BenchLeader

Muse Spark 1.2 vs Step 5 Preview

完整资料:Muse Spark 1.2(Meta)和 Step 5 Preview(StepFun),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,质量上 Muse Spark 1.2 领先 Step 5 Preview(BenchLeader Index 61.5 比 56.0)。不过,Step 5 Preview 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $1.43 比 $2.00)。看重推理(68 比 52)、知识(65 比 54)和数学(67 比 60)选 Muse Spark 1.2;看重长上下文(69 比 64)选 Step 5 Preview。Muse Spark 1.2 的首次回答更快(11.4 秒 比 23.5 秒)。Muse Spark 1.2 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Muse Spark 1.2 的 BenchLeader Index 为 61.5,Step 5 Preview 为 56.0(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)。
  • Step 5 Preview 每百万 token 混合价格为 $1.43(标价,2026年11月16日)。
  • Muse Spark 1.2 比 Step 5 Preview 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 35 项基准测试中,Step 5 Preview 领先 18 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 1.2类别得分 55 比 50;Arena Coding 1542 比 1505中
智能体与工具调用Muse Spark 1.2类别得分 55 比 49;Arena Agent -8.2 比 -3.7中
数学Muse Spark 1.2类别得分 67 比 60;Arena Maths 1486 比 1470中
推理Muse Spark 1.2类别得分 68 比 52;Arena Hard Prompts 1514 比 1477高
知识Muse Spark 1.2类别得分 65 比 54;Public Benefits Bench v1.1 68.5% 比 58.1%高
长文档Step 5 Preview类别得分 69 比 64;AA-LCR v1.1 88.3% 比 79.0%中
图像及其他媒体Muse Spark 1.2类别得分 65 比 59;Arena Vision 1305 比 1263中
对话质量(人类偏好)Muse Spark 1.2Arena 投票 69 比 63中
成本最低Step 5 Preview每百万 token 混合价格 $1.43 比 $2.00;智能体编程会话 $0.071 比 $0.092–
首次回答最快Muse Spark 1.2首个回答 token 11.4 秒(Muse Spark 1.2 (xhigh))比 23.5 秒(Step 5 Preview)–
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

  • 质量上 Muse Spark 1.2 (xhigh) 领先:61.5 比 56.0。
  • Muse Spark 1.2 (xhigh) 在智能体与工具、编程、人类偏好、知识、数学、多模态、推理方面更强。
  • Step 5 Preview 在长上下文方面更强。
  • Step 5 Preview 更便宜,对方的价格是它的 1.4 倍(每百万 token 混合价格 $1.43 比 $2.00)。
  • Muse Spark 1.2 (xhigh) 的输出速度是对方的 1.7 倍(208 比 124 token/秒)。

概览

规格Muse Spark 1.2Step 5 Preview
提供商MetaStepFun
发布日期2026年8月5日2026年9月18日
上下文窗口(token)1,048,5761,000,000
对比时的配置Muse Spark 1.2 (xhigh)Step 5 Preview
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$1.25 / $4.25 / $0.150$1.00 / $2.70 / $0.105

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)Step 5 Preview领先者
推理68.151.7Muse Spark 1.2
编程54.749.9Muse Spark 1.2
智能体与工具55.449.1Muse Spark 1.2
数学66.860.1Muse Spark 1.2
知识64.553.7Muse Spark 1.2
人类偏好68.663.1Muse Spark 1.2
多模态65.359.3Muse Spark 1.2
长上下文64.169.0Step 5 Preview

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多模态人类偏好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, 多模态: 65.3Muse Spark 1.2, 人类偏好: 68.6Step 5 Preview, 推理: 51.7Step 5 Preview, 编程: 49.9Step 5 Preview, 智能体与工具: 49.1Step 5 Preview, 数学: 60.1Step 5 Preview, 知识: 53.7Step 5 Preview, 长上下文: 69.0Step 5 Preview, 多模态: 59.3Step 5 Preview, 人类偏好: 63.1

