BenchLeader

Muse Spark vs Step 5 Preview

完整资料:Muse Spark(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 8 个来源

截至 2026年11月16日,质量上 Muse Spark 领先 Step 5 Preview(BenchLeader Index 64.2 比 56.0)。看重智能体与工具(65 比 49)、推理(67 比 52)和编程(65 比 50)选 Muse Spark;看重长上下文(69 比 64)和数学(60 比 59)选 Step 5 Preview。

要点(截至 2026年11月16日)

  • Muse Spark 的 BenchLeader Index 为 64.2,Step 5 Preview 为 56.0(BenchLeader,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)。
  • 在两者都有结果的 19 项基准测试中,Step 5 Preview 领先 10 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 50;Arena Coding 1529 比 1505高
智能体与工具调用Muse Spark类别得分 65 比 49;GDPval-AA v2.1 1006 比 1591高
数学Step 5 Preview类别得分 60 比 59;Arena Maths 1470 比 1469中
推理Muse Spark类别得分 67 比 52;Arena Hard Prompts 1506 比 1477高
知识Muse Spark类别得分 63 比 54高
长文档Step 5 Preview类别得分 69 比 64;AA-LCR v1.1 88.3% 比 78.0%中
图像及其他媒体Muse Spark类别得分 64 比 59;Arena Vision 1306 比 1263中
对话质量(人类偏好)Muse SparkArena 投票 68 比 63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

  • 质量上 Muse Spark 领先:64.2 比 56.0。
  • Muse Spark 在智能体与工具、编程、人类偏好、知识、多模态、推理方面更强。
  • Step 5 Preview 在长上下文、数学方面更强。

概览

规格Muse SparkStep 5 Preview
提供商MetaStepFun
发布日期2026年4月8日2026年9月18日
上下文窗口(token)262,1441,000,000
对比时的配置Muse SparkStep 5 Preview
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)–$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 SparkStep 5 Preview领先者
推理67.451.7Muse Spark
编程65.149.9Muse Spark
智能体与工具65.049.1Muse Spark
数学59.160.1Step 5 Preview
知识63.153.7Muse Spark
指令遵循76.9–无法比较
人类偏好68.163.1Muse Spark
多模态64.259.3Muse Spark
长上下文63.669.0Step 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, 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: 68.1Step 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 19 项基准测试中,Muse Spark 领先 9 项,Step 5 Preview 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。

综合 IndexMuse SparkStep 5 Preview领先者
BenchLeader Index64.256.0Muse Spark
Arena Text14891449Muse Spark

