BenchLeader

Muse Spark 1.1 vs Qwen3.8 Max

完整资料:Muse Spark 1.1(Meta)和 Qwen3.8 Max(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,Muse Spark 1.1 与 Qwen3.8 Max 的质量不相上下(BenchLeader Index 62.2 比 58.7,在 ±6.6 的误差范围内)。Muse Spark 1.1 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。看重推理(68 比 52)、知识(69 比 58)和编程(66 比 62)选 Muse Spark 1.1;看重智能体与工具(59 比 51)、数学(65 比 61)和人类偏好(68 比 65)选 Qwen3.8 Max。Muse Spark 1.1 的首次回答更快(1.8 秒 比 119.6 秒)。Muse Spark 1.1 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • Muse Spark 1.1 的 BenchLeader Index 为 62.2,Qwen3.8 Max 为 58.7(BenchLeader,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)。
  • Qwen3.8 Max 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • Muse Spark 1.1 比 Qwen3.8 Max 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 18 项基准测试中,Qwen3.8 Max 领先 14 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Muse Spark 1.1 的评分为 1542,Qwen3.8 Max 为 1676(LMArena,截至 2026年11月16日 的公布数据)。

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 62;SciCode 58.8% 比 53.2%中
智能体与工具调用Qwen3.8 Max类别得分 59 比 51;APEX-Agents 63.3% 比 31.8%高
数学Qwen3.8 Max类别得分 65 比 61;Arena Maths 1505 比 1493中
推理Muse Spark 1.1类别得分 68 比 52;Arena Hard Prompts 1511 比 1507高
知识Muse Spark 1.1类别得分 69 比 58高
图像及其他媒体Qwen3.8 Max类别得分 66 比 64;Arena Vision 1312 比 1292中
对话质量(人类偏好)Qwen3.8 MaxArena 投票 68 比 65中
成本最低Muse Spark 1.1每百万 token 混合价格 $2.00 比 $3.00;智能体编程会话 $0.092 比 $0.144–
首次回答最快Muse Spark 1.1首个回答 token 1.8 秒(Muse Spark 1.1)比 119.6 秒(Qwen3.8 Max (max))–
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

  • Muse Spark 1.1 与 Qwen3.8 Max (max) 的质量不相上下(62.2 比 58.7,在 ±6.6 的误差范围内)。
  • Muse Spark 1.1 在编程、知识、推理方面更强。
  • Qwen3.8 Max (max) 在智能体与工具、人类偏好、数学、多模态方面更强。
  • Muse Spark 1.1 更便宜,对方的价格是它的 1.5 倍(每百万 token 混合价格 $2.00 比 $3.00)。
  • Muse Spark 1.1 的输出速度是对方的 3.3 倍(193 比 59 token/秒)。

概览

规格Muse Spark 1.1Qwen3.8 Max
提供商MetaAlibaba
发布日期2026年7月9日2026年8月3日
上下文窗口(token)1,048,5761,000,000
对比时的配置Muse Spark 1.1Qwen3.8 Max (max)
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $4.25 / $0.150$2.00 / $6.00 / $0.250

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Muse Spark 1.1Qwen3.8 Max (max)领先者
推理67.851.5Muse Spark 1.1
编程65.861.6Muse Spark 1.1
智能体与工具50.958.5Qwen3.8 Max
数学61.365.2Qwen3.8 Max
知识69.258.0Muse Spark 1.1
指令遵循70.4–无法比较
人类偏好64.567.5Qwen3.8 Max
多模态63.665.7Qwen3.8 Max
长上下文–64.8无法比较
综合–45.0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人类偏好Muse 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: 63.6Muse Spark 1.1, 人类偏好: 64.5Qwen3.8 Max, 推理: 51.5Qwen3.8 Max, 编程: 61.6Qwen3.8 Max, 智能体与工具: 58.5Qwen3.8 Max, 数学: 65.2Qwen3.8 Max, 知识: 58.0Qwen3.8 Max, 多模态: 65.7Qwen3.8 Max, 人类偏好: 67.5