未绘制(测得的模型少于两个):指令遵循。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 35 项基准测试中,Muse Spark 1.2 领先 17 项,Step 5 Preview 领先 18 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)Step 5 Preview领先者
BenchLeader Index61.556.0Muse Spark 1.2
Arena Text14931449Muse 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)Step 5 Preview
每百万 token 混合价格$2.00$1.43
每百万 token 输入 / 输出$1.25 / $4.25$1.00 / $2.70
每百万 token 缓存输入$0.150$0.105
每项任务价格:聊天回复$0.0018$0.0012
每项任务价格:总结一份 30 页的报告$0.018$0.014
每项任务价格:代码编辑$0.014$0.010
每项任务价格:智能体编程会话$0.092$0.071
每项任务价格:结构化信息提取$0.0034$0.0025
智能体编程会话(输入大多命中缓存)$0.043$0.030
每项基准测试任务成本(AA Index)–$2.35
每项任务输出 token(AA Index)–113k
其中推理部分–80k
每项任务耗时(AA Index)–15 min
输出速度208 tok/s124 tok/s
首次回答时间11.4 秒23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)23.9 秒54.4 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。Step 5 Preview 得分 56.0,首个回答 token 需 24 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 126 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)Step 5 Preview
BenchLeader IndexBenchLeader61.556.0
智能体与工具得分BenchLeader55.449.1
编程得分BenchLeader54.749.9
人类偏好得分BenchLeader68.663.1
知识得分BenchLeader64.553.7
长上下文得分BenchLeader64.169.0
数学得分BenchLeader66.860.1
多模态得分BenchLeader65.359.3
推理得分BenchLeader68.151.7
混合价格(美元/百万 token)BenchLeader$2.00$1.43
输出速度BenchLeader208 tok/s124 tok/s
首次回答时间BenchLeader11.4 秒23.5 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
SimpleBenchSimpleBench74.5%†–
Arena Hard PromptsArena (LMArena)15141477
LiveBench 2.0 ReasoningLiveBench–83.8%†
LiveBench 1.0 ReasoningLiveBench90.0%–
GPQA Diamond (AA)Artificial Analysis90.4%–
Humanity's Last Exam (AA)Artificial Analysis45.5%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
CritPtArtificial Analysis17.7%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
Arena ExpertArena (LMArena)15031489
Chess PuzzlesEpoch AI Benchmarking Hub27.0%–
LMCAEpoch AI Benchmarking Hub48.4%–
DTBenchEpoch AI Benchmarking Hub94.7%–
编程
SciCodeSciCode57.4%58.9%
WeirdMLWeirdML60.3%–
Arena CodingArena (LMArena)15421505
Arena WebDevArena (LMArena)15341573†
LiveBench 2.0 CodingLiveBench–67.6%†
LiveBench 1.0 CodingLiveBench77.5%–
IOIVals AI21.8%38.1%
SWE-bench (Vals)Vals AI86.6%–
Code MigrationVals AI29.9%39.0%
Code Migration v1.1Vals AI–47.0%
ProgramBenchVals AI0.5%–
显示全部 126 项基准测试
指标发布方Muse Spark 1.2 (xhigh)Step 5 Preview
编程
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI79.1%70.4%
DeepSWE v1.1Epoch AI Benchmarking Hub54.9%–
FrontierSWEEpoch AI Benchmarking Hub12.0%–
Terminal-Bench 4.0 (AA)Artificial Analysis7.1%33.3%
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–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
智能体与工具
APEX-AgentsMercor45.4%†–
Arena AgentArena (LMArena)-8.2-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
LiveBench Agentic CodingLiveBench57.6%–
Terminal-Bench 2.1 (Vals)Vals AI69.7%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis14781591
τ³-Banking (AA)Artificial Analysis34.9%–
ITBench SRE (AA)Artificial Analysis–55.6%
Analyst Agent (AA)Artificial Analysis–35.0%
APEX-Agents (AA)Artificial Analysis–38.0%
CyberBenchVals AI69.5%–
Finance Agent v2Vals AI60.6%50.7%
Finance Agent v2.1Vals AI–58.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–12.9%
Harvey's Legal Agent Benchmark v1Vals AI25.4%9.2%
Legal Research BenchVals AI43.8%40.4%
SkillsBenchVals AI53.0%–
SREBenchVals AI0.0%0.4%
Tax Agent BenchVals AI32.8%27.3%
Terminal-Bench 4.0 (Vals)Vals AI6.1%31.8%
Terminal-Bench ScienceVals AI–2.9%
Arena Agent Task CompletionArena (LMArena)-9.8-1.5
AutomationBenchArtificial Analysis40.6%51.0%
GDP.pdf (AA)Artificial Analysis17.4%14.8%
EnterpriseOps-GymArtificial Analysis47.3%47.2%
AA-Briefcase v1.1Artificial Analysis13231424
Design Arena AgenticDesign Arena1185†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–2.4%
CWE-Bench (AA)Artificial Analysis–52.5%
DeepSec-Bench (AA)Artificial Analysis–15.8%
CyberGym end-to-end (AA)Artificial Analysis–74.8%
MKA (AA)Artificial Analysis–27.6%
数学
ProofBenchVals AI43.0%†42.0%
LiveBench MathematicsLiveBench91.2%–
Arena MathsArena (LMArena)14861470
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub60.3%–
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
LiveBench 1.0 Data AnalysisLiveBench76.5%–
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI88.3%–
LegalBenchVals AI85.3%–
CorpFinVals AI70.9%–
TaxEvalVals AI80.4%–
BioMysteryBenchVals AI64.8%67.4%
Excel Modeling BenchmarkVals AI57.0%57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI49.4%–
MedScribeVals AI90.1%–
Public Benefits Bench v1.1Vals AI68.5%58.1%
Financial Coaching BenchVals AI75.7%–
Immigration BenchVals AI66.5%–
GDP.pdfEpoch AI Benchmarking Hub16.0%–
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
指令遵循
LiveBench LanguageLiveBench78.6%–
LiveBench Instruction FollowingLiveBench74.3%–
Arena Instruction FollowingArena (LMArena)14791450
人类偏好
Arena TextArena (LMArena)14931449
EQ-Bench Creative Writing v3EQ-Bench1842†–
Arena Creative WritingArena (LMArena)14431413
Arena Multi-turnArena (LMArena)15101445
Arena Longer QueriesArena (LMArena)14911461
多模态
Arena VisionArena (LMArena)13051263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis–76.4%
MMMU-Pro (Vals)Vals AI86.1%–
MortgageTaxVals AI65.4%–
Humanity's Sixth SenseScale AI SEAL24.5%–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
长上下文
AA-LCR v1.1Artificial Analysis79.0%88.3%
MLCRArtificial Analysis7.2%18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub155.0†–
LiveBench 2.0LiveBench–54.9%†
LiveBench 1.0LiveBench78.0%–
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis39.643.7
AA Progress Index v1Artificial Analysis309.1318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals Science IndexVals AI–29.6%
Vals Multimodal IndexVals AI69.8%†–
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
DistressBenchScale AI SEAL88.4%†–
元数据
AA Openness IndexArtificial Analysis–33.3

