Muse Spark vs GPT-6.1 Sol : le coût par tâche dit l'inverse du coût par token

Placez M​use Spark et GPT-6.1 Sol sur la même ligne et la tarification par token prend la décision à votre place : 1,25 $ contre 2,00 $ par million de tokens d'entrée, 4,25 $ contre 10,00 $ par million de tokens de sortie. M​use Spark semble largement le moins cher. Puis vous regardez ce qu'Artificial Analysis facture pour réellement accomplir une seule tâche de l'Intelligence Index avec chacun d'eux, et l'ordre s'inverse — 0,72 $ pour GPT-6.1 Sol à son réglage de raisonnement maximal, contre 1,60 $ pour M​use Spark 1.3 au maximum. Sol dépense moins de la moitié autant par tâche terminée tout en affichant un score d'indice supérieur de quatre points, et la seule raison en est sa discrétion : Sol a généré 67 M de tokens en exécutant l'indice, et M​use Spark 1.3 en a généré 170 M. Si vous chiffrez encore ces deux modèles avec un tableur par token, ce duel est le cas le plus flagrant du paysage actuel où ce tableur se trompe.

Ce qu'est réellement chacun de ces éléments

GPT-6.1 Sol est le pari de positionnement d'O​penAI dans la gamme G​PT-6 : sorti le 29 septembre 2026, son prix est explicitement inférieur à celui du fleuron G​PT-6 Astra — l'annonce d'O​penAI le présente comme égalant l'intelligence d'Astra en codage agentique, en utilisation d'ordinateur et en travail professionnel, pour environ un cinquième des tarifs standard d'entrée et de sortie d'Astra. Il est en disponibilité générale, non déprécié, et pris en charge par la liste de modèles publiée par O​penAI.

M​use Spark 1.3 est le checkpoint actuel de la famille M​use Spark de M​eta Superintelligence Labs, publié le 2 septembre 2026 et doté du réglage de raisonnement maximal le 4 septembre. M​use Spark 1.1 et 1.2 le précèdent. Pour quiconque arrive du matériel de comparaison plus ancien, « M​use Spark » sans numéro désigne désormais collectivement 1.1, 1.2 et 1.3, et 1.3 est celui que M​eta qualifie d'actuel.

Voici donc une confrontation entre deux modèles bâtis autour du même argument de vente — des capacités proches du haut de gamme à un prix délibérément plus bas — ce qui rend la divergence dans leur manière de le concrétiser plus intéressante que les scores.

Les nombres indépendants, et celui qui décide

Les deux lignes ci-dessous correspondent aux propres mesures hébergées par Artificial Analysis pour chaque modèle à son niveau maximal de raisonnement. Il ne s’agit pas de chiffres fournis par les fournisseurs.

• Indice d’intelligence — GPT-6.1 Sol (Max) : 52, 12e sur 217. Muse Spark 1.3 (Max) : 48, 24e sur 217.

• Coût par tâche d'indexation — GPT-6.1 Sol : 0,72 $. M​use Spark 1.3 : 1,60 $. Sol est 2,2 fois moins cher par tâche terminée.

• Tokens de sortie pendant l’index — GPT-6.1 Sol : 67M, décrit comme assez concis par rapport à une médiane de 87M. M​use Spark 1.3 : 170M, décrit comme très verbeux.

• Vitesse de sortie — GPT-6.1 Sol : 53,5 tokens par seconde, classé 154e sur 186, décrit comme notablement lent. M​use Spark 1.3 : 121,9 tokens par seconde, classé 43e sur 186, notablement rapide. M​use Spark est 2,3 fois plus rapide en sortie.

• Tarification catalogue telle que mesurée — Sol à 2,00 $ en entrée / 10,00 $ en sortie, avec entrée mise en cache à 0,10 $ ; M​use Spark 1.3 à 1,25 $ en entrée / 4,25 $ en sortie, avec entrée mise en cache à 0,15 $.

Il y a un véritable compromis caché dans ces cinq puces, et ce n'est pas celui que suggère le titre. Sol est le modèle le moins cher pour exécuter une tâche complète, et il y parvient en réfléchissant moins et en parlant moins — 67 M de tokens représentent environ deux cinquièmes de la sortie de M​use Spark pour quatre points d'indice de plus. M​use Spark vous donnera une réponse plus rapidement en temps réel une fois lancé, environ deux fois plus vite, mais il aura généré bien plus de texte pour ce faire. Celui que vous voulez dépend de si votre contrainte est la facture à la fin du mois ou la latence devant un utilisateur.

