BenchLeader

Muse Spark 1.3 vs o3

完整资料:Muse Spark 1.3(Meta)和 o3(OpenAI),包括全部基准测试、价格和排名。

更新于 · 数据来自 16 个来源

截至 2026年11月16日,Muse Spark 1.3 与 o3 的质量不相上下(BenchLeader Index 61.6 比 60.4,在 ±8.8 的误差范围内)。Muse Spark 1.3 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $2.00 比 $3.50)。看重知识(81 比 56)和推理(71 比 61)选 Muse Spark 1.3;看重数学(71 比 56)和智能体与工具(70 比 61)选 o3。Muse Spark 1.3 的首次回答更快(2.6 秒 比 5.2 秒)。

要点(截至 2026年11月16日)

  • Muse Spark 1.3 的 BenchLeader Index 为 61.6,o3 为 60.4(BenchLeader,2026年11月16日)。
  • Muse Spark 1.3 每百万 token 混合价格为 $2.00(标价,2026年11月16日)。
  • o3 每百万 token 混合价格为 $3.50(标价,2026年11月16日)。
  • 在两者都有结果的 5 项基准测试中,Muse Spark 1.3 领先 5 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o3类别得分 70 比 61高
数学o3类别得分 71 比 56高
推理Muse Spark 1.3类别得分 71 比 61高
知识Muse Spark 1.3类别得分 81 比 56;PRBench Finance 59.5% 比 47.7%高
对话质量(人类偏好)–只有 o3 有 Arena 评分(类别得分 61)无法比较
成本最低Muse Spark 1.3每百万 token 混合价格 $2.00 比 $3.50;智能体编程会话 $0.092 比 $0.152–
首次回答最快Muse Spark 1.3首个回答 token 2.6 秒(Muse Spark 1.3)比 5.2 秒(o3)–
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 1.3 与 o3 的质量不相上下(61.6 比 60.4,在 ±8.8 的误差范围内)。
  • Muse Spark 1.3 在知识、推理方面更强。
  • o3 在智能体与工具、数学方面更强。
  • Muse Spark 1.3 更便宜,对方的价格是它的 1.8 倍(每百万 token 混合价格 $2.00 比 $3.50)。

概览

规格Muse Spark 1.3o3
提供商MetaOpenAI
发布日期2026年9月2日2025年4月16日
上下文窗口(token)1,048,576200,000
对比时的配置Muse Spark 1.3o3
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 / $8.00 / $0.500

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 1.3o3领先者
推理71.060.9Muse Spark 1.3
编程–59.8无法比较
智能体与工具61.370.3o3
数学56.370.6o3
知识81.256.2Muse Spark 1.3
指令遵循–65.2无法比较
人类偏好–61.0无法比较
多模态–52.8无法比较
长上下文–61.9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推理智能体与工具数学知识Muse Spark 1.3, 推理: 71.0Muse Spark 1.3, 智能体与工具: 61.3Muse Spark 1.3, 数学: 56.3Muse Spark 1.3, 知识: 81.2o3, 推理: 60.9o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2

未绘制(测得的模型少于两个):编程, 指令遵循, 长上下文, 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 5 项基准测试中,Muse Spark 1.3 领先 5 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。

综合 IndexMuse Spark 1.3o3领先者
BenchLeader Index61.660.4不相上下
Arena Text1497†1432Muse Spark 1.3

