BenchLeader

Muse Spark vs Muse Spark 1.2

完整资料:Muse Spark(Meta)和 Muse Spark 1.2(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 与 Muse Spark 1.2 的质量不相上下(BenchLeader Index 64.2 比 61.5,在 ±6.1 的误差范围内)。看重编程(65 比 55)和智能体与工具(65 比 55)选 Spark;看重数学(67 比 59)、知识(65 比 63)和多模态(65 比 64)选 Spark 1.2。

要点(截至 2026年11月16日)

  • Muse Spark 的 BenchLeader Index 为 64.2,Muse Spark 1.2 为 61.5(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 27 项基准测试中,Muse Spark 1.2 领先 23 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类别得分 65 比 55;SciCode 51.5% 比 57.4%高
智能体与工具调用Muse Spark类别得分 65 比 55;GDPval-AA v2.1 1006 比 1478高
数学Muse Spark 1.2类别得分 67 比 59;Arena Maths 1486 比 1469高
推理均可类别得分 67 比 68;Arena Hard Prompts 1506 比 1514均可
知识Muse Spark 1.2类别得分 65 比 63;MMLU-Pro 88.3% 比 87.3%中
长文档均可类别得分 64 比 64;AA-LCR v1.1 78.0% 比 79.0%均可
图像及其他媒体Muse Spark 1.2类别得分 65 比 64;Arena Vision 1305 比 1306中
对话质量(人类偏好)均可Arena 投票 68 比 69均可
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 1.2 (xhigh) 的质量不相上下(64.2 比 61.5,在 ±6.1 的误差范围内)。
  • Muse Spark 在智能体与工具、编程方面更强。
  • Muse Spark 1.2 (xhigh) 在人类偏好、知识、长上下文、数学、多模态、推理方面更强。

概览

规格Muse SparkMuse Spark 1.2
提供商MetaMeta
发布日期2026年4月8日2026年8月5日
上下文窗口(token)262,1441,048,576
对比时的配置Muse SparkMuse Spark 1.2 (xhigh)
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 1.2 (xhigh)领先者
推理67.468.1持平
编程65.154.7Muse Spark
智能体与工具65.055.4Muse Spark
数学59.166.8Muse Spark 1.2
知识63.164.5Muse Spark 1.2
指令遵循76.9–无法比较
人类偏好68.168.6持平
多模态64.265.3Muse Spark 1.2
长上下文63.664.1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, 长上下文: 63.6Muse Spark, 多模态: 64.2Muse Spark, 人类偏好: 68.1Muse 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: 68.6