Pour un contrôle de cohérence de la direction, le classement textuel de LMArena place une configuration GPT-6.1 Sol au 22e rang avec 1484 Elo ; M​use Spark 1.3 n’apparaît pas dans ce classement. L’écart de quatre points sur l’indice et l’écart de préférence humaine vont ici dans le même sens, ce qui n’est pas toujours le cas.

Allégations des fournisseurs de part et d'autre

OpenAI a publié ses résultats de GPT-6.1 Sol principalement sous forme d'écarts plutôt que de scores absolus, ce qu'il vaut mieux savoir avant que quiconque ne les cite sous forme de tableau. Ce que l'annonce affirme, tous rapportés par le fournisseur et non reproduits par nos soins : Sol égale GPT-6 Astra sur DeepSWE v1.1 pour environ un cinquième du coût et dépasse le meilleur score de GPT-6 Sol de 6,4 points de pourcentage à un effort de raisonnement moindre ; il obtient un score supérieur à Claude Opus 5.5 pour moins de la moitié du coût par tâche sur GDP.pdf ; il améliore Opus 5.5 de 2,2 points sur AutomationBench à effort moyen ; il dépasse GPT-6 Sol de sept points sur l'ensemble hors ligne d'OSWorld 2.0 à effort maximal tout en se rapprochant à 2,1 points d'Astra pour environ un septième du coût ; et à faible effort de raisonnement, il réduit la part des réponses contenant une erreur factuelle de 11,4 % à 7,7 %. Le seul nombre absolu dans l'affirmation d'OpenAI sur le flux de travail scientifique est le 68,1 % d'Astra sur Terminal-Bench Science 0.1, avec Sol coûtant 5,47 $ par tâche contre 23,21 $ pour Claude Opus 5.5 — une comparaison de coûts, pas une comparaison de scores.

Les chiffres publiés par M​eta pour M​use Spark 1.3 sont DeepSWE v1.1 à 75,4, OSWorld 2.0 à 66,9, Terminal-Bench 2.1 à 76,4 avec l'agent Terminus 2, MCP-Atlas à 89,2, GDPval-AA v2 à 1 754, SciCode à 58,5, HLE-Diamond sans outils à 26,1 et JobBench à 61,8. Notez attentivement ce qui ne peut pas être fait avec ces deux listes : O​penAI rapporte des variations, M​eta rapporte des niveaux, et les deux fournisseurs n'ont pas exécuté les mêmes évaluations sur les mêmes harnais. Le seul point où les deux se rejoignent presque est DeepSWE v1.1, et même là, l'un des chiffres est un delta et l'autre une valeur absolue.

Les différences de spécifications qui importent plus que les scores

• Modalités d'entrée — M​use Spark 1.3 accepte le texte, l'image et la vidéo. GPT-6.1 Sol n'accepte que le texte et l'image ; l'audio et la vidéo sont documentés comme non pris en charge. Pour tout flux de travail avec entrée vidéo, cette comparaison s'arrête ici.

• Fenêtre de contexte — Sol publie 1 050 000 tokens avec une entrée maximale de 922 000 et une sortie maximale de 128 000. M​use Spark 1.3 est un forfait de 1 048 576 sans chiffre maximal de sortie publié que nous puissions vérifier. Ces fenêtres semblent équivalentes et se comportent différemment : la fenêtre de Sol est explicitement répartie en budgets d'entrée et de sortie, tandis que celle de M​use Spark n'est pas documentée de cette manière.

• Tarification de contexte long — c'est le piège opérationnel du côté de Sol. Les tarifs standard s'appliquent aux prompts jusqu'à 272 000 jetons d'entrée ; au-delà de ce seuil, la requête est facturée aux tarifs de contexte long, soit 4,00 $ en entrée et 15,00 $ en sortie, le double du prix d'entrée et 1,5 fois le prix de sortie, pour l'ensemble de la requête. Un agent Sol qui dépasse 272 K jetons ne paie pas un peu plus, il change de palier tarifaire. M​use Spark 1.3 n'a pas de palier comparable dans ses tarifs publiés.

• Niveaux de service — Sol propose batch et flex à 50 %, le mode rapide à 2x, et un niveau ultra-rapide à 6x du prix standard, ajouté le 8 octobre 2026. M​use Spark 1.3 dispose d’un niveau standard et d’une variante Contributor qui échange un prix inférieur — 0,10 $ en entrée, 0,20 $ en sortie — contre l’autorisation d’entraîner sur vos prompts et complétions. Cette dernière option n’a pas d’équivalent chez O​penAI ni chez G​oogle, et pour certaines équipes elle est éliminatoire, tandis que pour d’autres elle représente une réduction de coûts de 10x.

