BenchLeader

Muse Wonder vs o3

完整资料:Muse Wonder(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 Wonder 与 o3 的质量不相上下(BenchLeader Index 64.4 比 60.4,在 ±4.4 的误差范围内)。o3 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $3.50 比 $8.00)。在两者都有成绩的所有类别中,Muse Wonder 均领先。o3 输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Muse Wonder 的 BenchLeader Index 为 64.4,o3 为 60.4(BenchLeader,2026年11月16日)。
  • Muse Wonder 每百万 token 混合价格为 $8.00(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)。
  • o3 比 Muse Wonder 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 5 项基准测试中,Muse Wonder 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Muse Wonder类别得分 76 比 70中
数学均可类别得分 70 比 71均可
知识Muse Wonder类别得分 77 比 56;PRBench Finance 58.7% 比 47.7%高
对话质量(人类偏好)Muse WonderArena 投票 70 比 61高
成本最低o3每百万 token 混合价格 $3.50 比 $8.00;智能体编程会话 $0.152 比 $0.320–
首次回答最快Muse Wonder首个回答 token 3.3 秒(Muse Wonder)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 Wonder 与 o3 的质量不相上下(64.4 比 60.4,在 ±4.4 的误差范围内)。
  • Muse Wonder 在智能体与工具、人类偏好、知识方面更强。
  • o3 在数学方面更强。
  • o3 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $3.50 比 $8.00)。
  • o3 的输出速度是对方的 1.9 倍(131 比 70 token/秒)。

概览

规格Muse Wondero3
提供商MetaOpenAI
发布日期2026年10月12日2025年4月16日
上下文窗口(token)1,048,576200,000
对比时的配置Muse Wondero3
开放权重否否
每百万 token 价格(输入 / 输出 / 缓存输入)$4.00 / $20.00 / $0.200$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 Wondero3领先者
推理–60.9无法比较
编程–59.8无法比较
智能体与工具75.670.3Muse Wonder
数学70.170.6持平
知识77.156.2Muse Wonder
指令遵循–65.2无法比较
人类偏好69.661.0Muse Wonder
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智能体与工具数学知识人类偏好Muse Wonder, 智能体与工具: 75.6Muse Wonder, 数学: 70.1Muse Wonder, 知识: 77.1Muse Wonder, 人类偏好: 69.6o3, 智能体与工具: 70.3o3, 数学: 70.6o3, 知识: 56.2o3, 人类偏好: 61.0

未绘制(测得的模型少于两个):推理, 编程, 指令遵循, 长上下文, 多模态。

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 Wonder 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 Wonder 更强。

综合 IndexMuse Wondero3领先者
BenchLeader Index64.460.4不相上下
Arena Text1511†1432Muse Wonder

