BenchLeader

Muse Spark 1.2 vs Muse Wonder

完整资料:Muse Spark 1.2(Meta)和 Muse Wonder(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,Muse Spark 1.2 与 Muse Wonder 的质量不相上下(BenchLeader Index 61.5 比 64.4,在 ±5.8 的误差范围内)。Muse Spark 1.2 更便宜,对方的价格是它的 4.0 倍(每百万 token 混合价格 $2.00 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。Muse Spark 1.2 输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • Muse Spark 1.2 的 BenchLeader Index 为 61.5,Muse Wonder 为 64.4(BenchLeader,2026年11月16日)。
  • Muse Spark 1.2 每百万 token 混合价格为 $2.00(标价,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)。
  • Muse Spark 1.2 比 Muse Wonder 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 2 项基准测试中,Muse Wonder 领先 2 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
智能体与工具调用Muse Wonder类别得分 76 比 55高
数学Muse Wonder类别得分 70 比 67中
知识Muse Wonder类别得分 77 比 65高
对话质量(人类偏好)Muse WonderArena 投票 70 比 69中
成本最低Muse Spark 1.2每百万 token 混合价格 $2.00 比 $8.00;智能体编程会话 $0.092 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)比 11.4 秒(Muse Spark 1.2 (xhigh))–
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 1.2 (xhigh) 与 Muse Wonder 的质量不相上下(61.5 比 64.4,在 ±5.8 的误差范围内)。
  • Muse Wonder 在智能体与工具、人类偏好、知识、数学方面更强。
  • Muse Spark 1.2 (xhigh) 更便宜,对方的价格是它的 4.0 倍(每百万 token 混合价格 $2.00 比 $8.00)。
  • Muse Spark 1.2 (xhigh) 的输出速度是对方的 3.0 倍(208 比 70 token/秒)。

概览

规格Muse Spark 1.2Muse Wonder
提供商MetaMeta
发布日期2026年8月5日2026年10月12日
上下文窗口(token)1,048,5761,048,576
对比时的配置Muse Spark 1.2 (xhigh)Muse Wonder
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$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Muse Spark 1.2 (xhigh)Muse Wonder领先者
推理68.1–无法比较
编程54.7–无法比较
智能体与工具55.475.6Muse Wonder
数学66.870.1Muse Wonder
知识64.577.1Muse Wonder
人类偏好68.669.6Muse Wonder
多模态65.3–无法比较
长上下文64.1–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智能体与工具数学知识人类偏好Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 数学: 66.8Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 人类偏好: 68.6Muse 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

未绘制(测得的模型少于两个):推理, 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 2 项基准测试中,Muse Spark 1.2 领先 0 项,Muse Wonder 领先 2 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。