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 SparkStep 5 Preview
每百万 token 混合价格–$1.43
每百万 token 输入 / 输出– / –$1.00 / $2.70
每百万 token 缓存输入–$0.105
每项任务价格:聊天回复–$0.0012
每项任务价格:总结一份 30 页的报告–$0.014
每项任务价格:代码编辑–$0.010
每项任务价格:智能体编程会话–$0.071
每项任务价格:结构化信息提取–$0.0025
智能体编程会话(输入大多命中缓存)–$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–124 tok/s
首次回答时间–23.5 秒
完整回答耗时(最近一次测量 2026年11月13日)–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 得分 64.2。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 115 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 SparkStep 5 Preview
BenchLeader IndexBenchLeader64.256.0
智能体与工具得分BenchLeader65.049.1
编程得分BenchLeader65.149.9
人类偏好得分BenchLeader68.163.1
指令遵循得分BenchLeader76.9–
知识得分BenchLeader63.153.7
长上下文得分BenchLeader63.669.0
数学得分BenchLeader59.160.1
多模态得分BenchLeader64.259.3
推理得分BenchLeader67.451.7
混合价格(美元/百万 token)BenchLeader–$1.43
输出速度BenchLeader–124 tok/s
首次回答时间BenchLeader–23.5 秒
上下文窗口BenchLeader262,144 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub89.8%–
Humanity's Last ExamScale AI / CAIS40.6%–
Arena Hard PromptsArena (LMArena)15061477
LiveBench 2.0 ReasoningLiveBench–83.8%†
GPQA Diamond (AA)Artificial Analysis88.4%–
Humanity's Last Exam (AA)Artificial Analysis40.7%46.5%
HLE-Diamond (AA)Artificial Analysis–24.3%
GPQA Diamond (Vals)Vals AI89.7%–
CritPtArtificial Analysis11.3%20.9%
CritPt v2 hard subset (AA)Artificial Analysis–32.5%
MysteryMechanismVals AI–18.5%
Arena ExpertArena (LMArena)14911489
编程
SciCodeSciCode51.5%58.9%
Arena CodingArena (LMArena)15291505
Arena WebDevArena (LMArena)–1573†
LiveBench 2.0 CodingLiveBench–67.6%†
SciCode (AA)Artificial Analysis–58.9%
IOIVals AI–38.1%
SWE-bench (Vals)Vals AI74.4%–
SWE-Bench ProScale AI SEAL55.0%–
Code MigrationVals AI–39.0%
Code Migration v1.1Vals AI–47.0%
SWE-bench MultimodalVals AI–40.8%
Vibe Code Bench v1.1Vals AI19.7%70.4%
SWE-Bench Pro (private)Scale AI SEAL44.7%–
显示全部 115 项基准测试
指标发布方Muse SparkStep 5 Preview
编程
SWE Atlas v1.0: Codebase QnAScale AI SEAL24.2%–
SWE Atlas v1.0: Test WritingScale AI SEAL31.1%–
Terminal-Bench 4.0 (AA)Artificial Analysis–33.3%
Terminal-Bench 2.1 (AA)Artificial Analysis62.2%–
Design Arena WebsiteDesign Arena1253–
FrontierCode 1.1 (AA)Artificial Analysis–38.4%
FrontierCode 2.0 (AA)Artificial Analysis–12.0%
智能体与工具
Arena AgentArena (LMArena)–-3.7
LiveBench Long AgenticLiveBench–19.4%†
LiveBench BrowserLiveBench–24.8%†
Terminal-Bench HardArtificial Analysis45.5%–
τ²-Bench Telecom (AA)Artificial Analysis91.5%–
MCP AtlasScale AI SEAL82.2%–
GDPval-AA v2.1, normalised scoreArtificial Analysis–54.3%
GDPval-AA v2.1Artificial Analysis10061591
ITBench SRE (AA)Artificial Analysis–55.6%
Analyst Agent (AA)Artificial Analysis–35.0%
APEX-Agents (AA)Artificial Analysis–38.0%
Finance Agent v2Vals AI–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 AI–9.2%
Legal Research BenchVals AI–40.4%
SREBenchVals AI–0.4%
Tax Agent BenchVals AI–27.3%
Terminal-Bench 2.0 (Vals)Vals AI59.5%–
Terminal-Bench 4.0 (Vals)Vals AI–31.8%
Terminal-Bench ScienceVals AI–2.9%
Arena Agent Task CompletionArena (LMArena)–-1.5
AutomationBenchArtificial Analysis–51.0%
GDP.pdf (AA)Artificial Analysis–14.8%
EnterpriseOps-GymArtificial Analysis–47.2%
AA-Briefcase v1.1Artificial Analysis6461424
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
OTIS Mock AIMEEpoch AI Benchmarking Hub88.9%–
ProofBenchVals AI17.0%42.0%
AIME (Vals)Vals AI96.9%–
Arena MathsArena (LMArena)14691470
知识
LiveBench 2.0 Data AnalysisLiveBench–63.5%†
LiveBench ResearchLiveBench–75.5%†
AA-Omniscience v1.1Artificial Analysis–16.4
MMLU-ProVals AI87.3%–
LegalBenchVals AI84.2%–
CorpFinVals AI65.1%–
TaxEvalVals AI77.7%–
PRBench FinanceScale AI SEAL52.4%–
PRBench LegalScale AI SEAL52.3%–
MultiNRCScale AI SEAL59.0%–
BioMysteryBenchVals AI–67.4%
CaseLaw v2Vals AI63.1%–
Excel Modeling BenchmarkVals AI–57.1%
Excel Modeling Benchmark v1.1Vals AI–69.5%
MedCodeVals AI51.3%–
MedScribeVals AI85.9%–
Public Benefits Bench v1.1Vals AI–58.1%
AA-Omniscience v1.1: accuracyArtificial Analysis–36.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–68.7%
指令遵循
IFBenchArtificial Analysis75.9%–
MultiChallengeScale AI SEAL75.5%–
TutorBenchScale AI SEAL68.5%–
Arena Instruction FollowingArena (LMArena)14651450
人类偏好
Arena TextArena (LMArena)14891449
Arena Creative WritingArena (LMArena)14641413
Arena Multi-turnArena (LMArena)14931445
Arena Longer QueriesArena (LMArena)14761461
多模态
Arena VisionArena (LMArena)13061263
LiveBench DesignLiveBench–70.8%†
MMMU-ProArtificial Analysis80.5%76.4%
MMMU-Pro (Vals)Vals AI87.4%–
Code2Video-AAArtificial Analysis–821
AA-3DArtificial Analysis–859
长上下文
AA-LCR v1.1Artificial Analysis78.0%88.3%
Arena DocumentArena (LMArena)1467–
MLCRArtificial Analysis–18.3%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub153.1–
LiveBench 2.0LiveBench–54.9%†
AA Intelligence Index v5.0.1Artificial Analysis–28.5
AA Intelligence Index v4.3.2Artificial Analysis31.343.7
AA Progress Index v1Artificial Analysis289.1318.2
Vals IndexVals AI–54.8
Vals Finance IndexVals AI–55.4%
Vals Science IndexVals AI–29.6%
Vals Legal IndexVals AI–70.2%
AA Cyber IndexArtificial Analysis–47.7
安全与诚实
FORTRESSScale AI SEAL20.2%–
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。

