BenchLeader

Muse Spark vs Muse Spark 1.1

完整资料:Muse Spark(Meta)和 Muse Spark 1.1(Meta),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 与 Muse Spark 1.1 的质量不相上下(BenchLeader Index 64.2 比 62.2,在 ±6.6 的误差范围内)。看重智能体与工具(65 比 51)、指令遵循(77 比 70)和人类偏好(68 比 65)选 Spark;看重知识(69 比 63)和数学(61 比 59)选 Spark 1.1。

要点(截至 2026年11月16日)

  • Muse Spark 的 BenchLeader Index 为 64.2,Muse Spark 1.1 为 62.2(BenchLeader,2026年11月16日)。
  • Muse Spark 1.1 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 22 项基准测试中,Muse Spark 1.1 领先 19 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
编程均可类别得分 65 比 66;SWE-Bench Pro 55.0% 比 61.5%均可
智能体与工具调用Muse Spark类别得分 65 比 51;MCP Atlas 82.2% 比 88.1%高
数学Muse Spark 1.1类别得分 61 比 59;Arena Maths 1493 比 1469中
推理均可类别得分 67 比 68;Arena Hard Prompts 1506 比 1511均可
知识Muse Spark 1.1类别得分 69 比 63;PRBench Finance 55.0% 比 52.4%中
图像及其他媒体均可类别得分 64 比 64;Arena Vision 1306 比 1292均可
指令遵循Muse Spark类别得分 77 比 70;MultiChallenge 75.5% 比 75.3%中
对话质量(人类偏好)Muse SparkArena 投票 68 比 65中
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 与 Muse Spark 1.1 的质量不相上下(64.2 比 62.2,在 ±6.6 的误差范围内)。
  • Muse Spark 在智能体与工具、人类偏好、指令遵循、多模态方面更强。
  • Muse Spark 1.1 在编程、知识、数学、推理方面更强。

概览

规格Muse SparkMuse Spark 1.1
提供商MetaMeta
发布日期2026年4月8日2026年7月9日
上下文窗口(token)262,1441,048,576
对比时的配置Muse SparkMuse Spark 1.1
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 SparkMuse Spark 1.1领先者
推理67.467.8持平
编程65.165.8持平
智能体与工具65.050.9Muse Spark
数学59.161.3Muse Spark 1.1
知识63.169.2Muse Spark 1.1
指令遵循76.970.4Muse Spark
人类偏好68.164.5Muse Spark
多模态64.263.6持平
长上下文63.6–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推理编程智能体与工具数学知识指令遵循多模态人类偏好Muse Spark, 推理: 67.4Muse Spark, 编程: 65.1Muse Spark, 智能体与工具: 65.0Muse Spark, 数学: 59.1Muse Spark, 知识: 63.1Muse Spark, 指令遵循: 76.9Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1Muse Spark 1.1, 推理: 67.8Muse Spark 1.1, 编程: 65.8Muse Spark 1.1, 智能体与工具: 50.9Muse Spark 1.1, 数学: 61.3Muse Spark 1.1, 知识: 69.2Muse Spark 1.1, 指令遵循: 70.4Muse Spark 1.1, 多模态: 63.6Muse Spark 1.1, 人类偏好: 64.5

未绘制(测得的模型少于两个):长上下文。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 22 项基准测试中,Muse Spark 领先 3 项,Muse Spark 1.1 领先 19 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。

综合 IndexMuse SparkMuse Spark 1.1领先者
BenchLeader Index64.262.2不相上下
Arena Text14891491Muse Spark 1.1