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 1.3o3
每百万 token 混合价格$2.00$3.50
每百万 token 输入 / 输出$1.25 / $4.25$2.00 / $8.00
每百万 token 缓存输入$0.150$0.500
每项任务价格:聊天回复$0.0018$0.0032
每项任务价格:总结一份 30 页的报告$0.018$0.029
每项任务价格:代码编辑$0.014$0.024
每项任务价格:智能体编程会话$0.092$0.152
每项任务价格:结构化信息提取$0.0034$0.0056
智能体编程会话(输入大多命中缓存)$0.043$0.085
输出速度163 tok/s131 tok/s
首次回答时间2.6 秒5.2 秒
完整回答耗时(最近一次测量 2026年11月13日)–17.3 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 1.3 得分 61.6,首个回答 token 需 3 秒;Muse Spark 1.3 (max) 为 60.6(31 秒),Muse Spark 1.3 (xhigh) 为 58.1(11 秒)。o3 得分 60.4,首个回答 token 需 5 秒;o3 (high) 为 55.1(5 秒),o3 (medium) 为 53.3(5 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 180 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 1.3o3
BenchLeader IndexBenchLeader61.660.4
智能体与工具得分BenchLeader61.370.3
知识得分BenchLeader81.256.2
数学得分BenchLeader56.370.6
推理得分BenchLeader71.060.9
编程得分BenchLeader–59.8
人类偏好得分BenchLeader–61.0
指令遵循得分BenchLeader–65.2
长上下文得分BenchLeader–61.9
多模态得分BenchLeader–52.8
混合价格(美元/百万 token)BenchLeader$2.00$3.50
输出速度BenchLeader163 tok/s131 tok/s
首次回答时间BenchLeader2.6 秒5.2 秒
上下文窗口BenchLeader1,048,576 token200,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub–81.8%†
Humanity's Last ExamScale AI / CAIS–20.3%†
SimpleBenchSimpleBench81.8%53.1%†
Arena Hard PromptsArena (LMArena)1517†1441
LiveBench 2.0 ReasoningLiveBench89.7%†–
LiveBench 1.0 ReasoningLiveBench89.7%†–
GPQA Diamond (AA)Artificial Analysis93.5%†82.7%
Humanity's Last Exam (AA)Artificial Analysis48.7%†20.1%
HLE-Diamond (AA)Artificial Analysis33.7%†–
GPQA Diamond (Vals)Vals AI–84.1%†
Kagi LLM BenchmarkKagi LLM Benchmark–67.6%
GPQA Diamond (HELM)HELM Capabilities–75.3%
ARC-AGI-1ARC Prize–60.8%†
ARC-AGI-2ARC Prize–6.5%†
CritPtArtificial Analysis24.9%†1.1%
CritPt v2 hard subset (AA)Artificial Analysis48.0%†–
MysteryMechanismVals AI36.0%†–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL25.4%–
Arena ExpertArena (LMArena)1521†1448
Chess PuzzlesEpoch AI Benchmarking Hub37.0%†36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub25.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub53.9%39.7%†
DTBenchEpoch AI Benchmarking Hub96.5%84.8%†
显示全部 180 项基准测试
指标发布方Muse Spark 1.3o3
推理
ForecastBenchForecastBench65.5%†64.3%
BTF-3Epoch AI Benchmarking Hub14.1%†–
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode58.8%†–
WeirdMLWeirdML–52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)1534†1460
Arena WebDevArena (LMArena)1655†–
LiveBench 2.0 CodingLiveBench84.4%†–
LiveBench 1.0 CodingLiveBench81.1%†–
LiveCodeBenchVals AI–83.9%†
IOIVals AI56.6%†–
Aider PolyglotAider polyglot leaderboard–76.9%
SWE-bench Verified (bash only)SWE-bench–58.4%
SWE-bench Verified (any scaffold)SWE-bench–58.4%
Code MigrationVals AI47.4%†–
ProgramBenchVals AI2.5%†–
SWE-bench MultimodalVals AI43.1%†–
Vibe Code Bench 1-100Vals AI20.5%†–
Vibe Code Bench v1.1Vals AI85.9%†–
MirrorCodeEpoch AI Benchmarking Hub54.4%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
CursorBenchCursor41.6%†–
ALE-BenchEpoch AI Benchmarking Hub1688.3†933.5†
FrontierSWEEpoch AI Benchmarking Hub25.8%†–
WeirdML v3WeirdML6.7%†–
Terminal-Bench 4.0 (AA)Artificial Analysis33.3%†–
Terminal-Bench 2.1 (AA)Artificial Analysis84.3%†–
Startrise FrontendStartrise74.7%–
GameBench 2 OverallDuelLab GameBench 257.734.1
GameBench 2 by reasoning settingDuelLab GameBench 268.5†30.4†
Design Arena WebsiteDesign Arena1353†1028
FrontierCode 1.1 (AA)Artificial Analysis40.6%†–
FrontierCode 2.0 (AA)Artificial Analysis23.1%†–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench14.8%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor58.6%–
Arena AgentArena (LMArena)2.2†–
LiveBench Long AgenticLiveBench47.9%†–
LiveBench BrowserLiveBench30.9%†–
LiveBench Agentic CodingLiveBench64.1%†–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
Terminal-Bench 2.1 (Vals)Vals AI79.0%†–
HiL-BenchScale AI SEAL66.9%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1Artificial Analysis1681†–
τ³-Banking (AA)Artificial Analysis50.5%†–
ITBench SRE (AA)Artificial Analysis33.2%†–
Analyst Agent (AA)Artificial Analysis37.5%†–
CUA-benchVals AI5.8%†–
CyberBenchVals AI72.7%†–
Finance Agent v2Vals AI60.0%†–
Harvey's Legal Agent Benchmark v1Vals AI23.8%†–
Legal Research BenchVals AI55.3%†–
SREBenchVals AI3.8%†–
Tax Agent BenchVals AI42.4%†–
Terminal-Bench 4.0 (Vals)Vals AI24.8%†–
Terminal-Bench ScienceVals AI10.0%†–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)3.7†–
DeepResearch BenchDeepResearch Bench–45.2%†
METR Time HorizonsMETR–63.6%
AutomationBenchArtificial Analysis57.9%†–
GDP.pdf (AA)Artificial Analysis26.6%†–
Harvey LAB-AA v1.1Harvey8.9%†–
AA-Briefcase v1.1Artificial Analysis1581†–
Design Arena AgenticDesign Arena1283†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis10.9%†–
CWE-Bench (AA)Artificial Analysis60.8%†–
DeepSec-Bench (AA)Artificial Analysis12.5%†–
CyberGym end-to-end (AA)Artificial Analysis59.5%†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub74.0%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.2%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI55.0%–
LiveBench MathematicsLiveBench96.0%†–
AIME (Vals)Vals AI–85.3%†
MGSMVals AI–91.8%†
IMO 2025MathArena–16.7%†
Omni-MATH (HELM)HELM Capabilities–71.4%
MATH 500Vals AI–94.6%†
Arena MathsArena (LMArena)1506†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
LiveBench 2.0 Data AnalysisLiveBench79.6%†–
LiveBench ResearchLiveBench82.5%†–
LiveBench 1.0 Data AnalysisLiveBench79.6%†–
AA-Omniscience v1.1Artificial Analysis22.4†–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL59.5%47.7%
PRBench LegalScale AI SEAL61.6%48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
Excel Modeling BenchmarkVals AI67.4%†–
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
Access to Justice BenchmarkVals AI72.2%†–
Financial Coaching BenchVals AI70.3%†–
Immigration BenchVals AI64.9%†–
DrugDiscoveryBenchScale AI SEAL62.2%†–
GDP.pdfEpoch AI Benchmarking Hub27.6%–
AA-Omniscience v1.1: accuracyArtificial Analysis38.0%†–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis74.8%†–
指令遵循
LiveBench LanguageLiveBench82.8%†–
LiveBench Instruction FollowingLiveBench78.0%†–
IFBenchArtificial Analysis–71.4%
MultiChallengeScale AI SEAL–56.6%†
TutorBenchScale AI SEAL–52.1%†
IFEval (HELM)HELM Capabilities–86.9%
WildBench (HELM)HELM Capabilities–86.1%
Arena Instruction FollowingArena (LMArena)1485†1403
人类偏好
Arena TextArena (LMArena)1497†1432
EQ-Bench Creative Writing v3EQ-Bench19071675
Arena Creative WritingArena (LMArena)1468†1383
Arena Multi-turnArena (LMArena)1493†1420
Arena Longer QueriesArena (LMArena)1498†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)1310†1214
LiveBench DesignLiveBench74.8%†–
MMMU-ProArtificial Analysis82.0%†70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
Humanity's Sixth SenseScale AI SEAL37.4%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench86.0%60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Code2Video-AAArtificial Analysis1019†–
AA-3DArtificial Analysis1032†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis83.0%†74.7%
Arena DocumentArena (LMArena)1474†–
MLCRArtificial Analysis13.9%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub158.2147.1
LiveBench 2.0LiveBench68.6%†–
LiveBench 1.0LiveBench81.6%†–
AA Intelligence Index v5.0.1Artificial Analysis36.6†–
AA Intelligence Index v4.3.2Artificial Analysis48.1†20.2
AA Progress Index v1Artificial Analysis324.5†258.3
HELM Capabilities meanHELM Capabilities–81.1%
Vals RSI IndexVals AI19.6%†–
AA Cyber IndexArtificial Analysis44.3†–
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL84.9%–
元数据
AA Openness IndexArtificial Analysis–5.6