未绘制(测得的模型少于两个):指令遵循, 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 18 项基准测试中,Muse Spark 1.1 领先 4 项,Qwen3.8 Max 领先 14 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 IndexMuse Spark 1.1Qwen3.8 Max (max)领先者
BenchLeader Index62.258.7不相上下
Arena Text14911484Muse 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Muse Spark 1.1Qwen3.8 Max (max)
每百万 token 混合价格$2.00$3.00
每百万 token 输入 / 输出$1.25 / $4.25$2.00 / $6.00
每百万 token 缓存输入$0.150$0.250
每项任务价格:聊天回复$0.0018$0.0026
每项任务价格:总结一份 30 页的报告$0.018$0.028
每项任务价格:代码编辑$0.014$0.021
每项任务价格:智能体编程会话$0.092$0.144
每项任务价格:结构化信息提取$0.0034$0.0052
智能体编程会话(输入大多命中缓存)$0.043$0.065
每项基准测试任务成本(AA Index)–$10.02
每项任务输出 token(AA Index)–171k
其中推理部分–120k
每项任务耗时(AA Index)–48 min
输出速度193 tok/s59 tok/s
首次回答时间1.8 秒119.6 秒
完整回答耗时(最近一次测量 2026年11月13日)–294.1 秒

每个模型都按其排名最高的推理强度设置进行对比。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)。Qwen3.8 Max (max) 得分 58.7,首个回答 token 需 120 秒;Qwen3.8 Max (xhigh) 为 56.6(3 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 154 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Muse Spark 1.1Qwen3.8 Max (max)
BenchLeader IndexBenchLeader62.258.7
智能体与工具得分BenchLeader50.958.5
编程得分BenchLeader65.861.6
人类偏好得分BenchLeader64.567.5
指令遵循得分BenchLeader70.4–
知识得分BenchLeader69.258.0
数学得分BenchLeader61.365.2
多模态得分BenchLeader63.665.7
推理得分BenchLeader67.851.5
综合得分BenchLeader–45.0
长上下文得分BenchLeader–64.8
混合价格(美元/百万 token)BenchLeader$2.00$3.00
输出速度BenchLeader193 tok/s59 tok/s
首次回答时间BenchLeader1.8 秒119.6 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–92.7%†
Arena Hard PromptsArena (LMArena)15111507
LiveBench 2.0 ReasoningLiveBench–88.2%
LiveBench 1.0 ReasoningLiveBench87.7%†88.2%
GPQA Diamond (AA)Artificial Analysis89.8%†92.8%
Humanity's Last Exam (AA)Artificial Analysis46.2%†43.1%
HLE-Diamond (AA)Artificial Analysis–24.0%
GPQA Diamond (Vals)Vals AI91.2%†93.7%
CritPtArtificial Analysis15.1%†20.0%
CritPt v2 hard subset (AA)Artificial Analysis–29.5%
MysteryMechanismVals AI–23.9%
Arena ExpertArena (LMArena)15041514
Chess PuzzlesEpoch AI Benchmarking Hub34.0%†46.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub–38.0%†
LMCAEpoch AI Benchmarking Hub49.9%†46.2%†
DTBenchEpoch AI Benchmarking Hub94.4%†92.0%†
编程
SciCodeSciCode58.8%53.2%
Arena CodingArena (LMArena)15331523
Arena WebDevArena (LMArena)15421676
LiveBench 2.0 CodingLiveBench–60.9%
LiveBench 1.0 CodingLiveBench77.2%†72.9%
LiveCodeBenchVals AI85.9%†87.8%
IOIVals AI–68.9%
SWE-bench (Vals)Vals AI82.0%†85.6%
SWE-Bench ProScale AI SEAL61.5%–
显示全部 154 项基准测试
指标发布方Muse Spark 1.1Qwen3.8 Max (max)
编程
Code MigrationVals AI31.1%†24.0%
ProgramBenchVals AI0.0%†0.0%
SWE-bench MultimodalVals AI–42.5%
Vibe Code Bench 1-100Vals AI–12.8%
Vibe Code Bench v1.1Vals AI72.2%†64.7%
SWE-Bench Pro (private)Scale AI SEAL51.5%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL42.2%†–
SWE Atlas v1.0: Test WritingScale AI SEAL41.5%†–
SWE Atlas v1.1Scale AI SEAL–64.4%
SWE Atlas v1.1: Codebase QnAScale AI SEAL–81.5%
SWE Atlas v1.1: Test WritingScale AI SEAL–58.9%
SWE Atlas v1.1: RefactoringScale AI SEAL–52.9%
MirrorCodeEpoch AI Benchmarking Hub–52.2%†
Surface Evolver BenchEpoch AI Benchmarking Hub52.5%†–
DeepSWE v1.1Epoch AI Benchmarking Hub53.3%57.5%†
ALE-BenchEpoch AI Benchmarking Hub–1679.1†
FrontierSWEEpoch AI Benchmarking Hub–17.8%†
Terminal-Bench 4.0 (AA)Artificial Analysis6.1%†38.9%
Terminal-Bench 2.1 (AA)Artificial Analysis77.9%†88.8%
Startrise FrontendStartrise–71.3%
GameBench 2 OverallDuelLab GameBench 2–54.2†
GameBench 2 by reasoning settingDuelLab GameBench 2–69.6†
Design Arena WebsiteDesign Arena12631269
FrontierCode 1.1 (AA)Artificial Analysis–43.2%
FrontierCode 2.0 (AA)Artificial Analysis–23.4%
智能体与工具
Terminal-BenchTerminal-Bench–27.0%
APEX-AgentsMercor31.8%63.3%
Arena AgentArena (LMArena)-80.1
LiveBench Long AgenticLiveBench–26.6%
LiveBench BrowserLiveBench–49.4%
LiveBench Agentic CodingLiveBench58.5%†64.7%
