 Pro 在长上下文、数学、多模态方面更强。
  • Muse Spark 在智能体与工具、编程、知识、推理方面更强。

概览

规格Kimi K3.1 ProMuse Spark
提供商Moonshot AIMeta
发布日期2026年10月23日2026年4月8日
上下文窗口(token)1,048,576262,144
对比时的配置Kimi K3.1 ProMuse Spark
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $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 ProMuse Spark领先者
推理59.267.4Muse Spark
编程59.665.1Muse Spark
智能体与工具64.665.0持平
数学73.459.1Kimi K3.1 Pro
知识58.263.1Muse Spark
指令遵循–76.9无法比较
人类偏好–68.1无法比较
多模态66.364.2Kimi K3.1 Pro
长上下文67.963.6Kimi K3.1 Pro

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长上下文多模态Kimi K3.1 Pro, 推理: 59.2Kimi K3.1 Pro, 编程: 59.6Kimi K3.1 Pro, 智能体与工具: 64.6Kimi K3.1 Pro, 数学: 73.4Kimi K3.1 Pro, 知识: 58.2Kimi K3.1 Pro, 长上下文: 67.9Kimi K3.1 Pro, 多模态: 66.3Muse 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, 长上下文: 63.6Muse Spark, 多模态: 64.2

未绘制(测得的模型少于两个):指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 14 项基准测试中,Kimi K3.1 Pro 领先 12 项,Muse Spark 领先 2 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexKimi K3.1 ProMuse Spark领先者
BenchLeader Index61.864.2不相上下
Arena Text1485†1489Muse 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Kimi K3.1 ProMuse Spark
每百万 token 混合价格$4.00–
每百万 token 输入 / 输出$2.00 / $10.00– / –
每百万 token 缓存输入$0.200–
每项任务价格:聊天回复$0.0038–
每项任务价格:总结一份 30 页的报告$0.030–
每项任务价格:代码编辑$0.027–
每项任务价格:智能体编程会话$0.160–
每项任务价格:结构化信息提取$0.0060–
智能体编程会话(输入大多命中缓存)$0.079–
每项基准测试任务成本(AA Index)$3.68–
每项任务输出 token(AA Index)72k–
其中推理部分44k–
每项任务耗时(AA Index)40 min–
输出速度30 tok/s–
首次回答时间157.4 秒–
完整回答耗时(最近一次测量 2026年11月13日)417.5 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 得分 61.8,首个回答 token 需 157 秒;Kimi K3.1 Pro (max) 为 59.9(157 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 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 ProMuse Spark
BenchLeader IndexBenchLeader61.864.2
智能体与工具得分BenchLeader64.665.0
编程得分BenchLeader59.665.1
知识得分BenchLeader58.263.1
长上下文得分BenchLeader67.963.6
数学得分BenchLeader73.459.1
多模态得分BenchLeader66.364.2
推理得分BenchLeader59.267.4
人类偏好得分BenchLeader–68.1
指令遵循得分BenchLeader–76.9
混合价格(美元/百万 token)BenchLeader$4.00–
输出速度BenchLeader30 tok/s–
首次回答时间BenchLeader157.4 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–89.8%
Humanity's Last ExamScale AI / CAIS–40.6%
Arena Hard PromptsArena (LMArena)1504†1506
LiveBench 2.0 ReasoningLiveBench91.1%†–
GPQA Diamond (AA)Artificial Analysis–88.4%
Humanity's Last Exam (AA)Artificial Analysis52.5%40.7%
HLE-Diamond (AA)Artificial Analysis37.3%–
GPQA Diamond (Vals)Vals AI–89.7%
CritPtArtificial Analysis24.6%11.3%
CritPt v2 hard subset (AA)Artificial Analysis49.5%–
MysteryMechanismVals AI26.1%†–
Arena ExpertArena (LMArena)1515†1491
LMCAEpoch AI Benchmarking Hub57.6%†–
DTBenchEpoch AI Benchmarking Hub93.3%†–
编程
SciCodeSciCode60.8%51.5%
Arena CodingArena (LMArena)1530†1529
Arena WebDevArena (LMArena)1687†–
LiveBench 2.0 CodingLiveBench67.8%†–
SciCode (AA)Artificial Analysis60.8%–
IOIVals AI81.9%†–
SWE-bench (Vals)Vals AI–74.4%
SWE-Bench ProScale AI SEAL–55.0%
Vibe Code Bench v1.1Vals AI84.9%†19.7%
SWE-Bench Pro (private)Scale AI SEAL–44.7%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–24.2%
显示全部 125 项基准测试
指标发布方Kimi K3.1 ProMuse Spark
编程
SWE Atlas v1.0: Test WritingScale AI SEAL–31.1%
SWE Atlas v1.1Scale AI SEAL61.1%–
SWE Atlas v1.1: Codebase QnAScale AI SEAL70.2%–
SWE Atlas v1.1: Test WritingScale AI SEAL58.9%–
SWE Atlas v1.1: RefactoringScale AI SEAL54.3%–
ALE-BenchEpoch AI Benchmarking Hub1932.8†–
WeirdML v3WeirdML9.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis67.2%–
Terminal-Bench 2.1 (AA)Artificial Analysis–62.2%