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

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Step 5 Preview:1 项分数修订。
  • Step 5 Preview:7 项分数修订。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Step 5 Preview:2 项新结果(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Muse Spark 1.2 (xhigh):1 项分数修订。
  • Step 5 Preview:1 项分数修订。
  • Muse Spark 1.2 (xhigh):BenchLeader Index 62.2 → 61.6。

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 Step 5 Preview:常见问题

Muse Spark 1.2 比 Step 5 Preview 更好吗?
质量上 Muse Spark 1.2 (xhigh) 领先:61.5 比 56.0。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,Muse Spark 1.2 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
Muse Spark 1.2 和 Step 5 Preview 哪个更便宜?价格会变吗?
目前 Step 5 Preview 更便宜:每百万 token $1.43 比 $2.00(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 1.2 还是 Step 5 Preview 更好?
Muse Spark 1.2 在编程方面得分更高(类别得分 55 比 50,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Muse Spark 1.2 为 57.4%,Step 5 Preview 为 58.9%。
Muse Spark 1.2 和 Step 5 Preview 哪个更快?
Muse Spark 1.2 输出更快(约 1.5 倍;输出 208 比 124 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Muse Spark 1.2 还是 Step 5 Preview 更好?
Muse Spark 1.2 在智能体任务方面得分更高(类别得分 55 比 49,50 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,Step 5 Preview 为 -3.7。
更多问题(4)
处理长文档哪个更好?
Step 5 Preview 在长上下文基准测试上得分更高(69 比 64)。两者都约为 1M token(Muse Spark 1.2 为 1,048,576,Step 5 Preview 为 1,000,000)。
哪个延迟更低?
Muse Spark 1.2 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 11.4 秒比 23.5 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 Step 5 Preview 的看法一致吗?
在两者都有结果的 35 项基准测试中,Muse Spark 1.2 领先 17 项,Step 5 Preview 领先 18 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
Step 5 Preview 是什么时候发布的?
Step 5 Preview 于 2026年9月18日 发布。