Terminal-Bench 2.1 (Vals)Vals AI69.3%†67.4%
MCP AtlasScale AI SEAL88.1%–
τ³-bench Bankingτ²-bench40.5%†55.1%†
GDPval-AA v2.1, normalised scoreArtificial Analysis–58.3%
GDPval-AA v2.1Artificial Analysis1216†1674
τ³-Banking (AA)Artificial Analysis31.8%†51.3%
ITBench SRE (AA)Artificial Analysis–40.3%
Analyst Agent (AA)Artificial Analysis–45.0%
APEX-Agents (AA)Artificial Analysis–42.4%
CyberBenchVals AI–28.6%
Finance Agent v2Vals AI57.2%†50.6%
Harvey's Legal Agent Benchmark v1Vals AI20.0%†10.4%
Legal Research BenchVals AI38.0%†47.6%
SkillsBenchVals AI59.2%†42.0%
Tax Agent BenchVals AI–32.1%
Terminal-Bench 4.0 (Vals)Vals AI–34.3%
Terminal-Bench ScienceVals AI–12.9%
Time Horizon Index: KSPVals AI1.7%†–
Arena SearchArena (LMArena)–1227
Arena Agent Task CompletionArena (LMArena)-6.54.5
GBAEvalEpoch AI Benchmarking Hub7.9%–
Vending-Bench 2Andon Labs6520.5–
AutomationBenchArtificial Analysis38.9%†56.2%
GDP.pdf (AA)Artificial Analysis14.4%†22.8%
EnterpriseOps-GymArtificial Analysis–47.6%
AA-Briefcase v1.1Artificial Analysis851†1604
GDPxGDPx by SemiAnalysis–3.5%
Design Arena AgenticDesign Arena11721264
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–11.9%
MKA (AA)Artificial Analysis–37.4%
FACTS SearchGoogle–85.0%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub–74.7%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–46.3%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–100.0%†
ProofBenchVals AI39.0%58.0%
LiveBench MathematicsLiveBench87.1%†91.3%
Arena MathsArena (LMArena)14931505
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub57.8%47.3%†
LiveBench 2.0 Data AnalysisLiveBench–78.4%
LiveBench ResearchLiveBench–72.8%
LiveBench 1.0 Data AnalysisLiveBench72.5%†78.4%
AA-Omniscience v1.1Artificial Analysis–10.5
MMLU-ProVals AI88.7%†88.6%
LegalBenchVals AI85.0%†83.6%
CorpFinVals AI71.3%†65.8%
TaxEvalVals AI79.7%†75.5%
PRBench FinanceScale AI SEAL55.0%–
PRBench LegalScale AI SEAL57.0%–
MultiNRCScale AI SEAL65.6%–
Excel Modeling BenchmarkVals AI56.4%†60.1%
Excel Modeling Benchmark v1.1Vals AI–66.0%
MedCodeVals AI–40.7%
MedScribeVals AI88.9%†85.0%
Public Benefits Bench v1.1Vals AI61.3%†67.1%
Access to Justice BenchmarkVals AI–76.4%
Financial Coaching BenchVals AI–75.6%
Immigration BenchVals AI–70.1%
GDP.pdfEpoch AI Benchmarking Hub15.0%23.2%†
AA-Omniscience v1.1: accuracyArtificial Analysis–29.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–72.9%
FACTS ParametricGoogle–30.8%
指令遵循
LiveBench LanguageLiveBench74.3%†79.7%
LiveBench Instruction FollowingLiveBench69.6%†74.1%
MultiChallengeScale AI SEAL75.3%–
Arena Instruction FollowingArena (LMArena)14731478
人类偏好
Arena TextArena (LMArena)14911484
EQ-Bench 4EQ-Bench1244–
EQ-Bench Creative Writing v3EQ-Bench1928–
Arena Creative WritingArena (LMArena)14431472
Arena Multi-turnArena (LMArena)14971495
Arena Longer QueriesArena (LMArena)14811496
多模态
Arena VisionArena (LMArena)12921312
LiveBench DesignLiveBench–76.6%
MMMU-ProArtificial Analysis–82.8%
MMMU-Pro (Vals)Vals AI86.6%†88.0%
MortgageTaxVals AI66.1%†64.0%
SAGEVals AI–81.8%
Humanity's Sixth SenseScale AI SEAL–33.0%
VTBScale AI SEAL44.8%–
Furniture AssemblyEpoch AI Benchmarking Hub–20.0%†
VIALS-AAHandshake AI–31.7%
Code2Video-AAArtificial Analysis–1021
AA-3DArtificial Analysis–954
FACTS MultimodalGoogle–51.5%
长上下文
AA-LCR v1.1Artificial Analysis77.7%†80.3%
Arena DocumentArena (LMArena)1480–
MLCRArtificial Analysis7.2%†26.1%
FACTS GroundingGoogle–73.8%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub154.9157.6
LiveBench 2.0LiveBench–60.9%
LiveBench 1.0LiveBench75.3%†78.5%
AA Intelligence Index v5.0.1Artificial Analysis–33.6
AA Intelligence Index v4.3.2Artificial Analysis33.7†45.4
AA Progress Index v1Artificial Analysis302.7†323.7
Vals RSI IndexVals AI–21.8%
Vals Multimodal IndexVals AI66.7%†65.4%
安全与诚实
FORTRESSScale AI SEAL12.4%–
DistressBenchScale AI SEAL–77.6%