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

  • Muse Spark 1.3:BenchLeader Index 60.2 → 61.6。
  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • Muse Spark 1.3:1 项分数修订。
  • Muse Spark 1.3:BenchLeader Index 59.2 → 60.2。
  • Muse Spark 1.3:2 项新结果(SimpleBench, GeoBench)。
  • Muse Spark 1.3:BenchLeader Index 57.7 → 59.2。
  • Muse Spark 1.3:4 项分数修订。
  • o3:1 项新结果(Arena Search)。
  • Muse Spark 1.3:BenchLeader Index 58.2 → 57.7。

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 1.3 vs o3:常见问题

Muse Spark 1.3 比 o3 更好吗?
Muse Spark 1.3 与 o3 的质量不相上下(61.6 比 60.4,在 ±8.8 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 1.3 和 o3 哪个更便宜?价格会变吗?
目前 Muse Spark 1.3 更便宜:每百万 token $2.00 比 $3.50(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 1.3 和 o3 哪个更快?
Muse Spark 1.3 输出更快(输出 163 比 131 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Muse Spark 1.3 还是 o3 更好?
o3 在智能体任务方面得分更高(类别得分 70 比 61,50 为平均水平)。
处理长文档哪个更好?
Muse Spark 1.3 支持更长的上下文:1,048,576 token,o3 为 200,000 token。
更多问题(3)
哪个延迟更低?
Muse Spark 1.3 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 2.6 秒比 5.2 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 1.3 和 o3 的看法一致吗?
在两者都有结果的 5 项基准测试中,Muse Spark 1.3 领先 5 项,o3 领先 0 项。所有同时评测两者的综合评分都认为 Muse Spark 1.3 更强。
Muse Spark 1.3 是什么时候发布的?
Muse Spark 1.3 于 2026年9月2日 发布。