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 Wondero3
每百万 token 混合价格$8.00$3.50
每百万 token 输入 / 输出$4.00 / $20.00$2.00 / $8.00
每百万 token 缓存输入$0.200$0.500
每项任务价格:聊天回复$0.0076$0.0032
每项任务价格:总结一份 30 页的报告$0.060$0.029
每项任务价格:代码编辑$0.054$0.024
每项任务价格:智能体编程会话$0.320$0.152
每项任务价格:结构化信息提取$0.012$0.0056
智能体编程会话(输入大多命中缓存)$0.149$0.085
输出速度70 tok/s131 tok/s
首次回答时间3.3 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 Wonder 得分 64.4,首个回答 token 需 3 秒;Muse Wonder (max) 为 60.8(20 秒),Muse Wonder (high) 为 56.2(13 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 189 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 Wondero3
BenchLeader IndexBenchLeader64.460.4
智能体与工具得分BenchLeader75.670.3
人类偏好得分BenchLeader69.661.0
知识得分BenchLeader77.156.2
数学得分BenchLeader70.170.6
编程得分BenchLeader–59.8
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
推理得分BenchLeader–60.9
混合价格(美元/百万 token)BenchLeader$8.00$3.50
输出速度BenchLeader70 tok/s131 tok/s
首次回答时间BenchLeader3.3 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%†
SimpleBenchSimpleBench–53.1%†
Arena Hard PromptsArena (LMArena)1531†1441
LiveBench 2.0 ReasoningLiveBench90.6%†–
LiveBench 1.0 ReasoningLiveBench90.6%†–
GPQA Diamond (AA)Artificial Analysis–82.7%
Humanity's Last Exam (AA)Artificial Analysis50.1%†20.1%
HLE-Diamond (AA)Artificial Analysis39.0%†–
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 Analysis28.3%†1.1%
CritPt v2 hard subset (AA)Artificial Analysis50.5%†–
MysteryMechanismVals AI27.5%†–
SciPredictScale AI SEAL–17.9%
HLE-Diamond (Scale)Scale AI SEAL37.3%–
Arena ExpertArena (LMArena)1525†1448
Chess PuzzlesEpoch AI Benchmarking Hub–36.0%†
Mystery Game PuzzlesEpoch AI Benchmarking Hub51.0%†29.0%†
CL-benchEpoch AI Benchmarking Hub–17.8%†
LMCAEpoch AI Benchmarking Hub56.8%39.7%†
DTBenchEpoch AI Benchmarking Hub95.2%84.8%†
显示全部 189 项基准测试
指标发布方Muse Wondero3
推理
ForecastBenchForecastBench–64.3%
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–62.3%†
SciCodeSciCode60.3%†–
WeirdMLWeirdML–52.4%†
GSO-BenchGSO-Bench–8.8%†
Arena CodingArena (LMArena)1542†1460
Arena WebDevArena (LMArena)1647†–
LiveBench 2.0 CodingLiveBench74.9%†–
LiveBench 1.0 CodingLiveBench80.7%†–
LiveCodeBenchVals AI–83.9%†
IOIVals AI66.9%†–
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 AI62.5%†–
Code Migration v1.1Vals AI72.4%†–
SWE-bench MultimodalVals AI45.6%†–
Vibe Code Bench 1-100Vals AI26.6%†–
Vibe Code Bench v1.1Vals AI83.1%†–
SWE Atlas v1.1Scale AI SEAL64.8%–
SWE Atlas v1.1: Codebase QnAScale AI SEAL73.4%–
SWE Atlas v1.1: Test WritingScale AI SEAL61.1%–
SWE Atlas v1.1: RefactoringScale AI SEAL60.0%–
SWE-Bench Pro V2Scale AI SEAL96.7%†–
SWE-Bench Pro V2 HARDScale AI SEAL90.2%†–
MirrorCodeEpoch AI Benchmarking Hub45.6%†–
CadEvalEpoch AI Benchmarking Hub–74.0%†
CursorBenchCursor50.4%†–
ALE-BenchEpoch AI Benchmarking Hub–933.5†
WeirdML v3WeirdML15.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis52.0%†–
GameBench 2 OverallDuelLab GameBench 264.834.1
GameBench 2 by reasoning settingDuelLab GameBench 254.9†30.4†
Design Arena WebsiteDesign Arena1378†1028
FrontierCode 1.1 (AA)Artificial Analysis46.5%†–
FrontierCode 2.0 (AA)Artificial Analysis27.9%†–
LiveCodeBench (AA)Artificial Analysis–80.8%
智能体与工具
Terminal-BenchTerminal-Bench47.0%†–
GDPvalOpenAI–30.8%†
APEX-AgentsMercor66.1%†–
Arena AgentArena (LMArena)1.8†–
LiveBench Long AgenticLiveBench46.2%†–
LiveBench BrowserLiveBench60.0%†–
LiveBench Agentic CodingLiveBench62.7%†–
Terminal-Bench HardArtificial Analysis–37.1%
τ²-Bench Telecom (AA)Artificial Analysis–80.7%
HiL-BenchScale AI SEAL79.7%–
BFCL OverallBerkeley Function Calling Leaderboard–63.0%
GDPval-AA v2.1, normalised scoreArtificial Analysis63.5%†–
GDPval-AA v2.1Artificial Analysis1770†–
CUA-benchVals AI7.2%†–
CyberBenchVals AI80.4%†–
Finance Agent v2Vals AI56.6%†–
Finance Agent v2.1Vals AI65.5%†–
Harvey's Legal Agent Benchmark v1.1Vals AI23.8%†–
Harvey's Legal Agent Benchmark v1Vals AI17.1%†–
Legal Research BenchVals AI50.5%†–
Tax Agent BenchVals AI36.3%†–
Terminal-Bench 4.0 (Vals)Vals AI49.5%†–
Terminal-Bench ScienceVals AI22.9%†–
Arena SearchArena (LMArena)–1197
Arena Agent Task CompletionArena (LMArena)5.4†–
DeepResearch BenchDeepResearch Bench–45.2%†
PostTrainBenchEpoch AI Benchmarking Hub24.2%†–
METR Time HorizonsMETR–63.6%
Vending-Bench 2Andon Labs9432.2–
AutomationBenchArtificial Analysis68.1%†–
GDP.pdf (AA)Artificial Analysis30.6%†–
Harvey LAB-AA v1.1Harvey10.0%†–
AA-Briefcase v1.1Artificial Analysis1659†–
GDPxGDPx by SemiAnalysis6.8%†–