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 SparkMuse Spark 1.1
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
输出速度–193 tok/s
首次回答时间–1.8 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 得分 64.2。Muse Spark 1.1 得分 62.2,首个回答 token 需 2 秒;Muse Spark 1.1 (xhigh) 为 59.5(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 100 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 SparkMuse Spark 1.1
BenchLeader IndexBenchLeader64.262.2
智能体与工具得分BenchLeader65.050.9
编程得分BenchLeader65.165.8
人类偏好得分BenchLeader68.164.5
指令遵循得分BenchLeader76.970.4
知识得分BenchLeader63.169.2
长上下文得分BenchLeader63.6–
数学得分BenchLeader59.161.3
多模态得分BenchLeader64.263.6
推理得分BenchLeader67.467.8
混合价格(美元/百万 token)BenchLeader–$2.00
输出速度BenchLeader–193 tok/s
首次回答时间BenchLeader–1.8 秒
上下文窗口BenchLeader262,144 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub89.8%–
Humanity's Last ExamScale AI / CAIS40.6%–
Arena Hard PromptsArena (LMArena)15061511
LiveBench 1.0 ReasoningLiveBench–87.7%†
GPQA Diamond (AA)Artificial Analysis88.4%89.8%†
Humanity's Last Exam (AA)Artificial Analysis40.7%46.2%†
GPQA Diamond (Vals)Vals AI89.7%91.2%†
CritPtArtificial Analysis11.3%15.1%†
Arena ExpertArena (LMArena)14911504
Chess PuzzlesEpoch AI Benchmarking Hub–34.0%†
LMCAEpoch AI Benchmarking Hub–49.9%†
DTBenchEpoch AI Benchmarking Hub–94.4%†
编程
SciCodeSciCode51.5%58.8%
Arena CodingArena (LMArena)15291533
Arena WebDevArena (LMArena)–1542
LiveBench 1.0 CodingLiveBench–77.2%†
SciCode (AA)Artificial Analysis–58.8%†
LiveCodeBenchVals AI–85.9%†
SWE-bench (Vals)Vals AI74.4%82.0%†
SWE-Bench ProScale AI SEAL55.0%61.5%
Code MigrationVals AI–31.1%†
ProgramBenchVals AI–0.0%†
Vibe Code Bench v1.1Vals AI19.7%72.2%†
SWE-Bench Pro (private)Scale AI SEAL44.7%51.5%
SWE Atlas v1.0: Codebase QnAScale AI SEAL24.2%42.2%†
显示全部 100 项基准测试
指标发布方Muse SparkMuse Spark 1.1
编程
SWE Atlas v1.0: Test WritingScale AI SEAL31.1%41.5%†
Surface Evolver BenchEpoch AI Benchmarking Hub–52.5%†
DeepSWE v1.1Epoch AI Benchmarking Hub–53.3%
Terminal-Bench 4.0 (AA)Artificial Analysis–6.1%†
Terminal-Bench 2.1 (AA)Artificial Analysis62.2%77.9%†
Design Arena WebsiteDesign Arena12531263
智能体与工具
APEX-AgentsMercor–31.8%
Arena AgentArena (LMArena)–-8
LiveBench Agentic CodingLiveBench–58.5%†
Terminal-Bench HardArtificial Analysis45.5%–
τ²-Bench Telecom (AA)Artificial Analysis91.5%–
Terminal-Bench 2.1 (Vals)Vals AI–69.3%†
MCP AtlasScale AI SEAL82.2%88.1%
τ³-bench Bankingτ²-bench–40.5%†
GDPval-AA v2.1Artificial Analysis10061216†
τ³-Banking (AA)Artificial Analysis–31.8%†
Finance Agent v2Vals AI–57.2%†
Harvey's Legal Agent Benchmark v1Vals AI–20.0%†
Legal Research BenchVals AI–38.0%†
SkillsBenchVals AI–59.2%†
Terminal-Bench 2.0 (Vals)Vals AI59.5%–
Time Horizon Index: KSPVals AI–1.7%†
Arena Agent Task CompletionArena (LMArena)–-6.5
GBAEvalEpoch AI Benchmarking Hub–7.9%
Vending-Bench 2Andon Labs–6520.5
AutomationBenchArtificial Analysis–38.9%†
GDP.pdf (AA)Artificial Analysis–14.4%†
AA-Briefcase v1.1Artificial Analysis646851†
Design Arena AgenticDesign Arena–1172
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub88.9%–
ProofBenchVals AI17.0%39.0%
LiveBench MathematicsLiveBench–87.1%†
AIME (Vals)Vals AI96.9%–
Arena MathsArena (LMArena)14691493
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–57.8%
LiveBench 1.0 Data AnalysisLiveBench–72.5%†
MMLU-ProVals AI87.3%88.7%†
LegalBenchVals AI84.2%85.0%†
CorpFinVals AI65.1%71.3%†
TaxEvalVals AI77.7%79.7%†
PRBench FinanceScale AI SEAL52.4%55.0%
PRBench LegalScale AI SEAL52.3%57.0%
MultiNRCScale AI SEAL59.0%65.6%
CaseLaw v2Vals AI63.1%–
Excel Modeling BenchmarkVals AI–56.4%†
MedCodeVals AI51.3%–
MedScribeVals AI85.9%88.9%†
Public Benefits Bench v1.1Vals AI–61.3%†
GDP.pdfEpoch AI Benchmarking Hub–15.0%
指令遵循
LiveBench LanguageLiveBench–74.3%†
LiveBench Instruction FollowingLiveBench–69.6%†
IFBenchArtificial Analysis75.9%–
MultiChallengeScale AI SEAL75.5%75.3%
TutorBenchScale AI SEAL68.5%–
Arena Instruction FollowingArena (LMArena)14651473
人类偏好
Arena TextArena (LMArena)14891491
EQ-Bench 4EQ-Bench–1244
EQ-Bench Creative Writing v3EQ-Bench–1928
Arena Creative WritingArena (LMArena)14641443
Arena Multi-turnArena (LMArena)14931497
Arena Longer QueriesArena (LMArena)14761481
多模态
Arena VisionArena (LMArena)13061292
MMMU-ProArtificial Analysis80.5%–
MMMU-Pro (Vals)Vals AI87.4%86.6%†
MortgageTaxVals AI–66.1%†
VTBScale AI SEAL–44.8%
长上下文
AA-LCR v1.1Artificial Analysis78.0%77.7%†
Arena DocumentArena (LMArena)14671480
MLCRArtificial Analysis–7.2%†
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.1154.9
LiveBench 1.0LiveBench–75.3%†
AA Intelligence Index v4.3.2Artificial Analysis31.333.7†
AA Progress Index v1Artificial Analysis289.1302.7†
Vals Multimodal IndexVals AI–66.7%†
安全与诚实
FORTRESSScale AI SEAL20.2%12.4%

