BenchLeader

Muse Spark 1.2 vs Muse Wonder Full

完整资料:Muse Spark 1.2(Meta)和 Muse Wonder Full(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 Full 的质量不相上下(BenchLeader Index 61.5 比 61.7,在 ±5.5 的误差范围内)。看重推理(68 比 66)和知识(65 比 62)选 Spark 1.2;看重编程(70 比 55)、智能体与工具(64 比 55)和长上下文(67 比 64)选 Wonder Full。

要点(截至 2026年11月16日)

  • Muse Spark 1.2 的 BenchLeader Index 为 61.5,Muse Wonder Full 为 61.7(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)。
  • 在两者都有结果的 33 项基准测试中,Muse Wonder Full 领先 28 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Muse Spark 1.2 的评分为 1534,Muse Wonder Full 为 1724(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 Wonder Full类别得分 70 比 55;Arena WebDev 1724 比 1534高
智能体与工具调用Muse Wonder Full类别得分 64 比 55;Arena Agent 9 比 -8.2高
推理Muse Spark 1.2类别得分 68 比 66;Humanity's Last Exam (AA) 45.5% 比 53.6%中
知识Muse Spark 1.2类别得分 65 比 62;LegalBench 85.3% 比 87.4%中
长文档Muse Wonder Full类别得分 67 比 64;AA-LCR v1.1 83.7% 比 79.0%中
对话质量(人类偏好)–只有 Muse Spark 1.2 有 Arena 评分(类别得分 69)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

  • Muse Spark 1.2 (xhigh) 与 Muse Wonder Full (max) 的质量不相上下(61.5 比 61.7,在 ±5.5 的误差范围内)。
  • Muse Spark 1.2 (xhigh) 在知识、推理方面更强。
  • Muse Wonder Full (max) 在智能体与工具、编程、长上下文方面更强。

概览

规格Muse Spark 1.2Muse Wonder Full
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)1,048,5761,000,000
对比时的配置Muse Spark 1.2 (xhigh)Muse Wonder Full (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–

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 Full (max)领先者
推理68.165.8Muse Spark 1.2
编程54.769.9Muse Wonder Full
智能体与工具55.463.6Muse Wonder Full
数学66.8–无法比较
知识64.562.3Muse Spark 1.2
人类偏好68.6–无法比较
多模态65.3–无法比较
长上下文64.166.6Muse Wonder Full

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知识长上下文Muse Spark 1.2, 推理: 68.1Muse Spark 1.2, 编程: 54.7Muse Spark 1.2, 智能体与工具: 55.4Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 长上下文: 64.1Muse Wonder Full, 推理: 65.8Muse Wonder Full, 编程: 69.9Muse Wonder Full, 智能体与工具: 63.6Muse Wonder Full, 知识: 62.3Muse Wonder Full, 长上下文: 66.6

未绘制(测得的模型少于两个):数学, 指令遵循, 多模态, 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 33 项基准测试中,Muse Spark 1.2 领先 4 项,Muse Wonder Full 领先 28 项,1 项持平。

综合 IndexMuse Spark 1.2 (xhigh)Muse Wonder Full (max)领先者
BenchLeader Index61.561.7不相上下

