BenchLeader

Kimi K3.1 Pro vs Muse Spark 1.1

完整资料:Kimi K3.1 Pro(Moonshot AI)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 9 个来源

截至 2026年11月16日,Kimi K3.1 Pro 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 61.8 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 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。看重智能体与工具(65 比 51)、数学(73 比 61)和多模态(66 比 64)选 Kimi K3.1 Pro;看重知识(69 比 58)、推理(68 比 59)和编程(66 比 60)选 Muse Spark 1.1。Muse Spark 1.1 的首次回答更快(1.8 秒 比 157.4 秒)。Muse Spark 1.1 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Kimi K3.1 Pro 的 BenchLeader Index 为 61.8,Muse Spark 1.1 为 62.2(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)。
  • 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 Kimi K3.1 Pro 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 10 项基准测试中,Kimi K3.1 Pro 领先 7 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 60;SciCode 58.8% 比 60.8%中
智能体与工具调用Kimi K3.1 Pro类别得分 65 比 51;APEX-Agents 65.5% 比 31.8%高
数学Kimi K3.1 Pro类别得分 73 比 61;ProofBench 91.0% 比 39.0%高
推理Muse Spark 1.1类别得分 68 比 59高
知识Muse Spark 1.1类别得分 69 比 58;PRBench Finance 55.0% 比 47.5%高
图像及其他媒体Kimi K3.1 Pro类别得分 66 比 64中
对话质量(人类偏好)–只有 Muse Spark 1.1 有 Arena 评分(类别得分 65)无法比较
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $4.00;智能体编程会话 $0.092 比 $0.160–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 157.4 秒(Kimi K3.1 Pro)–
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 1.1 的质量不相上下(61.8 比 62.2,在 ±6.4 的误差范围内)。
  • Kimi K3.1 Pro 在智能体与工具、数学、多模态方面更强。
  • Muse Spark 1.1 在编程、知识、推理方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 2.0 倍(每百万 token 混合价格 $2.00 比 $4.00)。
  • Muse Spark 1.1 的输出速度是对方的 6.4 倍(193 比 30 token/秒)。

概览

规格Kimi K3.1 ProMuse Spark 1.1
提供商Moonshot AIMeta
发布日期2026年10月23日2026年7月9日
上下文窗口(token)1,048,5761,048,576
对比时的配置Kimi K3.1 ProMuse Spark 1.1
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$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Kimi K3.1 ProMuse Spark 1.1领先者
推理59.267.8Muse Spark 1.1
编程59.665.8Muse Spark 1.1
智能体与工具64.650.9Kimi K3.1 Pro
数学73.461.3Kimi K3.1 Pro
知识58.269.2Muse Spark 1.1
指令遵循–70.4无法比较
人类偏好–64.5无法比较
多模态66.363.6Kimi K3.1 Pro
长上下文67.9–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, 多模态: 66.3Muse 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, 多模态: 63.6

