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 Spark | Arena 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 Spark | Step 5 Preview |
|---|---|---|
| 提供商 | Meta | StepFun |
| 发布日期 | 2026年4月8日 | 2026年9月18日 |
| 上下文窗口(token) | 262,144 | 1,000,000 |
| 对比时的配置 | Muse Spark | Step 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 Spark | Step 5 Preview | 领先者 |
|---|---|---|---|
| 推理 | 67.4 | 51.7 | Muse Spark |
| 编程 | 65.1 | 49.9 | Muse Spark |
| 智能体与工具 | 65.0 | 49.1 | Muse Spark |
| 数学 | 59.1 | 60.1 | Step 5 Preview |
| 知识 | 63.1 | 53.7 | Muse Spark |
| 指令遵循 | 76.9 | – | 无法比较 |
| 人类偏好 | 68.1 | 63.1 | Muse Spark |
| 多模态 | 64.2 | 59.3 | Muse Spark |
| 长上下文 | 63.6 | 69.0 | Step 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。
未绘制(测得的模型少于两个):指令遵循。
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 Index | Muse Spark | Step 5 Preview | 领先者 |
|---|---|---|---|
| BenchLeader Index | 64.2 | 56.0 | Muse Spark |
| Arena Text | 1489 | 1449 | Muse 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 Spark | Step 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 Spark | Step 5 Preview |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 64.2 | 56.0 |
| 智能体与工具得分 | BenchLeader | 65.0 | 49.1 |
| 编程得分 | BenchLeader | 65.1 | 49.9 |
| 人类偏好得分 | BenchLeader | 68.1 | 63.1 |
| 指令遵循得分 | BenchLeader | 76.9 | – |
| 知识得分 | BenchLeader | 63.1 | 53.7 |
| 长上下文得分 | BenchLeader | 63.6 | 69.0 |
| 数学得分 | BenchLeader | 59.1 | 60.1 |
| 多模态得分 | BenchLeader | 64.2 | 59.3 |
| 推理得分 | BenchLeader | 67.4 | 51.7 |
| 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 | BenchLeader | 262,144 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 89.8% | – |
| Humanity's Last Exam | Scale AI / CAIS | 40.6% | – |
| Arena Hard Prompts | Arena (LMArena) | 1506 | 1477 |
| LiveBench 2.0 Reasoning | LiveBench | – | 83.8%† |
| GPQA Diamond (AA) | Artificial Analysis | 88.4% | – |
| Humanity's Last Exam (AA) | Artificial Analysis | 40.7% | 46.5% |
| HLE-Diamond (AA) | Artificial Analysis | – | 24.3% |
| GPQA Diamond (Vals) | Vals AI | 89.7% | – |
| CritPt | Artificial Analysis | 11.3% | 20.9% |
| CritPt v2 hard subset (AA) | Artificial Analysis | – | 32.5% |
| MysteryMechanism | Vals AI | – | 18.5% |
| Arena Expert | Arena (LMArena) | 1491 | 1489 |
| 编程 | |||
| SciCode | SciCode | 51.5% | 58.9% |
| Arena Coding | Arena (LMArena) | 1529 | 1505 |
| Arena WebDev | Arena (LMArena) | – | 1573† |
| LiveBench 2.0 Coding | LiveBench | – | 67.6%† |
| SciCode (AA) | Artificial Analysis | – | 58.9% |
| IOI | Vals AI | – | 38.1% |
| SWE-bench (Vals) | Vals AI | 74.4% | – |
| SWE-Bench Pro | Scale AI SEAL | 55.0% | – |
| Code Migration | Vals AI | – | 39.0% |
| Code Migration v1.1 | Vals AI | – | 47.0% |
| SWE-bench Multimodal | Vals AI | – | 40.8% |
| Vibe Code Bench v1.1 | Vals AI | 19.7% | 70.4% |
| SWE-Bench Pro (private) | Scale AI SEAL | 44.7% | – |
显示全部 115 项基准测试
| 指标 | 发布方 | Muse Spark | Step 5 Preview |
|---|---|---|---|
| 编程 | |||
| SWE Atlas v1.0: Codebase QnA | Scale AI SEAL | 24.2% | – |
| SWE Atlas v1.0: Test Writing | Scale AI SEAL | 31.1% | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | – | 33.3% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | 62.2% | – |
| Design Arena Website | Design Arena | 1253 | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | – | 38.4% |
| FrontierCode 2.0 (AA) | Artificial Analysis | – | 12.0% |
| 智能体与工具 | |||
| Arena Agent | Arena (LMArena) | – | -3.7 |
| LiveBench Long Agentic | LiveBench | – | 19.4%† |
| LiveBench Browser | LiveBench | – | 24.8%† |
| Terminal-Bench Hard | Artificial Analysis | 45.5% | – |
| τ²-Bench Telecom (AA) | Artificial Analysis | 91.5% | – |
| MCP Atlas | Scale AI SEAL | 82.2% | – |
| GDPval-AA v2.1, normalised score | Artificial Analysis | – | 54.3% |
| GDPval-AA v2.1 | Artificial Analysis | 1006 | 1591 |
| ITBench SRE (AA) | Artificial Analysis | – | 55.6% |
