BenchLeader

Muse Spark 1.2 vs Qwen3.6 Max

完整资料:Muse Spark 1.2(Meta)和 Qwen3.6 Max(Alibaba),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,Muse Spark 1.2 与 Qwen3.6 Max 的质量不相上下(BenchLeader Index 61.5 比 62.1,在 ±5.8 的误差范围内)。Muse Spark 1.2 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 $2.92)。看重推理(68 比 61)、知识(65 比 60)和人类偏好(69 比 65)选 Muse Spark 1.2;看重智能体与工具(72 比 55)和编程(56 比 55)选 Qwen3.6 Max。

要点(截至 2026年11月16日)

  • Muse Spark 1.2 的 BenchLeader Index 为 61.5,Qwen3.6 Max 为 62.1(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)。
  • Qwen3.6 Max 每百万 token 混合价格为 $2.92(标价,2026年11月16日)。
  • 在两者都有结果的 19 项基准测试中,Muse Spark 1.2 领先 18 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Muse Spark 1.2 的评分为 1534,Qwen3.6 Max 为 1482(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Qwen3.6 Max类别得分 56 比 55;Arena WebDev 1482 比 1534中
智能体与工具调用Qwen3.6 Max类别得分 72 比 55高
数学Muse Spark 1.2类别得分 67 比 64;Arena Maths 1486 比 1471中
推理Muse Spark 1.2类别得分 68 比 61;Arena Hard Prompts 1514 比 1481中
知识Muse Spark 1.2类别得分 65 比 60;SimpleQA Verified 60.3% 比 52.0%中
长文档均可类别得分 64 比 65;AA-LCR v1.1 79.0% 比 80.7%均可
对话质量(人类偏好)Muse Spark 1.2Arena 投票 69 比 65中
成本最低Muse Spark 1.2每百万 token 混合价格 $2.00 比 $2.92;智能体编程会话 $0.092 比 $0.109–
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 Qwen3.6 Max (max) 的质量不相上下(61.5 比 62.1,在 ±5.8 的误差范围内)。
  • Muse Spark 1.2 (xhigh) 在人类偏好、知识、数学、推理方面更强。
  • Qwen3.6 Max (max) 在智能体与工具、编程、长上下文方面更强。
  • Muse Spark 1.2 (xhigh) 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 $2.92)。

概览

规格Muse Spark 1.2Qwen3.6 Max
提供商MetaAlibaba
发布日期2026年8月5日2026年4月20日
上下文窗口(token)1,048,576262,144
对比时的配置Muse Spark 1.2 (xhigh)Qwen3.6 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$1.30 / $7.80 / $0.130

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)Qwen3.6 Max (max)领先者
推理68.160.8Muse Spark 1.2
编程54.755.9Qwen3.6 Max
智能体与工具55.472.1Qwen3.6 Max
数学66.864.4Muse Spark 1.2
知识64.559.7Muse Spark 1.2
指令遵循–74.7无法比较
人类偏好68.664.5Muse Spark 1.2
多模态65.3–无法比较
长上下文64.165.0持平

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人类偏好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, 数学: 66.8Muse Spark 1.2, 知识: 64.5Muse Spark 1.2, 长上下文: 64.1Muse Spark 1.2, 人类偏好: 68.6Qwen3.6 Max, 推理: 60.8Qwen3.6 Max, 编程: 55.9Qwen3.6 Max, 智能体与工具: 72.1Qwen3.6 Max, 数学: 64.4Qwen3.6 Max, 知识: 59.7Qwen3.6 Max, 长上下文: 65.0Qwen3.6 Max, 人类偏好: 64.5

未绘制(测得的模型少于两个):指令遵循, 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 19 项基准测试中,Muse Spark 1.2 领先 18 项,Qwen3.6 Max 领先 1 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。

综合 IndexMuse Spark 1.2 (xhigh)Qwen3.6 Max (max)领先者
BenchLeader Index61.562.1不相上下
Arena Text14931460Muse Spark 1.2

