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 8.9。 GPT-5.3-Codex (medium) benchmark 成本更低，为 $0.740 vs $1.152。 GPT-5.3-Codex (medium) 更快，为 16.22s vs 23.35s，通过率为 76.2% vs 82.5%。

推荐模型GPT-5.3-Codex (medium)它在这里得分最高（8.9），同时成本比Muse Spark 1.1 (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 medium 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 medium 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	8.9	8.9
排名	#15	#13
可靠性	10.0	10.0
一致性	9.2	8.5
测试正确
尝试通过率	76.2%	82.5%
不稳定测试	2	4
总运行次数	63	63
每个结果成本	7.676	4.932
总成本	$1.152	$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	59,928	34,299
输出令牌	3,523	2,357
推理令牌	249,752	46,189
响应时间（平均）	23.35s	16.22s
响应时间（最大）	165.38s	100.93s
响应时间（总计）	490.40s	340.67s

生成展示

Hamster playing table tennis

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

#15 Muse Spark 1.1

medium

成本: $0.024
时间: 29.2s
令牌: 5,774 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	10.0	10.0	100.0%	0		5.72s	2,334	657	8,260
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		15.66s	8,562	347	23,562
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		26.33s	21,282	838	11,595
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		4.96s	7,827	240	3,387
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	3.5	4.4	33.3%	2		71.45s	2,016	105	109,166
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		4.41s	906	116	1,833
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	6.5	10.0	50.0%	0		6.31s	1,527	233	5,186
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	7.9	9.9	66.7%	0		42.49s	1,938	350	76,778
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		6.99s	12,924	598	1,610
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		18.45s	612	39	8,375
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

Muse Spark 1.1lowvsGPT-5.3-Codexmedium Muse Spark 1.1mediumvsKimi K3max Gemini 3.5 FlashlowvsGPT-5.3-Codexmedium Muse Spark 1.1mediumvsGPT-5.2 Chatnone Kimi K3maxvsGPT-5.3-Codexmedium Gemini 3.5 FlashlowvsMuse Spark 1.1medium Muse Spark 1.1mediumvsGPT-5.5low Muse Spark 1.1mediumvsGPT-5.6 Solhigh DeepSeek V4 FlashhighvsMuse Spark 1.1medium DeepSeek V4 FlashhighvsGPT-5.3-Codexmedium Muse Spark 1.1mediumvsGPT-5.6 Terrahigh Muse Spark 1.1mediumvsGPT-5.6 Sollow