• Contrôles du raisonnement — le paramètre d'effort de Sol couvre low, medium, high, xhigh et max, et ne prend explicitement pas en charge « none » ni « minimal » — vous ne pouvez pas désactiver le raisonnement. L'échelle de M​use Spark part de minimal vers le haut, et la documentation de M​eta indique que le raisonnement ne peut pas non plus être désactivé. Les deux fournisseurs en ont décidé ainsi pour vous.

• Date limite des connaissances — Sol publie le 30 avril 2026. M​eta ne publie pas de donnée comparable pour M​use Spark 1.3 que nous ayons pu vérifier.

Ce que le chiffre du coût par tâche vous dit et ne vous dit pas

Le chiffre de 0,72 $ contre 1,60 $ est le nombre unique le plus utile de cette comparaison, et c’est aussi le plus facile à mal utiliser. Il s’agit du coût moyen d’exécution d’une tâche Intelligence Index au niveau d’effort de raisonnement maximal, qui est un mélange spécifique d’évaluations à forte composante de raisonnement et à sortie longue — et non de votre charge de travail. Si votre application se résume à une question courte et à une réponse courte, vos jetons par requête sont minuscules et le tarif d’entrée de 1,25 $ de M​use Spark 1.3 l’emporte haut la main. Si votre application est un agent qui raisonne longuement et écrit beaucoup de texte intermédiaire, la verbosité est le principal facteur de coût, et les 67 M de jetons de Sol contre les 170 M de M​use Spark font la différence entre une facture soutenable et une facture désagréable. La manière honnête d’utiliser cette paire de chiffres est d’y voir un avertissement : les tarifs par jeton classent ces deux modèles d’une manière, tandis que l’économie par tâche accomplie les classe dans l’autre sens, et seule votre propre répartition de jetons vous dit sous quel classement vous évoluez.

Mettre les deux sur une seule touche

GPT-6.1 Sol est disponible sur OrcaRouter, et c'est aussi le cas des deux checkpoints Muse Spark que nous servons — Muse Spark 1.2 et Muse Spark 1.1 — au prix catalogue de chaque fournisseur, avec 0 % de marge ajoutée. Une seule API pour plus de 200 modèles signifie que la question de la verbosité ci-dessus peut recevoir une réponse empirique plutôt que théorique : enregistrez le nombre de tokens de quelques centaines de requêtes réelles via un point de terminaison unique, puis utilisez le DSL de routage pour envoyer la part de votre trafic à long raisonnement vers le camp qui l'emporte réellement sur votre distribution, avec un basculement automatique qui couvre le modèle perdant. Comme le palier à contexte long de Sol fait basculer le prix à 272 K tokens d'entrée, ce basculement vous offre aussi un endroit où placer une requête qui franchirait autrement le seuil.

La mise en garde que nous vous devons : M​use Spark 1.3 ne figure pas à notre catalogue, donc le volet M​use Spark de ce test tourne sur la 1.2, qu'Artificial Analysis mesure un point en dessous de M​use Spark Open et qui porte désormais un avis de dépréciation renvoyant à la 1.3. Et chaque chiffre de fournisseur dans cet article — les deltas d'O​penAI, le tableau de scores de M​eta — est une affirmation, pas une mesure ; les seuls chiffres ici que nous défendrions comme indépendants sont les lignes d'Artificial Analysis.

La décision, clairement énoncée

Au vu des éléments, GPT-6.1 Sol remporte ce duel sur les métriques qui décident habituellement de l’adoption en entreprise : score d’indice indépendant supérieur, coût environ 2,2 fois inférieur par tâche accomplie, moitié du volume de sortie, sortie maximale documentée, et niveaux de service publiés permettant d’arbitrer vitesse contre prix. M​use Spark 1.3 l’emporte sur les trois choses qu’une moyenne par tâche masque : il accepte la vidéo, il est environ 2,3 fois plus rapide une fois la génération lancée, et son tarif ne change pas de palier lorsqu’un prompt s’allonge. Si votre charge de travail comporte de la vidéo en entrée ou est sensible à la latence, le modèle le moins cher par tâche est le mauvais modèle. S’il s’agit de raisonnement à long horizon avec beaucoup de production écrite, le tableau par token vous ment et Sol est le meilleur achat d’un facteur deux.

Les comparaisons comme celle-ci sont également le lieu où se manifestent les modes de défaillance : les incidents d'IA documentés et les défaillances d'agents derrière les modèles de cette classe sont collectés dans l'Archive des incidents d'IA d'OrcaRouter, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.