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 Full (max)
每百万 token 混合价格$2.00–
每百万 token 输入 / 输出$1.25 / $4.25– / –
每百万 token 缓存输入$0.150–
每项任务价格:聊天回复$0.0018–
每项任务价格:总结一份 30 页的报告$0.018–
每项任务价格:代码编辑$0.014–
每项任务价格:智能体编程会话$0.092–
每项任务价格:结构化信息提取$0.0034–
智能体编程会话(输入大多命中缓存)$0.043–
每项任务输出 token(AA Index)–88k
其中推理部分–55k
输出速度208 tok/s–
首次回答时间11.4 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 Full (max) 得分 61.7。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 114 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 Full (max)
BenchLeader IndexBenchLeader61.561.7
智能体与工具得分BenchLeader55.463.6
编程得分BenchLeader54.769.9
人类偏好得分BenchLeader68.6–
知识得分BenchLeader64.562.3
长上下文得分BenchLeader64.166.6
数学得分BenchLeader66.8–
多模态得分BenchLeader65.3–
推理得分BenchLeader68.165.8
混合价格(美元/百万 token)BenchLeader$2.00–
输出速度BenchLeader208 tok/s–
首次回答时间BenchLeader11.4 秒–
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
SimpleBenchSimpleBench74.5%†–
Arena Hard PromptsArena (LMArena)1514–
LiveBench 1.0 ReasoningLiveBench90.0%–
GPQA Diamond (AA)Artificial Analysis90.4%–
Humanity's Last Exam (AA)Artificial Analysis45.5%53.6%
HLE-Diamond (AA)Artificial Analysis–48.5%
CritPtArtificial Analysis17.7%32.9%
CritPt v2 hard subset (AA)Artificial Analysis–56.5%
MysteryMechanismVals AI–35.1%
Arena ExpertArena (LMArena)1503–
Chess PuzzlesEpoch AI Benchmarking Hub27.0%–
LMCAEpoch AI Benchmarking Hub48.4%–
DTBenchEpoch AI Benchmarking Hub94.7%–
编程
SciCodeSciCode57.4%–
WeirdMLWeirdML60.3%–
Arena CodingArena (LMArena)1542–
Arena WebDevArena (LMArena)15341724
LiveBench 1.0 CodingLiveBench77.5%–
SciCode (AA)Artificial Analysis57.4%62.6%
IOIVals AI21.8%79.8%
SWE-bench (Vals)Vals AI86.6%–
Code MigrationVals AI29.9%61.0%
Code Migration v1.1Vals AI–62.8%
ProgramBenchVals AI0.5%0.5%
SWE-bench MultimodalVals AI–47.3%
显示全部 114 项基准测试
指标发布方Muse Spark 1.2 (xhigh)Muse Wonder Full (max)
编程
Vibe Code Bench 1-100Vals AI–34.0%
Vibe Code Bench v1.1Vals AI79.1%86.0%
DeepSWE v1.1Epoch AI Benchmarking Hub54.9%–
FrontierSWEEpoch AI Benchmarking Hub12.0%–
Terminal-Bench 4.0 (AA)Artificial Analysis7.1%57.1%
Terminal-Bench 2.1 (AA)Artificial Analysis80.2%–
Startrise FrontendStartrise70.3%†–
GameBench 2 OverallDuelLab GameBench 251.5†–
GameBench 2 by reasoning settingDuelLab GameBench 256.9–
Design Arena WebsiteDesign Arena1309†–
FrontierCode 1.1 (AA)Artificial Analysis–44.9%
FrontierCode 2.0 (AA)Artificial Analysis–37.8%
智能体与工具
APEX-AgentsMercor45.4%†–
Arena AgentArena (LMArena)-8.29
LiveBench Agentic CodingLiveBench57.6%–
Terminal-Bench 2.1 (Vals)Vals AI69.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–67.8%
GDPval-AA v2.1Artificial Analysis14781857
τ³-Banking (AA)Artificial Analysis34.9%–
CyberBenchVals AI69.5%73.6%
Finance Agent v2Vals AI60.6%59.1%
Finance Agent v2.1Vals AI–67.6%
Harvey's Legal Agent Benchmark v1.1Vals AI–23.3%
Harvey's Legal Agent Benchmark v1Vals AI25.4%21.7%
Legal Research BenchVals AI43.8%53.4%
Robo-benchVals AI–10.4%
SkillsBenchVals AI53.0%–
SREBenchVals AI0.0%11.8%
Tax Agent BenchVals AI32.8%43.0%
Terminal-Bench 4.0 (Vals)Vals AI6.1%58.1%
Terminal-Bench ScienceVals AI–37.1%
Arena Agent Task CompletionArena (LMArena)-9.811.1
AutomationBenchArtificial Analysis40.6%71.3%
GDP.pdf (AA)Artificial Analysis17.4%32.6%
Harvey LAB-AA v1.1Harvey–13.1%
EnterpriseOps-GymArtificial Analysis47.3%–
AA-Briefcase v1.1Artificial Analysis13231729
GDPxGDPx by SemiAnalysis–9.0%
Design Arena AgenticDesign Arena1185†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–37.1%
数学
ProofBenchVals AI43.0%†–
LiveBench MathematicsLiveBench91.2%–
Arena MathsArena (LMArena)1486–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.3%–
LiveBench 1.0 Data AnalysisLiveBench76.5%–
AA-Omniscience v1.1Artificial Analysis–30.6
MMLU-ProVals AI88.3%–
LegalBenchVals AI85.3%87.4%
CorpFinVals AI70.9%–
TaxEvalVals AI80.4%–
BioMysteryBenchVals AI64.8%73.3%
Excel Modeling BenchmarkVals AI57.0%71.9%
Excel Modeling Benchmark v1.1Vals AI–75.0%
MedCodeVals AI49.4%49.9%
MedScribeVals AI90.1%89.3%
Public Benefits Bench v1.1Vals AI68.5%73.8%
Access to Justice BenchmarkVals AI–74.7%
Financial Coaching BenchVals AI75.7%75.0%
Immigration BenchVals AI66.5%71.2%
GDP.pdfEpoch AI Benchmarking Hub16.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–41.0%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–82.4%
指令遵循
LiveBench LanguageLiveBench78.6%–
LiveBench Instruction FollowingLiveBench74.3%–
Arena Instruction FollowingArena (LMArena)1479–
人类偏好
Arena TextArena (LMArena)1493–
EQ-Bench Creative Writing v3EQ-Bench1842†–
Arena Creative WritingArena (LMArena)1443–
Arena Multi-turnArena (LMArena)1510–
Arena Longer QueriesArena (LMArena)1491–
多模态
Arena VisionArena (LMArena)1305–
MMMU-Pro (Vals)Vals AI86.1%–
MortgageTaxVals AI65.4%–
Humanity's Sixth SenseScale AI SEAL24.5%–
长上下文
AA-LCR v1.1Artificial Analysis79.0%83.7%
MLCRArtificial Analysis7.2%22.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.0†–
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v5.0.1Artificial Analysis–50.1
AA Intelligence Index v4.3.2Artificial Analysis39.655.8
AA Progress Index v1Artificial Analysis309.1343.2
Vals IndexVals AI–66.8
Vals Finance IndexVals AI–64.5%
Vals RSI IndexVals AI–24.4%
Vals Science IndexVals AI–48.5%
Vals Multimodal IndexVals AI69.8%†–
Vals Router IndexVals AI–66.8%†
Vals Legal IndexVals AI–77.9%
安全与诚实
DistressBenchScale AI SEAL88.4%†–