综合 IndexMuse Spark 1.2 (xhigh)Muse Wonder领先者
BenchLeader Index61.564.4不相上下
Arena Text14931511†Muse 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Muse Spark 1.2 (xhigh)Muse Wonder
每百万 token 混合价格$2.00$8.00
每百万 token 输入 / 输出$1.25 / $4.25$4.00 / $20.00
每百万 token 缓存输入$0.150$0.200
每项任务价格:聊天回复$0.0018$0.0076
每项任务价格:总结一份 30 页的报告$0.018$0.060
每项任务价格:代码编辑$0.014$0.054
每项任务价格:智能体编程会话$0.092$0.320
每项任务价格:结构化信息提取$0.0034$0.012
智能体编程会话(输入大多命中缓存)$0.043$0.149
输出速度208 tok/s70 tok/s
首次回答时间11.4 秒3.3 秒
完整回答耗时(最近一次测量 2026年11月13日)23.9 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 1.2 (xhigh) 得分 61.5,首个回答 token 需 11 秒。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 148 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 1.2 (xhigh)Muse Wonder
BenchLeader IndexBenchLeader61.564.4
智能体与工具得分BenchLeader55.475.6
编程得分BenchLeader54.7–
人类偏好得分BenchLeader68.669.6
知识得分BenchLeader64.577.1
长上下文得分BenchLeader64.1–
数学得分BenchLeader66.870.1
多模态得分BenchLeader65.3–
推理得分BenchLeader68.1–
混合价格(美元/百万 token)BenchLeader$2.00$8.00
输出速度BenchLeader208 tok/s70 tok/s
首次回答时间BenchLeader11.4 秒3.3 秒
上下文窗口BenchLeader1,048,576 token1,048,576 token
推理
SimpleBenchSimpleBench74.5%†–
Arena Hard PromptsArena (LMArena)15141531†
LiveBench 2.0 ReasoningLiveBench–90.6%†
LiveBench 1.0 ReasoningLiveBench90.0%90.6%†
GPQA Diamond (AA)Artificial Analysis90.4%–
Humanity's Last Exam (AA)Artificial Analysis45.5%50.1%†
HLE-Diamond (AA)Artificial Analysis–39.0%†
CritPtArtificial Analysis17.7%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)15031525†
Chess PuzzlesEpoch AI Benchmarking Hub27.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–51.0%†
LMCAEpoch AI Benchmarking Hub48.4%56.8%
DTBenchEpoch AI Benchmarking Hub94.7%95.2%
编程
SciCodeSciCode57.4%60.3%†
WeirdMLWeirdML60.3%–
Arena CodingArena (LMArena)15421542†
Arena WebDevArena (LMArena)15341647†
LiveBench 2.0 CodingLiveBench–74.9%†
LiveBench 1.0 CodingLiveBench77.5%80.7%†
IOIVals AI21.8%66.9%†
SWE-bench (Vals)Vals AI86.6%–
Code MigrationVals AI29.9%62.5%†
显示全部 148 项基准测试
指标发布方Muse Spark 1.2 (xhigh)Muse Wonder
编程
Code Migration v1.1Vals AI–72.4%†
ProgramBenchVals AI0.5%–
SWE-bench MultimodalVals AI–45.6%†
Vibe Code Bench 1-100Vals AI–26.6%†
Vibe Code Bench v1.1Vals AI79.1%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%†
DeepSWE v1.1Epoch AI Benchmarking Hub54.9%–
CursorBenchCursor–50.4%†
FrontierSWEEpoch AI Benchmarking Hub12.0%–
WeirdML v3WeirdML–15.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis7.1%52.0%†
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%–
Startrise FrontendStartrise70.3%†–
GameBench 2 OverallDuelLab GameBench 251.5†64.8
GameBench 2 by reasoning settingDuelLab GameBench 256.954.9†
Design Arena WebsiteDesign Arena1309†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-AgentsMercor45.4%†66.1%†
Arena AgentArena (LMArena)-8.21.8†
LiveBench Long AgenticLiveBench–46.2%†
LiveBench BrowserLiveBench–60.0%†
LiveBench Agentic CodingLiveBench57.6%62.7%†
Terminal-Bench 2.1 (Vals)Vals AI69.7%–
HiL-BenchScale AI SEAL–79.7%
GDPval-AA v2.1, normalised scoreArtificial Analysis–63.5%†
GDPval-AA v2.1Artificial Analysis14781770†
τ³-Banking (AA)Artificial Analysis34.9%–
CUA-benchVals AI–7.2%†
CyberBenchVals AI69.5%80.4%†
Finance Agent v2Vals AI60.6%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 AI25.4%17.1%†
Legal Research BenchVals AI43.8%50.5%†
SkillsBenchVals AI53.0%–
SREBenchVals AI0.0%–
Tax Agent BenchVals AI32.8%36.3%†
Terminal-Bench 4.0 (Vals)Vals AI6.1%49.5%†
Terminal-Bench ScienceVals AI–22.9%†
Arena Agent Task CompletionArena (LMArena)-9.85.4†
PostTrainBenchEpoch AI Benchmarking Hub–24.2%†
Vending-Bench 2Andon Labs–9432.2
AutomationBenchArtificial Analysis40.6%68.1%†
GDP.pdf (AA)Artificial Analysis17.4%30.6%†
Harvey LAB-AA v1.1Harvey–10.0%†
EnterpriseOps-GymArtificial Analysis47.3%–
AA-Briefcase v1.1Artificial Analysis13231659†
GDPxGDPx by SemiAnalysis–6.8%†
