AI BENCHY 对比

Meta: Muse Spark 1.1 vs OpenAI: GPT-5.3-Codex

摘要

GPT-5.3-Codex (medium) 平均分领先，为 8.9 vs 8.8。 Muse Spark 1.1 (low) benchmark 成本更低，为 $0.469 vs $0.740。 Muse Spark 1.1 (low) 更快，为 10.11s vs 16.22s，通过率为 73.0% vs 82.5%。

推荐模型Muse Spark 1.1 (low)它的得分接近这里的最高分（8.8 vs 8.9），同时成本比GPT-5.3-Codex (medium)低约 1.6 倍。

基准结果生成自 AI BENCHY 测试套件，时间：: 2026-07-16

指标	Muse Spark 1.1 Muse Spark 1.1 low 发布日期: 2026-07-16	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05

指标	Muse Spark 1.1 Muse Spark 1.1 low 发布日期: 2026-07-16	GPT-5.3-Codex GPT-5.3-Codex medium 发布日期: 2026-02-05
分数	8.8	8.9
排名	#17	#13
可靠性	10.0	10.0
一致性	8.5	8.5
测试正确
尝试通过率	73.0%	82.5%
不稳定测试	4	4
总运行次数	63	63
每个结果成本	3.606	4.932
总成本	$0.469	$0.740
输入价格	$1.250 / 1M	$1.750 / 1M
输出价格	$4.250 / 1M	$14.000 / 1M
总输入令牌	59,923	34,299
输出令牌	3,722	2,357
推理令牌	88,947	46,189
响应时间（平均）	10.11s	16.22s
响应时间（最大）	54.15s	100.93s
响应时间（总计）	212.29s	340.67s

生成展示

Hamster playing table tennis

Prompt: Create a detailed SVG illustration of a hamster playing table tennis.

#17 Muse Spark 1.1

low

成本: $0.020
时间: 39.2s
令牌: 4,947 tok

#13 GPT-5.3-Codex

medium

成本: $0.049
时间: 54.9s
令牌: 3,580 tok

按分数排名的模型

分数 vs 总成本

响应时间（平均）

分数 vs 响应时间（平均）

总输出令牌

分数 vs 总输出令牌

类别细分

类别:

反AI技巧	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	7.9	6.3	83.3%	2		4.36s	2,334	621	6,040
GPT-5.3-Codex	8.7	7.9	91.7%	1		4.16s	606	240	1,722

编程	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	10.0	10.0	100.0%	0		10.34s	8,562	394	14,503
GPT-5.3-Codex	10.0	10.0	100.0%	0		19.50s	7,302	535	10,890

综合	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	9.6	10.0	100.0%	0		19.26s	21,277	885	6,849
GPT-5.3-Codex	10.0	10.0	100.0%	0		19.56s	11,019	364	2,731

数据解析与提取	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	10.0	10.0	100.0%	0		3.22s	7,827	240	2,074
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.07s	7,140	234	728

领域专项	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	2.9	7.2	11.1%	1		29.73s	2,016	235	42,049
GPT-5.3-Codex	5.9	7.2	55.6%	1		64.31s	813	64	25,308

通用智能	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	10.0	10.0	100.0%	0		4.12s	906	131	1,125
GPT-5.3-Codex	4.6	10.0	0.0%	0		4.87s	477	187	331

指令遵循	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	7.3	6.0	83.3%	1		5.42s	1,527	252	4,246
GPT-5.3-Codex	10.0	10.0	100.0%	0		3.04s	660	93	693

谜题求解	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	8.3	10.0	66.7%	0		6.60s	1,938	391	7,503
GPT-5.3-Codex	9.0	7.9	88.9%	1		5.05s	642	356	1,593

工具调用	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	9.8	10.0	100.0%	0		5.98s	12,924	533	1,012
GPT-5.3-Codex	10.0	10.0	100.0%	0		6.37s	5,445	254	492

常识问答	分数	一致性	尝试通过率	不稳定测试	测试正确	响应时间（平均）	输入令牌	输出令牌	推理令牌
Muse Spark 1.1	3.0	10.0	0.0%	0		8.17s	612	40	3,546
GPT-5.3-Codex	2.8	1.6	33.3%	1		14.43s	195	30	1,701

快速对比

切换对比组合

Claude Opus 4.7mediumvsMuse Spark 1.1low Claude Opus 4.8mediumvsMuse Spark 1.1low Muse Spark 1.1lowvsGLM 5.2medium Muse Spark 1.1lowvsQwen3.6 Max Previewmedium Muse Spark 1.1lowvsGLM 5medium Muse Spark 1.1lowvsKimi K3max Muse Spark 1.1lowvsGPT-5 Minimedium Muse Spark 1.1lowvsGPT-5.5medium Muse Spark 1.1lowvsGPT-5.4medium Seed-2.0-LitemediumvsMuse Spark 1.1low Muse Spark 1.1lowvsGPT-5.2 Chatnone Muse Spark 1.1lowvsStep 3.7 Flashmedium