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)Qwen3.6 Max (max)
每百万 token 混合价格$2.00$2.92
每百万 token 输入 / 输出$1.25 / $4.25$1.30 / $7.80
每百万 token 缓存输入$0.150$0.130
每项任务价格:聊天回复$0.0018$0.0029
每项任务价格:总结一份 30 页的报告$0.018$0.020
每项任务价格:代码编辑$0.014$0.019
每项任务价格:智能体编程会话$0.092$0.109
每项任务价格:结构化信息提取$0.0034$0.0042
智能体编程会话(输入大多命中缓存)$0.043$0.057
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。Qwen3.6 Max (max) 得分 62.1。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 95 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)Qwen3.6 Max (max)
BenchLeader IndexBenchLeader61.562.1
智能体与工具得分BenchLeader55.472.1
编程得分BenchLeader54.755.9
人类偏好得分BenchLeader68.664.5
知识得分BenchLeader64.559.7
长上下文得分BenchLeader64.165.0
数学得分BenchLeader66.864.4
多模态得分BenchLeader65.3–
推理得分BenchLeader68.160.8
指令遵循得分BenchLeader–74.7
混合价格(美元/百万 token)BenchLeader$2.00$2.92
输出速度BenchLeader208 tok/s–
首次回答时间BenchLeader11.4 秒–
上下文窗口BenchLeader1,048,576 token262,144 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–87.4%
SimpleBenchSimpleBench74.5%†63.0%
Arena Hard PromptsArena (LMArena)15141481
LiveBench 1.0 ReasoningLiveBench90.0%–
GPQA Diamond (AA)Artificial Analysis90.4%88.8%
Humanity's Last Exam (AA)Artificial Analysis45.5%30.8%
CritPtArtificial Analysis17.7%3.7%
Arena ExpertArena (LMArena)15031497
Chess PuzzlesEpoch AI Benchmarking Hub27.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub–19.0%†
LMCAEpoch AI Benchmarking Hub48.4%42.5%
DTBenchEpoch AI Benchmarking Hub94.7%87.2%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.7%
SciCodeSciCode57.4%–
WeirdMLWeirdML60.3%–
Arena CodingArena (LMArena)15421510
Arena WebDevArena (LMArena)15341482
LiveBench 1.0 CodingLiveBench77.5%–
IOIVals AI21.8%–
SWE-bench (Vals)Vals AI86.6%72.8%
Code MigrationVals AI29.9%–
ProgramBenchVals AI0.5%–
Vibe Code Bench v1.1Vals AI79.1%–
DeepSWE v1.1Epoch AI Benchmarking Hub54.9%–
FrontierSWEEpoch AI Benchmarking Hub12.0%–
显示全部 95 项基准测试
指标发布方Muse Spark 1.2 (xhigh)Qwen3.6 Max (max)
编程
Terminal-Bench 4.0 (AA)Artificial Analysis7.1%–
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†–
智能体与工具
APEX-AgentsMercor45.4%†–
Arena AgentArena (LMArena)-8.2–
LiveBench Agentic CodingLiveBench57.6%–
Terminal-Bench HardArtificial Analysis–43.9%
τ²-Bench Telecom (AA)Artificial Analysis–95.9%
Terminal-Bench 2.1 (Vals)Vals AI69.7%–
GDPval-AA v2.1Artificial Analysis1478–
τ³-Banking (AA)Artificial Analysis34.9%–
CyberBenchVals AI69.5%–
Finance Agent v2Vals AI60.6%–
Harvey's Legal Agent Benchmark v1Vals AI25.4%–
Legal Research BenchVals AI43.8%–
SkillsBenchVals AI53.0%–
SREBenchVals AI0.0%–
Tax Agent BenchVals AI32.8%–
Terminal-Bench 2.0 (Vals)Vals AI–51.7%
Terminal-Bench 4.0 (Vals)Vals AI6.1%–
Arena Agent Task CompletionArena (LMArena)-9.8–
Vending-Bench 2Andon Labs–4254.2
AutomationBenchArtificial Analysis40.6%–
GDP.pdf (AA)Artificial Analysis17.4%–
EnterpriseOps-GymArtificial Analysis47.3%–
AA-Briefcase v1.1Artificial Analysis1323–
Design Arena AgenticDesign Arena1185†–
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub–91.1%
ProofBenchVals AI43.0%†–
LiveBench MathematicsLiveBench91.2%–
Arena MathsArena (LMArena)14861471
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.3%52.0%
LiveBench 1.0 Data AnalysisLiveBench76.5%–
MMLU-ProVals AI88.3%–
LegalBenchVals AI85.3%–
CorpFinVals AI70.9%66.5%
TaxEvalVals AI80.4%–
BioMysteryBenchVals AI64.8%–
CaseLaw v2Vals AI–47.9%
Excel Modeling BenchmarkVals AI57.0%–
MedCodeVals AI49.4%–
MedScribeVals AI90.1%–
Public Benefits Bench v1.1Vals AI68.5%–
Financial Coaching BenchVals AI75.7%–
Immigration BenchVals AI66.5%–
GDP.pdfEpoch AI Benchmarking Hub16.0%–
指令遵循
LiveBench LanguageLiveBench78.6%–
LiveBench Instruction FollowingLiveBench74.3%–
IFBenchArtificial Analysis–76.6%
Arena Instruction FollowingArena (LMArena)14791451
人类偏好
Arena TextArena (LMArena)14931460
EQ-Bench Creative Writing v3EQ-Bench1842†–
Arena Creative WritingArena (LMArena)14431438
Arena Multi-turnArena (LMArena)15101466
Arena Longer QueriesArena (LMArena)14911473
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%80.7%
MLCRArtificial Analysis7.2%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.0†149.8
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v4.3.2Artificial Analysis39.628.4
AA Progress Index v1Artificial Analysis309.1297.1
Vals Multimodal IndexVals AI69.8%†–
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)。
  • Qwen3.6 Max (max):BenchLeader Index 62.8 → 62.3。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • 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)。
  • Qwen3.6 Max (max):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):价格 $1.29/M → $0.81/M。
  • Muse Spark 1.2 (xhigh):价格 $0.97/M → $1.29/M。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA-Briefcase v1.1)。

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 Qwen3.6 Max:常见问题

Muse Spark 1.2 比 Qwen3.6 Max 更好吗?
Muse Spark 1.2 (xhigh) 与 Qwen3.6 Max (max) 的质量不相上下(61.5 比 62.1,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 Qwen3.6 Max 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 $2.92(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 1.2 还是 Qwen3.6 Max 更好?
Qwen3.6 Max 在编程方面得分更高(类别得分 56 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,Qwen3.6 Max 为 1482。
智能体和工具调用用 Muse Spark 1.2 还是 Qwen3.6 Max 更好?
Qwen3.6 Max 在智能体任务方面得分更高(类别得分 72 比 55,50 为平均水平)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(64 比 65)。Muse Spark 1.2 支持更长的上下文:1,048,576 token,Qwen3.6 Max 为 262,144 token。
更多问题(2)
第三方基准测试对 Muse Spark 1.2 和 Qwen3.6 Max 的看法一致吗?
在两者都有结果的 19 项基准测试中,Muse Spark 1.2 领先 18 项,Qwen3.6 Max 领先 1 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
Muse Spark 1.2 是什么时候发布的?
Muse Spark 1.2 于 2026年8月5日 发布。