GameBench 2 OverallDuelLab GameBench 278.3–
GameBench 2 by reasoning settingDuelLab GameBench 284.0†–
Design Arena WebsiteDesign Arena13211253
FrontierCode 1.1 (AA)Artificial Analysis47.1%–
FrontierCode 2.0 (AA)Artificial Analysis25.4%–
智能体与工具
Terminal-BenchTerminal-Bench59.7%†–
APEX-AgentsMercor65.5%–
Arena AgentArena (LMArena)4.9†–
LiveBench Long AgenticLiveBench38.7%†–
LiveBench BrowserLiveBench75.9%†–
Terminal-Bench HardArtificial Analysis–45.5%
τ²-Bench Telecom (AA)Artificial Analysis–91.5%
MCP AtlasScale AI SEAL–82.2%
HiL-BenchScale AI SEAL61.3%–
GDPval-AA v2.1, normalised scoreArtificial Analysis67.3%–
GDPval-AA v2.1Artificial Analysis18611006
Analyst Agent (AA)Artificial Analysis38.8%–
Finance Agent v2.1Vals AI61.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI11.7%†–
Legal Research BenchVals AI37.5%†–
SREBenchVals AI27.1%†–
Tax Agent BenchVals AI24.9%†–
Terminal-Bench 2.0 (Vals)Vals AI–59.5%
Terminal-Bench 4.0 (Vals)Vals AI63.6%†–
Terminal-Bench ScienceVals AI31.4%†–
Arena Agent Task CompletionArena (LMArena)2.7†–
AutomationBenchArtificial Analysis73.3%–
GDP.pdf (AA)Artificial Analysis31.4%–
AA-Briefcase v1.1Artificial Analysis1674646
Design Arena AgenticDesign Arena1301–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis34.3%–
CWE-Bench (AA)Artificial Analysis60.8%–
DeepSec-Bench (AA)Artificial Analysis36.7%–
CyberGym end-to-end (AA)Artificial Analysis94.7%–
MKA (AA)Artificial Analysis43.9%–
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub–88.9%
ProofBenchVals AI91.0%17.0%
AIME (Vals)Vals AI–96.9%
ArXivMathMathArena58.3%†–
BrokenArXivMathArena61.9%†–
Arena MathsArena (LMArena)–1469
知识
LiveBench 2.0 Data AnalysisLiveBench79.1%†–
LiveBench ResearchLiveBench82.1%†–
AA-Omniscience v1.1Artificial Analysis29.9–
MMLU-ProVals AI–87.3%
LegalBenchVals AI–84.2%
CorpFinVals AI–65.1%
TaxEvalVals AI–77.7%
PRBench FinanceScale AI SEAL47.5%52.4%
PRBench LegalScale AI SEAL47.9%52.3%
MultiNRCScale AI SEAL–59.0%
BioMysteryBenchVals AI75.6%†–
CaseLaw v2Vals AI–63.1%
Excel Modeling Benchmark v1.1Vals AI70.0%†–
MedCodeVals AI–51.3%
MedScribeVals AI–85.9%
Access to Justice BenchmarkVals AI69.5%†–
DrugDiscoveryBenchScale AI SEAL63.4%†–
AA-Omniscience v1.1: accuracyArtificial Analysis48.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis62.7%–
指令遵循
IFBenchArtificial Analysis–75.9%
MultiChallengeScale AI SEAL–75.5%
TutorBenchScale AI SEAL–68.5%
Arena Instruction FollowingArena (LMArena)1487†1465
人类偏好
Arena TextArena (LMArena)1485†1489
EQ-Bench Creative Writing v3EQ-Bench2173–
Arena Creative WritingArena (LMArena)1453†1464
Arena Multi-turnArena (LMArena)1475†1493
Arena Longer QueriesArena (LMArena)1491†1476
多模态
Arena VisionArena (LMArena)–1306
LiveBench DesignLiveBench73.7%†–
MMMU-ProArtificial Analysis83.9%80.5%
MMMU-Pro (Vals)Vals AI–87.4%
Humanity's Sixth SenseScale AI SEAL33.2%†–
VIALS-AAHandshake AI45.3%–
AA-3DArtificial Analysis1112–
长上下文
AA-LCR v1.1Artificial Analysis86.3%78.0%
Arena DocumentArena (LMArena)–1467
MLCRArtificial Analysis38.3%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.4153.1
LiveBench 2.0LiveBench68.7%†–
AA Intelligence Index v5.0.1Artificial Analysis46.5–
AA Intelligence Index v4.3.2Artificial Analysis55.131.3
AA Progress Index v1Artificial Analysis340.7289.1
Vals IndexVals AI62.5†–
Vals Finance IndexVals AI56.0%†–
Vals Science IndexVals AI44.4%†–
Vals Legal IndexVals AI67.0%†–
AA Cyber IndexArtificial Analysis64.1–
安全与诚实
FORTRESSScale AI SEAL18.6%20.2%
元数据
AA Openness IndexArtificial Analysis33.3–