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 Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Wonder Full (max):BenchLeader Index 62.6 → 61.7。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项分数修订。
  • Muse Wonder Full (max):1 项新结果(Arena Agent)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Wonder Full (max):6 项新结果(AA Intelligence Index v5.0.1, AA Progress Index v1, HLE-Diamond (AA)…);2 项分数修订。

排行榜: 综合最佳大模型 · 最适合编程的大模型 · 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 Full:常见问题

Muse Spark 1.2 比 Muse Wonder Full 更好吗?
Muse Spark 1.2 (xhigh) 与 Muse Wonder Full (max) 的质量不相上下(61.5 比 61.7,在 ±5.5 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 Muse Spark 1.2 还是 Muse Wonder Full 更好?
Muse Wonder Full 在编程方面得分更高(类别得分 70 比 55,50 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 1.2 为 1534,Muse Wonder Full 为 1724。
智能体和工具调用用 Muse Spark 1.2 还是 Muse Wonder Full 更好?
Muse Wonder Full 在智能体任务方面得分更高(类别得分 64 比 55,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Muse Spark 1.2 为 -8.2,Muse Wonder Full 为 9。
处理长文档哪个更好?
Muse Wonder Full 在长上下文基准测试上得分更高(67 比 64)。两者都约为 1M token(Muse Spark 1.2 为 1,048,576,Muse Wonder Full 为 1,000,000)。
第三方基准测试对 Muse Spark 1.2 和 Muse Wonder Full 的看法一致吗?
在两者都有结果的 33 项基准测试中,Muse Spark 1.2 领先 4 项,Muse Wonder Full 领先 28 项,1 项持平。
更多问题(1)
Muse Wonder Full 是什么时候发布的?
Muse Wonder Full 于 2026年10月12日 发布。