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 27 项基准测试中,Muse Spark 领先 4 项,Muse Spark 1.2 领先 23 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 SparkMuse Spark 1.2 (xhigh)领先者
BenchLeader Index64.261.5不相上下
Arena Text14891493Muse 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 SparkMuse Spark 1.2 (xhigh)
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–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 得分 64.2。Muse Spark 1.2 (xhigh) 得分 61.5,首个回答 token 需 11 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 109 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 1.2 (xhigh)
BenchLeader IndexBenchLeader64.261.5
智能体与工具得分BenchLeader65.055.4
编程得分BenchLeader65.154.7
人类偏好得分BenchLeader68.168.6
指令遵循得分BenchLeader76.9–
知识得分BenchLeader63.164.5
长上下文得分BenchLeader63.664.1
数学得分BenchLeader59.166.8
多模态得分BenchLeader64.265.3
推理得分BenchLeader67.468.1
混合价格(美元/百万 token)BenchLeader–$2.00
输出速度BenchLeader–208 tok/s
首次回答时间BenchLeader–11.4 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%–
SimpleBenchSimpleBench–74.5%†
Arena Hard PromptsArena (LMArena)15061514
LiveBench 1.0 ReasoningLiveBench–90.0%
GPQA Diamond (AA)Artificial Analysis88.4%90.4%
Humanity's Last Exam (AA)Artificial Analysis40.7%45.5%
GPQA Diamond (Vals)Vals AI89.7%–
CritPtArtificial Analysis11.3%17.7%
Arena ExpertArena (LMArena)14911503
Chess PuzzlesEpoch AI Benchmarking Hub–27.0%
LMCAEpoch AI Benchmarking Hub–48.4%
DTBenchEpoch AI Benchmarking Hub–94.7%
编程
SciCodeSciCode51.5%57.4%
WeirdMLWeirdML–60.3%
Arena CodingArena (LMArena)15291542
Arena WebDevArena (LMArena)–1534
LiveBench 1.0 CodingLiveBench–77.5%
SciCode (AA)Artificial Analysis–57.4%
IOIVals AI–21.8%
SWE-bench (Vals)Vals AI74.4%86.6%
SWE-Bench ProScale AI SEAL55.0%–
Code MigrationVals AI–29.9%
ProgramBenchVals AI–0.5%
Vibe Code Bench v1.1Vals AI19.7%79.1%
显示全部 109 项基准测试
指标发布方Muse SparkMuse Spark 1.2 (xhigh)
编程
SWE-Bench Pro (private)Scale AI SEAL44.7%–
SWE Atlas v1.0: Codebase QnAScale AI SEAL24.2%–
SWE Atlas v1.0: Test WritingScale AI SEAL31.1%–
DeepSWE v1.1Epoch AI Benchmarking Hub–54.9%
FrontierSWEEpoch AI Benchmarking Hub–12.0%
Terminal-Bench 4.0 (AA)Artificial Analysis–7.1%
Terminal-Bench 2.1 (AA)Artificial Analysis62.2%80.2%
Startrise FrontendStartrise–70.3%†
GameBench 2 OverallDuelLab GameBench 2–51.5†
GameBench 2 by reasoning settingDuelLab GameBench 2–56.9
Design Arena WebsiteDesign Arena12531309†
智能体与工具
APEX-AgentsMercor–45.4%†
Arena AgentArena (LMArena)–-8.2
LiveBench Agentic CodingLiveBench–57.6%
Terminal-Bench HardArtificial Analysis45.5%–
τ²-Bench Telecom (AA)Artificial Analysis91.5%–
Terminal-Bench 2.1 (Vals)Vals AI–69.7%
MCP AtlasScale AI SEAL82.2%–
GDPval-AA v2.1Artificial Analysis10061478
τ³-Banking (AA)Artificial Analysis–34.9%
CyberBenchVals AI–69.5%
Finance Agent v2Vals AI–60.6%
Harvey's Legal Agent Benchmark v1Vals AI–25.4%
Legal Research BenchVals AI–43.8%
SkillsBenchVals AI–53.0%
SREBenchVals AI–0.0%
Tax Agent BenchVals AI–32.8%
Terminal-Bench 2.0 (Vals)Vals AI59.5%–
Terminal-Bench 4.0 (Vals)Vals AI–6.1%
Arena Agent Task CompletionArena (LMArena)–-9.8
AutomationBenchArtificial Analysis–40.6%
GDP.pdf (AA)Artificial Analysis–17.4%
EnterpriseOps-GymArtificial Analysis–47.3%
AA-Briefcase v1.1Artificial Analysis6461323
Design Arena AgenticDesign Arena–1185†
数学
OTIS Mock AIMEEpoch AI Benchmarking Hub88.9%–
ProofBenchVals AI17.0%43.0%†
LiveBench MathematicsLiveBench–91.2%
AIME (Vals)Vals AI96.9%–
Arena MathsArena (LMArena)14691486
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–60.3%
LiveBench 1.0 Data AnalysisLiveBench–76.5%
MMLU-ProVals AI87.3%88.3%
LegalBenchVals AI84.2%85.3%
CorpFinVals AI65.1%70.9%
TaxEvalVals AI77.7%80.4%
PRBench FinanceScale AI SEAL52.4%–
PRBench LegalScale AI SEAL52.3%–
MultiNRCScale AI SEAL59.0%–
BioMysteryBenchVals AI–64.8%
CaseLaw v2Vals AI63.1%–
Excel Modeling BenchmarkVals AI–57.0%
MedCodeVals AI51.3%49.4%
MedScribeVals AI85.9%90.1%
Public Benefits Bench v1.1Vals AI–68.5%
Financial Coaching BenchVals AI–75.7%
Immigration BenchVals AI–66.5%
GDP.pdfEpoch AI Benchmarking Hub–16.0%
指令遵循
LiveBench LanguageLiveBench–78.6%
LiveBench Instruction FollowingLiveBench–74.3%
IFBenchArtificial Analysis75.9%–
MultiChallengeScale AI SEAL75.5%–
TutorBenchScale AI SEAL68.5%–
Arena Instruction FollowingArena (LMArena)14651479
人类偏好
Arena TextArena (LMArena)14891493
EQ-Bench Creative Writing v3EQ-Bench–1842†
Arena Creative WritingArena (LMArena)14641443
Arena Multi-turnArena (LMArena)14931510
Arena Longer QueriesArena (LMArena)14761491
多模态
Arena VisionArena (LMArena)13061305
MMMU-ProArtificial Analysis80.5%–
MMMU-Pro (Vals)Vals AI87.4%86.1%
MortgageTaxVals AI–65.4%
Humanity's Sixth SenseScale AI SEAL–24.5%
长上下文
AA-LCR v1.1Artificial Analysis78.0%79.0%
Arena DocumentArena (LMArena)1467–
MLCRArtificial Analysis–7.2%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.1155.0†
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v4.3.2Artificial Analysis31.339.6
AA Progress Index v1Artificial Analysis289.1309.1
Vals Multimodal IndexVals AI–69.8%†
安全与诚实
FORTRESSScale AI SEAL20.2%–
DistressBenchScale AI SEAL–88.4%†

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:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • 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 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):1 项新结果(AA Progress Index v1)。
  • Muse Spark 1.2 (xhigh):价格 $1.29/M → $0.81/M。

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 1.2:常见问题

Muse Spark 比 Muse Spark 1.2 更好吗?
Muse Spark 与 Muse Spark 1.2 (xhigh) 的质量不相上下(64.2 比 61.5,在 ±6.1 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 1.2 更好?
Muse Spark 在编程方面得分更高(类别得分 65 比 55,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,Muse Spark 为 51.5%,Muse Spark 1.2 为 57.4%。
智能体和工具调用用 Muse Spark 还是 Muse Spark 1.2 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 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 64)。Muse Spark 1.2 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 1.2 的看法一致吗?
在两者都有结果的 27 项基准测试中,Muse Spark 领先 4 项,Muse Spark 1.2 领先 23 项。所有同时评测两者的综合评分都认为 Muse Spark 1.2 更强。
更多问题(1)
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。