未绘制(测得的模型少于两个):指令遵循, 长上下文, 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 10 项基准测试中,Kimi K3.1 Pro 领先 7 项,Muse Spark 1.1 领先 3 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 IndexKimi K3.1 ProMuse Spark 1.1领先者
BenchLeader Index61.862.2不相上下
Arena Text1485†1491Muse 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Kimi K3.1 ProMuse Spark 1.1
每百万 token 混合价格$4.00$2.00
每百万 token 输入 / 输出$2.00 / $10.00$1.25 / $4.25
每百万 token 缓存输入$0.200$0.150
每项任务价格:聊天回复$0.0038$0.0018
每项任务价格:总结一份 30 页的报告$0.030$0.018
每项任务价格:代码编辑$0.027$0.014
每项任务价格:智能体编程会话$0.160$0.092
每项任务价格:结构化信息提取$0.0060$0.0034
智能体编程会话(输入大多命中缓存)$0.079$0.043
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/s193 tok/s
首次回答时间157.4 秒1.8 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 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 144 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 1.1
BenchLeader IndexBenchLeader61.862.2
智能体与工具得分BenchLeader64.650.9
编程得分BenchLeader59.665.8
知识得分BenchLeader58.269.2
长上下文得分BenchLeader67.9–
数学得分BenchLeader73.461.3
多模态得分BenchLeader66.363.6
推理得分BenchLeader59.267.8
人类偏好得分BenchLeader–64.5
指令遵循得分BenchLeader–70.4
混合价格(美元/百万 token)BenchLeader$4.00$2.00
输出速度BenchLeader30 tok/s193 tok/s
首次回答时间BenchLeader157.4 秒1.8 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
Arena Hard PromptsArena (LMArena)1504†1511
LiveBench 2.0 ReasoningLiveBench91.1%†–
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis–89.8%†
Humanity's Last Exam (AA)Artificial Analysis52.5%46.2%†
HLE-Diamond (AA)Artificial Analysis37.3%–
GPQA Diamond (Vals)Vals AI–91.2%†
CritPtArtificial Analysis24.6%15.1%†
CritPt v2 hard subset (AA)Artificial Analysis49.5%–
MysteryMechanismVals AI26.1%†–
Arena ExpertArena (LMArena)1515†1504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
LMCAEpoch AI Benchmarking Hub57.6%†49.9%†
DTBenchEpoch AI Benchmarking Hub93.3%†94.4%†
编程
SciCodeSciCode60.8%58.8%
Arena CodingArena (LMArena)1530†1533
Arena WebDevArena (LMArena)1687†1542
LiveBench 2.0 CodingLiveBench67.8%†–
LiveBench 1.0 CodingLiveBench–77.2%†
LiveCodeBenchVals AI–85.9%†
IOIVals AI81.9%†–
SWE-bench (Vals)Vals AI–82.0%†
SWE-Bench ProScale AI SEAL–61.5%
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
显示全部 144 项基准测试
指标发布方Kimi K3.1 ProMuse Spark 1.1
编程
Vibe Code Bench v1.1Vals AI84.9%†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%†
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%–
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
ALE-BenchEpoch AI Benchmarking Hub1932.8†–
WeirdML v3WeirdML9.9%†–
Terminal-Bench 4.0 (AA)Artificial Analysis67.2%6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis–77.9%†
GameBench 2 OverallDuelLab GameBench 278.3–
GameBench 2 by reasoning settingDuelLab GameBench 284.0†–
Design Arena WebsiteDesign Arena13211263
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%31.8%
Arena AgentArena (LMArena)4.9†-8
LiveBench Long AgenticLiveBench38.7%†–
LiveBench BrowserLiveBench75.9%†–
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL–88.1%
HiL-BenchScale AI SEAL61.3%–
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1, normalised scoreArtificial Analysis67.3%–
GDPval-AA v2.1Artificial Analysis18611216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Analyst Agent (AA)Artificial Analysis38.8%–
Finance Agent v2Vals AI–57.2%†
Finance Agent v2.1Vals AI61.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI11.7%†–
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI37.5%†38.0%†
SkillsBenchVals AI–59.2%†
SREBenchVals AI27.1%†–
Tax Agent BenchVals AI24.9%†–
Terminal-Bench 4.0 (Vals)Vals AI63.6%†–
Terminal-Bench ScienceVals AI31.4%†–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)2.7†-6.5
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs–6520.5
AutomationBenchArtificial Analysis73.3%38.9%†
GDP.pdf (AA)Artificial Analysis31.4%14.4%†
AA-Briefcase v1.1Artificial Analysis1674851†
Design Arena AgenticDesign Arena13011172
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
ProofBenchVals AI91.0%39.0%
LiveBench MathematicsLiveBench–87.1%†
ArXivMathMathArena58.3%†–
BrokenArXivMathArena61.9%†–
Arena MathsArena (LMArena)–1493
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.8%
LiveBench 2.0 Data AnalysisLiveBench79.1%†–
LiveBench ResearchLiveBench82.1%†–
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
AA-Omniscience v1.1Artificial Analysis29.9–
MMLU-ProVals AI–88.7%†
LegalBenchVals AI–85.0%†
CorpFinVals AI–71.3%†
TaxEvalVals AI–79.7%†
PRBench FinanceScale AI SEAL47.5%55.0%
PRBench LegalScale AI SEAL47.9%57.0%
MultiNRCScale AI SEAL–65.6%
BioMysteryBenchVals AI75.6%†–
Excel Modeling BenchmarkVals AI–56.4%†
Excel Modeling Benchmark v1.1Vals AI70.0%†–
MedScribeVals AI–88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
Access to Justice BenchmarkVals AI69.5%†–
DrugDiscoveryBenchScale AI SEAL63.4%†–
GDP.pdfEpoch AI Benchmarking Hub–15.0%
AA-Omniscience v1.1: accuracyArtificial Analysis48.9%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis62.7%–
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
MultiChallengeScale AI SEAL–75.3%
Arena Instruction FollowingArena (LMArena)1487†1473
人类偏好
Arena TextArena (LMArena)1485†1491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench21731928
Arena Creative WritingArena (LMArena)1453†1443
Arena Multi-turnArena (LMArena)1475†1497
Arena Longer QueriesArena (LMArena)1491†1481
多模态
Arena VisionArena (LMArena)–1292
LiveBench DesignLiveBench73.7%†–
MMMU-ProArtificial Analysis83.9%–
MMMU-Pro (Vals)Vals AI–86.6%†
MortgageTaxVals AI–66.1%†
Humanity's Sixth SenseScale AI SEAL33.2%†–
VTBScale AI SEAL–44.8%
VIALS-AAHandshake AI45.3%–
AA-3DArtificial Analysis1112–
长上下文
AA-LCR v1.1Artificial Analysis86.3%77.7%†
Arena DocumentArena (LMArena)–1480
MLCRArtificial Analysis38.3%7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.4154.9
LiveBench 2.0LiveBench68.7%†–
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v5.0.1Artificial Analysis46.5–
AA Intelligence Index v4.3.2Artificial Analysis55.133.7†
AA Progress Index v1Artificial Analysis340.7302.7†
Vals IndexVals AI62.5†–
Vals Finance IndexVals AI56.0%†–
Vals Science IndexVals AI44.4%†–
Vals Multimodal IndexVals AI–66.7%†
Vals Legal IndexVals AI67.0%†–
AA Cyber IndexArtificial Analysis64.1–
安全与诚实
FORTRESSScale AI SEAL18.6%12.4%
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。
  • 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。
  • Muse Spark 1.1:1 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 vs Muse Spark 1.1:常见问题

Kimi K3.1 Pro 比 Muse Spark 1.1 更好吗?
Kimi K3.1 Pro 与 Muse Spark 1.1 的质量不相上下(61.8 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。
Kimi K3.1 Pro 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 $4.00(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 Kimi K3.1 Pro 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 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 1.1 为 58.8%。
Kimi K3.1 Pro 和 Muse Spark 1.1 哪个更快?
Muse Spark 1.1 输出更快(3 倍以上;输出 193 比 30 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Kimi K3.1 Pro 还是 Muse Spark 1.1 更好?
Kimi K3.1 Pro 在智能体任务方面得分更高(类别得分 65 比 51,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,Kimi K3.1 Pro 为 65.5%,Muse Spark 1.1 为 31.8%。
更多问题(4)
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
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 157.4 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 Kimi K3.1 Pro 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 10 项基准测试中,Kimi K3.1 Pro 领先 7 项,Muse Spark 1.1 领先 3 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
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。