Muse Spark対Claude Opus 5.5：知能の10ポイント差と3.7倍の請求額

The comparison between Muse Spark and Claude Opus 5.5 is usually written as a scoreboard, and the scoreboard does have a winner: on Artificial Analysis' Intelligence Index the current Muse Spark — Muse Spark 1.3 at its max reasoning setting — scores 48, while Claude Opus 5.5 at max effort with default fallback scores 58 and sits first on the board. That is the number everyone quotes. The number almost nobody quotes sits on the same page: completing one Intelligence Index task costs $1.60 on Muse Spark 1.3 and $5.98 on O​pus 5.5. Ten index points for roughly 3.7x the money per task, with Muse Spark also running about 28% faster and emitting a third fewer tokens to get there. Neither of those figures is ours — both come from Artificial Analysis' own hosted listings — and which one matters depends entirely on what you are doing, so this piece is about separating the two questions rather than picking a side.

まず、モデル名が隠しているもの

Muse Spark is not one model, and the matchup only makes sense once you fix a version. The line runs Muse Spark 1.1 (July 16, 2026), Muse Spark 1.2 (August 5, 2026) and Muse Spark 1.3 (September 2, 2026), all from M​eta Superintelligence Labs, all sharing a 1,048,576-token context window and a text-out modality. M​eta labels 1.3 current. Muse Spark 1.3 also gained its "max" reasoning level on September 4, two days after launch, after M​eta finished additional safety testing — and that matters here because every AI-lab scorecard, M​eta's included, was produced at that setting, while the model most developers actually called for the first two days was capped at xhigh.

Claude Opus 5.5 arrived on September 22, 2026, the first release in A​nthropic's 5.5 family, and it is a simpler object: one GA model, adaptive thinking always on, effort selectable from low to max. A​nthropic's own framing was cost — it says O​pus 5.5 costs 40% less to run than Claude Opus 5, with input and output at $4 and $20 per million tokens and cache reads at $0.20, a 60% cut on cache reads versus its predecessor. Claude Fable 5.1 still sits above it for the hardest reasoning work.

つまり、正直に言えば、同じファミリー名の下で何度も参照先を変えられ続けているモデルと、一度だけ固定構成で出荷され、それ以降変わっていないモデルとの比較だ。

独立した数字、それぞれのアスタリスク付き

Artificial Analysisは、両方についての公開リストを持つ唯一の第三者であり、それを同じバケットで比較しているわけではない——オープンウェイトモデルは同じサイズクラスのオープンウェイトモデルと、プロプライエタリモデルはより広い分野とランク付けされる。これらはどちらもプロプライエタリなので、その特定の歪みは作用していない。作用しているのは、どちらのリストも他方のハーネスの管理された再実行ではないということだ。

• Muse Spark 1.3 (max) — Intelligence Index 48、217中24位；出力速度121.9トークン/秒；100万トークンあたり$1.25入力 / $4.25出力；インデックスタスクあたり$1.60；インデックス中に170Mの出力トークンを生成。

• Claude Opus 5.5（max、デフォルトのフォールバック）— インテリジェンス指数58、217モデル中1位、出力速度95.2トークン/秒、入力$4.00 / 出力$20.00、インデックスタスクあたり$5.98、出力トークン260M。

その2つのリストを並べて見れば、このトレードオフの形は一切の解釈を挟まずに目に見える。O​pus 5.5 は知能で10ポイント勝ち、しかもより冗長でありながら勝っている——260Mトークン対170M——つまり倹約でスコアを買っているわけではない。Muse Spark 1.3 はより速く、トークンあたりも安く、完了タスクあたりも安く、そして口数も少ない。差が最も大きいのはタスクあたり価格の行だ。O​pus 5.5 の index タスク1件分のコストで、Muse Spark 1.3 の index タスクはおよそ3.7件実行できる。

もう一つの独立したデータ点です。逆方向に働くもので、述べておく価値があります。LMArenaのテキストリーダーボードでは、Claude Opus 5.5のある構成が総合3位でElo 1508に位置しており、Muse Spark 1.3はそのボードにまったく登場していません。人間の選好投票とベンチマーク指標は、その大きさについて一致していませんが、これは普通のことです。ただ、それは10ポイントの差を「あらゆる面で10%劣る」と読むべきではないということを意味します。

ベンダー各社によれば、ギャップが最も大きいのはどこか

ベンダーのスコアカードは相互に比較できるものではなく、どちらのベンダーも同じベンチマークを公表しているわけではないが、重なっている部分は示唆に富む。以下はすべてベンダーによる報告であり、当社による再現は行っていない。

• Terminal-Bench 4.0 — Opus 5.5：66.4%、Anthropicの注記によるとxhigh effortで実行。Metaは代わりにMuse SparkをTerminal-Bench 2.1で報告しており、そこではこのファミリーの公開スコアはTerminus 2エージェントで76.4。ベンチマークのバージョンが異なり、エージェントも異なる — それらを差し引いてはいけません。

• GDPval-AA — Opus 5.5：v2.1で1846 Elo。Muse Spark 1.3：v2で1,754。2回の測定の間でバージョンが変わったため、92ポイントの差は方向性としては実在するが、数値的には不確かだ。

• エージェントによるコンピュータ操作 — Opus 5.5：OSWorld 2.1 で 81.8%、ただし「partial」扱い。Muse Spark 1.3：OSWorld 2.0 で 66.9。繰り返しになるが、同じベンチマークファミリーの異なるリビジョンだ。

• Terminal-Bench-Science 0.1 — O​pus 5.5：58.7%。M​eta は Muse Spark 1.3 に相当するものを公表していない。