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

  • Kimi K3.1 Pro:BenchLeader Index 61.2 → 61.8。
  • Kimi K3.1 Pro:1 项分数修订。
  • Kimi K3.1 Pro:1 项分数修订。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Kimi K3.1 Pro:1 项新结果(HiL-Bench)。
  • Kimi K3.1 Pro:3 项新结果(PRBench Finance, PRBench Legal, FORTRESS);2 项分数修订。
  • Kimi K3.1 Pro:2 项新结果(APEX-Agents, Epoch Capabilities Index)。
  • Kimi K3.1 Pro:BenchLeader Index 61.8 → 61.2。
  • Kimi K3.1 Pro:5 项分数修订。
  • Kimi K3.1 Pro:BenchLeader Index 61.3 → 61.8。

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 vs Muse Spark:常见问题

Kimi K3.1 Pro 比 Muse Spark 更好吗?
Kimi K3.1 Pro 与 Muse Spark 的质量不相上下(61.8 比 64.2,在 ±4.6 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。
编程用 Kimi K3.1 Pro 还是 Muse Spark 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Kimi K3.1 Pro 为 60.8%,Muse Spark 为 51.5%。
智能体和工具调用用 Kimi K3.1 Pro 还是 Muse Spark 更好?
两者在智能体任务方面持平(类别得分 65 比 65)。
处理长文档哪个更好?
Kimi K3.1 Pro 在长上下文基准测试上得分更高(68 比 64)。Kimi K3.1 Pro 支持更长的上下文:1,048,576 token,Muse Spark 为 262,144 token。
第三方基准测试对 Kimi K3.1 Pro 和 Muse Spark 的看法一致吗?
在两者都有结果的 14 项基准测试中,Kimi K3.1 Pro 领先 12 项,Muse Spark 领先 2 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)
Kimi K3.1 Pro 是什么时候发布的?
Kimi K3.1 Pro 于 2026年10月23日 发布。