变化

  • Step 5 Preview:BenchLeader Index 54.2 → 56.0。
  • Step 5 Preview:BenchLeader Index 54.7 → 54.2。
  • Muse Spark:2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • Step 5 Preview:1 项分数修订。
  • Step 5 Preview:7 项分数修订。
  • Muse Spark:BenchLeader Index 64.6 → 64.1。
  • Muse Spark:1 项分数修订。
  • Step 5 Preview:2 项新结果(Vals Index, Harvey's Legal Agent Benchmark v1.1)。
  • Step 5 Preview:1 项分数修订。
  • Step 5 Preview:BenchLeader Index 58.0 → 54.7。

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 vs Step 5 Preview:常见问题

Muse Spark 比 Step 5 Preview 更好吗?
质量上 Muse Spark 领先:64.2 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 总体领先,但请结合你的用途查看各类别得分。
编程用 Muse Spark 还是 Step 5 Preview 更好?
Muse Spark 在编程方面得分更高(类别得分 65 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 为 51.5%,Step 5 Preview 为 58.9%。
智能体和工具调用用 Muse Spark 还是 Step 5 Preview 更好?
Muse Spark 在智能体任务方面得分更高(类别得分 65 比 49,50 为平均水平)。
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)。Step 5 Preview 支持更长的上下文:1,000,000 token,Muse Spark 为 262,144 token。
第三方基准测试对 Muse Spark 和 Step 5 Preview 的看法一致吗?
在两者都有结果的 19 项基准测试中,Muse Spark 领先 9 项,Step 5 Preview 领先 10 项。所有同时评测两者的综合评分都认为 Muse Spark 更强。
更多问题(1)
Step 5 Preview 是什么时候发布的?
Step 5 Preview 于 2026年9月18日 发布。