Design Arena AgenticDesign Arena1177†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis25.7%†–
MKA (AA)Artificial Analysis47.5%†–
BrowseComp-PlusBrowseComp-Plus–50.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub82.1%†33.3%†
FrontierMath Tier 4Epoch AI Benchmarking Hub70.7%†–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%†83.9%†
MATH Level 5Epoch AI Benchmarking Hub–97.8%†
ProofBenchVals AI84.0%–
LiveBench MathematicsLiveBench96.5%†–
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)1490†1448
AIME 2025 (AA)Artificial Analysis–88.3%
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub–49.4%†
LiveBench 2.0 Data AnalysisLiveBench81.6%†–
LiveBench ResearchLiveBench93.0%†–
LiveBench 1.0 Data AnalysisLiveBench81.6%†–
AA-Omniscience v1.1Artificial Analysis25.1†–
MMLU-ProVals AI–85.6%†
LegalBenchVals AI–83.8%†
CorpFinVals AI–59.7%†
TaxEvalVals AI–74.6%†
MedQAVals AI–96.1%†
PRBench FinanceScale AI SEAL58.7%47.7%
PRBench LegalScale AI SEAL58.4%48.6%
MultiNRCScale AI SEAL–45.5%†
MMLU-Pro (HELM)HELM Capabilities–85.9%
BioMysteryBenchVals AI67.0%†–
Excel Modeling BenchmarkVals AI67.1%†–
Excel Modeling Benchmark v1.1Vals AI72.5%†–
MedCodeVals AI–47.3%†
MedScribeVals AI–76.7%†
Public Benefits Bench v1.1Vals AI70.2%†–
Access to Justice BenchmarkVals AI73.0%†–
Financial Coaching BenchVals AI73.8%†–
Immigration BenchVals AI69.6%†–
EBR-benchEpoch AI Benchmarking Hub31.4%†–
GDP.pdfEpoch AI Benchmarking Hub30.8%†–
AA-Omniscience v1.1: accuracyArtificial Analysis38.0%†–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis79.1%†–
指令遵循
LiveBench LanguageLiveBench82.9%†–
LiveBench Instruction FollowingLiveBench73.0%†–
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)1498†1403
人类偏好
Arena TextArena (LMArena)1511†1432
EQ-Bench 4EQ-Bench1325–
EQ-Bench Creative Writing v3EQ-Bench20071675
Arena Creative WritingArena (LMArena)1491†1383
Arena Multi-turnArena (LMArena)1525†1420
Arena Longer QueriesArena (LMArena)1507†1411
Lech Mazur Creative WritingLech Mazur–83.9%†
多模态
Arena VisionArena (LMArena)–1214
LiveBench DesignLiveBench70.9%†–
MMMU-ProArtificial Analysis83.8%†70.1%
VISTAScale AI SEAL–50.1%†
MMMU-Pro (Vals)Vals AI–80.4%†
MortgageTaxVals AI–65.7%†
Humanity's Sixth SenseScale AI SEAL43.7%†–
VTBScale AI SEAL–13.7%
GeoBenchGeoBench–60.0%†
VPCTEpoch AI Benchmarking Hub–52.0%†
Blueprint-Bench 2Epoch AI Benchmarking Hub31.7%–
Furniture AssemblyEpoch AI Benchmarking Hub54.2%†–
VIALS-AAHandshake AI55.3%†–
Code2Video-AAArtificial Analysis997†–
长上下文
Fiction.LiveBench 120kFiction.live–100.0%†
AA-LCR v1.1Artificial Analysis80.7%†74.7%
MLCRArtificial Analysis22.2%†–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub161.7147.1
LiveBench 2.0LiveBench70.7%†–
LiveBench 1.0LiveBench81.2%†–
AA Intelligence Index v5.0.1Artificial Analysis43.6†–
AA Intelligence Index v4.3.2Artificial Analysis52.4†20.2
AA Progress Index v1Artificial Analysis335.8†258.3
Vals IndexVals AI64.9†–
HELM Capabilities meanHELM Capabilities–81.1%
Vals Finance IndexVals AI61.2%†–
Vals Science IndexVals AI39.1%†–
Vals Router IndexVals AI64.9%–
Vals Legal IndexVals AI75.3%†–
安全与诚实
FORTRESSScale AI SEAL–16.0%
MASKScale AI SEAL–84.5%†
PropensityBenchScale AI SEAL–10.5%
DistressBenchScale AI SEAL85.9%–
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 Wonder:BenchLeader Index 63.0 → 64.4。
  • o3:BenchLeader Index 61.2 → 60.4。
  • o3:1 项分数修订。
  • Muse Wonder:BenchLeader Index 63.5 → 63.0。
  • Muse Wonder:1 项新结果(Blueprint-Bench 2)。
  • Muse Wonder:BenchLeader Index 64.3 → 63.5。
  • Muse Wonder:5 项分数修订。
  • o3:1 项新结果(Arena Search)。
  • Muse Wonder:1 项分数修订。
  • o3:1 项分数修订。

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 Wonder vs o3:常见问题

Muse Wonder 比 o3 更好吗?
Muse Wonder 与 o3 的质量不相上下(64.4 比 60.4,在 ±4.4 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 Wonder 和 o3 哪个更便宜?价格会变吗?
目前 o3 更便宜:每百万 token $3.50 比 $8.00(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 Wonder 和 o3 哪个更快?
o3 输出更快(约 1.5 倍;输出 131 比 70 token/秒,Artificial Analysis 7 日中位数)。
智能体和工具调用用 Muse Wonder 还是 o3 更好?
Muse Wonder 在智能体任务方面得分更高(类别得分 76 比 70,50 为平均水平)。
处理长文档哪个更好?
Muse Wonder 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 Wonder 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 3.3 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 Wonder 和 o3 的看法一致吗?
在两者都有结果的 5 项基准测试中,Muse Wonder 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 Wonder 更强。
Muse Wonder 是什么时候发布的?
Muse Wonder 于 2026年10月12日 发布。