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。

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

  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Qwen3.8 Max (max):6 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订。
  • Muse Spark 1.1:1 项分数修订。
  • Qwen3.8 Max (max):1 项新结果(FACTS Search);1 项分数修订。
  • Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。
  • Qwen3.8 Max (max):1 项分数修订;价格 $0.22/M → $0.25/M。
  • Qwen3.8 Max (max):价格 $0.25/M → $0.22/M。

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

Muse Spark 1.1 vs Qwen3.8 Max:常见问题

Muse Spark 1.1 比 Qwen3.8 Max 更好吗?
Muse Spark 1.1 与 Qwen3.8 Max (max) 的质量不相上下(62.2 比 58.7,在 ±6.6 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。
Muse Spark 1.1 和 Qwen3.8 Max 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 $3.00(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 Muse Spark 1.1 还是 Qwen3.8 Max 更好?
Muse Spark 1.1 在编程方面得分更高(类别得分 66 比 62,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Muse Spark 1.1 为 1542,Qwen3.8 Max 为 1676。
Muse Spark 1.1 和 Qwen3.8 Max 哪个更快?
Muse Spark 1.1 输出更快(3 倍以上;输出 193 比 59 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Muse Spark 1.1 还是 Qwen3.8 Max 更好?
Qwen3.8 Max 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)。在两者共同的最主要智能体与工具基准测试 APEX-Agents 上,Muse Spark 1.1 为 31.8%,Qwen3.8 Max 为 63.3%。
更多问题(4)
处理长文档哪个更好?
两者都约为 1M token(Muse Spark 1.1 为 1,048,576,Qwen3.8 Max 为 1,000,000)。
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 119.6 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 Muse Spark 1.1 和 Qwen3.8 Max 的看法一致吗?
在两者都有结果的 18 项基准测试中,Muse Spark 1.1 领先 4 项,Qwen3.8 Max 领先 14 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
Qwen3.8 Max 是什么时候发布的?
Qwen3.8 Max 于 2026年8月3日 发布。