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。

变化

  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Muse Spark 1.1:1 项分数修订。
  • Muse Spark 1.1:2 项分数修订。
  • Muse Spark:1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.1:1 项分数修订。
  • Muse Spark 1.1:BenchLeader Index 63.1 → 62.5。

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 vs Muse Spark 1.1:常见问题

Muse Spark 比 Muse Spark 1.1 更好吗?
Muse Spark 与 Muse Spark 1.1 的质量不相上下(64.2 比 62.2,在 ±6.6 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 还是 Muse Spark 1.1 更好?
两者在编程方面持平(类别得分 65 比 66)。在两者共同的最主要编程基准测试 SWE-Bench Pro 上,Muse Spark 为 55.0%,Muse Spark 1.1 为 61.5%。
智能体和工具调用用 Muse Spark 还是 Muse Spark 1.1 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 51,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 MCP Atlas 上,Muse Spark 为 82.2%,Muse Spark 1.1 为 88.1%。
处理长文档哪个更好?
Muse Spark 1.1 支持更长的上下文:1,048,576 token,Muse Spark 为 262,144 token。
第三方基准测试对 Muse Spark 和 Muse Spark 1.1 的看法一致吗?
在两者都有结果的 22 项基准测试中,Muse Spark 领先 3 项,Muse Spark 1.1 领先 19 项。所有同时评测两者的综合评分都认为 Muse Spark 1.1 更强。
更多问题(1)
Muse Spark 1.1 是什么时候发布的?
Muse Spark 1.1 于 2026年7月9日 发布。