A​nthropicは、自社の表の限界について異例なほど明示しており、この能力水準では「ベンチマークのスコア差は、現実世界の違いを知るうえで、以前ほど信頼できない手引きになっている」と指摘している。この一文は、どちらの方向にも額面どおりに受け取る価値がある。それは、10ポイントのAA差を弱めるのと同じくらい、M​etaのDeepSWEの位置づけに関する主張も弱める。

ポイント以外に何を諦めるのか

• 入力モダリティ — Muse Spark 1.3 はテキスト、画像、動画に対応。Claude Opus 5.5 はテキストと画像に対応。パイプラインが画面録画や動画をそのままモデルに流し込むなら、これは僅差の話ではなく、インデックスの差など無関係だ。

• 最大出力 — Opus 5.5 は同期的に最大 128K トークン、ベータヘッダーの背後にある Batches API 経由では 300K を返します。Muse Spark 1.3 については、Meta が最大出力の数値を公表しておらず、当社では検証できませんでした。1 回の呼び出しで長いアーティファクトを生成する場合、公表されていない上限は想定すべきではなく、テストすべきリスクです。

• キャッシュ経済性 — Opus 5.5 のキャッシュ読み取りは100万あたり $0.20 で、入力に対する95%割引です。Muse Spark 1.3 のそれは $0.15 で、88%割引です。キャッシュを多用するエージェントループでは、これによってタスクあたりの計算が公表レートと比べて縮まったり逆転したりするため、この2つを定価だけで比較する際に最も間違えやすい点です。

• コンテキスト — どちらも1M。分けるものは何もない。

• リリース頻度 — O​pus 5.5 は単一モデル・単一価格で、9月以降変わっていません。Muse Spark は3か月で3回も向き先を変え、その上さらに推論レベルを追加しました。それが健全なイテレーションなのか、統合上のリスクなのかは、評価を再実行するのがどれだけ好きかによります。

2つ目の連携なしで両方を実行する

この比較の両側はどちらも OrcaRouter 上にあります — Claude Opus 5.5 と、当社が提供する2つの Muse Spark チェックポイント、Muse Spark 1.2 と Muse Spark 1.1 — 200以上のモデルにまたがる1つの API を通じて、各プロバイダーの定価で、0% のマークアップをそのまま適用。これが、この記事が提起する問いに対する実践的な答えです。あなたのワークロードに本当に追加の10インデックスポイントが必要かどうかを見極める方法は、本番トラフィックの一部を、$1.25 入力 / $4.25 出力の Muse Spark 1.2 にルーティングし、同じキーで Opus 5.5 上の同じプロンプトと比較することです。自動フェイルオーバーにより、不良な実行はエラーページではなく、もう一方のモデルへフォールバックします。2つ目の契約も、2つ目の SDK も、移行も不要です。

私たち自身のカバレッジについて、正直な注意点が2つあります。Muse Spark 1.3 は本日時点で当社のカタログにないため、上記のルーティング比較は 1.2 から始まっています。これは Artificial Analysis が Muse Spark Open より1ポイント低いと測定しているチェックポイントで、現在は 1.3 を指す非推奨通知が付いています。また、この比較は Anthropic と Meta が公表した数値に Artificial Analysis の独立した掲載情報を加えたものに基づいています。どちらのモデルのベンチマークも再実行しておらず、上記のベンダー行は主張として読むべきです。

後で確認する価値のあるバージョン

もしあなたがここに持ち込んだ問いが「安いほうで十分か」だとしたら、今日の正直な答えはこうです。安いほうは48、O​pus 5.5は58で、より速く、冗長でなく、完了したタスクあたり約3.7倍安い——そして、ベンチマークの誤差幅に関するA​nthropic自身の但し書きこそが、決めるのではなく試すべきだという最も強い根拠です。あなたの仕事が動画入力、極端に長い単一出力、あるいは難解な推論の最後の数点を扱うものであるなら、O​pus 5.5はそうした点が文書化されたうえで出荷されたモデルです。注視すべきは、次のMuse Sparkのバージョン番号ではなく、Muse Spark 1.3がすでに使っているルーター上に、いくらで登場するかです——このファミリーの価格は1.1、1.2、1.3を通じて$1.25 / $4.25で安定しており、それ自体が、M​etaがドルではなく1ドルあたりの能力で競争しているというシグナルです。

今回の比較の内側ではなく、外側に置くべき開発が一つあり、それが今週このファミリーについて記事が書かれているそもそもの理由である。2026年10月15日 — Muse Spark 1.3の出荷から13日後、本記事の前日 — に、MetaはMuse Spark Openの重みとライセンスを公開した。これはこのファミリーのもう一つのオープンウェイト版であり、そのリポジトリは9月15日以降、ゲートされたまま告知もされずに放置されていた。現在出回っている816B総パラメータ／42Bアクティブのアーキテクチャはそのリリースのものであって、上記で測定されたクローズドな1.3ではない。Artificial Analysisは実際にそれを掲載しており、知能指数は39で、本記事がMuse Spark 1.3に帰している48と対照をなす。そしてMetaは、それに関する自社スコアカードの根拠となる評価レポートを公開していない。つまり、成果物の存在は確認されているが、性能の主張は確認されていない。本比較がそれを対象に含んでいると読んではならない。

数字からは分からないのは、それが現場で何か問題を起こしていないかどうかだ。このクラスのモデルに関する、記録されたAIインシデントやエージェントの障害は、OrcaRouter AIインシデントアーカイブに集められており、各項目にはそれぞれの情報源、深刻度、信頼度グレード、異議ありフラグが付されている。