| Analyst Agent (AA) | Artificial Analysis | – | 35.0% |
| APEX-Agents (AA) | Artificial Analysis | – | 38.0% |
| Finance Agent v2 | Vals AI | – | 50.7% |
| Finance Agent v2.1 | Vals AI | – | 58.9% |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | – | 12.9% |
| Harvey's Legal Agent Benchmark v1 | Vals AI | – | 9.2% |
| Legal Research Bench | Vals AI | – | 40.4% |
| SREBench | Vals AI | – | 0.4% |
| Tax Agent Bench | Vals AI | – | 27.3% |
| Terminal-Bench 2.0 (Vals) | Vals AI | 59.5% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | – | 31.8% |
| Terminal-Bench Science | Vals AI | – | 2.9% |
| Arena Agent Task Completion | Arena (LMArena) | – | -1.5 |
| AutomationBench | Artificial Analysis | – | 51.0% |
| GDP.pdf (AA) | Artificial Analysis | – | 14.8% |
| EnterpriseOps-Gym | Artificial Analysis | – | 47.2% |
| AA-Briefcase v1.1 | Artificial Analysis | 646 | 1424 |
| 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 AIME | Epoch AI Benchmarking Hub | 88.9% | – |
| ProofBench | Vals AI | 17.0% | 42.0% |
| AIME (Vals) | Vals AI | 96.9% | – |
| Arena Maths | Arena (LMArena) | 1469 | 1470 |
| 知识 | |||
| LiveBench 2.0 Data Analysis | LiveBench | – | 63.5%† |
| LiveBench Research | LiveBench | – | 75.5%† |
| AA-Omniscience v1.1 | Artificial Analysis | – | 16.4 |
| MMLU-Pro | Vals AI | 87.3% | – |
| LegalBench | Vals AI | 84.2% | – |
| CorpFin | Vals AI | 65.1% | – |
| TaxEval | Vals AI | 77.7% | – |
| PRBench Finance | Scale AI SEAL | 52.4% | – |
| PRBench Legal | Scale AI SEAL | 52.3% | – |
| MultiNRC | Scale AI SEAL | 59.0% | – |
| BioMysteryBench | Vals AI | – | 67.4% |
| CaseLaw v2 | Vals AI | 63.1% | – |
| Excel Modeling Benchmark | Vals AI | – | 57.1% |
| Excel Modeling Benchmark v1.1 | Vals AI | – | 69.5% |
| MedCode | Vals AI | 51.3% | – |
| MedScribe | Vals AI | 85.9% | – |
| Public Benefits Bench v1.1 | Vals AI | – | 58.1% |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | – | 36.4% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | – | 68.7% |
| 指令遵循 | |||
| IFBench | Artificial Analysis | 75.9% | – |
| MultiChallenge | Scale AI SEAL | 75.5% | – |
| TutorBench | Scale AI SEAL | 68.5% | – |
| Arena Instruction Following | Arena (LMArena) | 1465 | 1450 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | 1489 | 1449 |
| Arena Creative Writing | Arena (LMArena) | 1464 | 1413 |
| Arena Multi-turn | Arena (LMArena) | 1493 | 1445 |
| Arena Longer Queries | Arena (LMArena) | 1476 | 1461 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | 1306 | 1263 |
| LiveBench Design | LiveBench | – | 70.8%† |
| MMMU-Pro | Artificial Analysis | 80.5% | 76.4% |
| MMMU-Pro (Vals) | Vals AI | 87.4% | – |
| Code2Video-AA | Artificial Analysis | – | 821 |
| AA-3D | Artificial Analysis | – | 859 |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 78.0% | 88.3% |
| Arena Document | Arena (LMArena) | 1467 | – |
| MLCR | Artificial Analysis | – | 18.3% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 153.1 | – |
| LiveBench 2.0 | LiveBench | – | 54.9%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | – | 28.5 |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 31.3 | 43.7 |
| AA Progress Index v1 | Artificial Analysis | 289.1 | 318.2 |
| Vals Index | Vals AI | – | 54.8 |
| Vals Finance Index | Vals AI | – | 55.4% |
| Vals Science Index | Vals AI | – | 29.6% |
| Vals Legal Index | Vals AI | – | 70.2% |
| AA Cyber Index | Artificial Analysis | – | 47.7 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 20.2% | – |
| 元数据 | |||
| AA Openness Index | Artificial 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。
相关对比
- Muse Spark vs Claude Fable 5.2
- Muse Spark vs Gemini 4 Carbon
- Muse Spark vs Claude Opus 5.5
- Step 5 Preview vs Claude Opus 5.5
- Step 5 Preview vs GPT-6 Astra
- Step 5 Preview vs GPT-6.1 Sol
- Step 5 Preview vs Gemini 4 Argon
- Muse Spark vs Claude Fable 5.1
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。