Design Arena AgenticDesign Arena1185†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 Hub–82.1%†
FrontierMath Tier 4Epoch AI Benchmarking Hub–70.7%†
OTIS Mock AIMEEpoch AI Benchmarking Hub–99.4%†
ProofBenchVals AI43.0%†84.0%
LiveBench MathematicsLiveBench91.2%96.5%†
Arena MathsArena (LMArena)14861490†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.3%–
LiveBench 2.0 Data AnalysisLiveBench–81.6%†
LiveBench ResearchLiveBench–93.0%†
LiveBench 1.0 Data AnalysisLiveBench76.5%81.6%†
AA-Omniscience v1.1Artificial Analysis–25.1†
MMLU-ProVals AI88.3%–
LegalBenchVals AI85.3%–
CorpFinVals AI70.9%–
TaxEvalVals AI80.4%–
PRBench FinanceScale AI SEAL–58.7%
PRBench LegalScale AI SEAL–58.4%
BioMysteryBenchVals AI64.8%67.0%†
Excel Modeling BenchmarkVals AI57.0%67.1%†
Excel Modeling Benchmark v1.1Vals AI–72.5%†
MedCodeVals AI49.4%–
MedScribeVals AI90.1%–
Public Benefits Bench v1.1Vals AI68.5%70.2%†
Access to Justice BenchmarkVals AI–73.0%†
Financial Coaching BenchVals AI75.7%73.8%†
Immigration BenchVals AI66.5%69.6%†
EBR-benchEpoch AI Benchmarking Hub–31.4%†
GDP.pdfEpoch AI Benchmarking Hub16.0%30.8%†
AA-Omniscience v1.1: accuracyArtificial Analysis–38.0%†
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–79.1%†
指令遵循
LiveBench LanguageLiveBench78.6%82.9%†
LiveBench Instruction FollowingLiveBench74.3%73.0%†
Arena Instruction FollowingArena (LMArena)14791498†
人类偏好
Arena TextArena (LMArena)14931511†
EQ-Bench 4EQ-Bench–1325
EQ-Bench Creative Writing v3EQ-Bench1842†2007
Arena Creative WritingArena (LMArena)14431491†
Arena Multi-turnArena (LMArena)15101525†
Arena Longer QueriesArena (LMArena)14911507†
多模态
Arena VisionArena (LMArena)1305–
LiveBench DesignLiveBench–70.9%†
MMMU-ProArtificial Analysis–83.8%†
MMMU-Pro (Vals)Vals AI86.1%–
MortgageTaxVals AI65.4%–
Humanity's Sixth SenseScale AI SEAL24.5%43.7%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–31.7%
Furniture AssemblyEpoch AI Benchmarking Hub–54.2%†
VIALS-AAHandshake AI–55.3%†
Code2Video-AAArtificial Analysis–997†
长上下文
AA-LCR v1.1Artificial Analysis79.0%80.7%†
MLCRArtificial Analysis7.2%22.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.0†161.7
LiveBench 2.0LiveBench–70.7%†
LiveBench 1.0LiveBench78.0%81.2%†
AA Intelligence Index v5.0.1Artificial Analysis–43.6†
AA Intelligence Index v4.3.2Artificial Analysis39.652.4†
AA Progress Index v1Artificial Analysis309.1335.8†
Vals IndexVals AI–64.9†
Vals Finance IndexVals AI–61.2%†
Vals Science IndexVals AI–39.1%†
Vals Multimodal IndexVals AI69.8%†–
Vals Router IndexVals AI–64.9%
Vals Legal IndexVals AI–75.3%†
安全与诚实
DistressBenchScale AI SEAL88.4%†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 Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • 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。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Wonder:1 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Wonder:1 项新结果(Startrise Frontend)。

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 1.2 vs Muse Wonder:常见问题

Muse Spark 1.2 比 Muse Wonder 更好吗?
Muse Spark 1.2 (xhigh) 与 Muse Wonder 的质量不相上下(61.5 比 64.4,在 ±5.8 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 1.2 和 Muse Wonder 哪个更便宜?价格会变吗?
目前 Muse Spark 1.2 更便宜:每百万 token $2.00 比 $8.00(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。
Muse Spark 1.2 和 Muse Wonder 哪个更快?
Muse Spark 1.2 输出更快(约 2 倍;输出 208 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Muse Spark 1.2 还是 Muse Wonder 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 55,50 为平均水平)。
处理长文档哪个更好?
两者都支持 1,048,576 token 的上下文。
更多问题(3)
哪个延迟更低?
Muse Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 秒比 11.4 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 Muse Spark 1.2 和 Muse Wonder 的看法一致吗?
在两者都有结果的 2 项基准测试中,Muse Spark 1.2 领先 0 项,Muse Wonder 领先 2 项。所有同时评测两者的综合评分都认为 Muse Wonder 更强。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。