Muse Spark kontra Claude Opus 5.5: dziesięć punktów inteligencji i 3,7 razy większa faktura

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.

Po pierwsze, to, co ukrywa nazwa modelu

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.

Uczciwy opis to więc porównanie między modelem, który wciąż jest przepinany pod tą samą nazwą rodziny, a modelem, który został wydany raz w stałej konfiguracji i od tego czasu się nie zmienił.

Niezależne liczby, z ich gwiazdką

Artificial Analysis to jedyna strona trzecia z publicznymi zestawieniami dla obu, i nie porównuje ich w tej samej kategorii — modele z otwartymi wagami są klasyfikowane względem modeli z otwartymi wagami tej samej klasy rozmiaru, a modele własnościowe względem szerszego grona. Oba te modele są własnościowe, więc to konkretne zniekształcenie nie występuje; w grę wchodzi natomiast to, że żadne z tych zestawień nie jest kontrolowanym powtórzeniem środowiska testowego drugiego z nich.

• Muse Spark 1.3 (max) — Intelligence Index 48, pozycja 24 na 217; szybkość generowania 121,9 tokenów/sekundę; 1,25 USD za wejście / 4,25 USD za wyjście za milion tokenów; 1,60 USD za zadanie indeksu; 170 mln tokenów wyjściowych wygenerowanych podczas indeksu.

• Claude Opus 5.5 (max, domyślny fallback) — Indeks Inteligencji 58, miejsce 1 z 217; prędkość generowania 95,2 tokena/sekundę; $4,00 za wejście / $20,00 za wyjście; $5,98 za zadanie indeksowe; 260 mln tokenów wyjściowych.

Read those two lists side by side and the shape of the trade is visible without any interpretation. O​pus 5.5 wins intelligence by 10 points and wins it while being more verbose, not less — 260M tokens against 170M — so it is not buying its score with economy. Muse Spark 1.3 is faster, cheaper per token, cheaper per completed task, and less talkative. On the price-per-task line is where the gap is widest: you can run roughly 3.7 Muse Spark 1.3 index tasks for the cost of one O​pus 5.5 index task.

Jeszcze jeden niezależny punkt danych, bo działa w przeciwnym kierunku i warto go przytoczyć: ranking tekstowy LMArena umieszcza konfigurację Claude Opus 5.5 na 3. miejscu ogółem z 1508 punktami Elo, a Muse Spark 1.3 nie pojawia się na tej liście w ogóle. Głosowanie oparte na preferencjach ludzi i indeks benchmarkowy nie zgadzają się co do skali, co jest normalne, ale oznacza to, że 10-punktowej różnicy nie należy odczytywać jako „o 10% gorszy we wszystkim”.

Tam, gdzie luka jest największa, według dostawców

Karty wyników dostawców nie są porównywalne między sobą i żaden z dostawców nie opublikował tych samych benchmarków, ale ich częściowe pokrywanie się jest pouczające. Wszystko poniżej pochodzi od dostawców i nie zostało przez nas odtworzone.

• Terminal-Bench 4.0 — O​pus 5.5: 66.4%, run at xhigh effort per A​nthropic's note. M​eta reports Muse Spark on Terminal-Bench 2.1 instead, where the family's published score is 76.4 with the Terminus 2 agent. Different benchmark versions, different agents — do not subtract them.

• GDPval-AA — O​pus 5.5: 1846 Elo on v2.1. Muse Spark 1.3: 1,754 on v2. The version moved between the two measurements, so the 92-point gap is directionally real and numerically soft.

• Agentic computer use — O​pus 5.5: 81.8% on OSWorld 2.1, marked "partial". Muse Spark 1.3: 66.9 on OSWorld 2.0. Again, different revisions of the same benchmark family.

• Terminal-Bench-Science 0.1 — O​pus 5.5: 58.7%. M​eta publishes no equivalent for Muse Spark 1.3.

Anthropic w niezwykle wyraźny sposób mówi o ograniczeniach własnej tabeli, zauważając, że na tym poziomie możliwości „marginesy benchmarków stały się mniej wiarygodnym wskaźnikiem rzeczywistych różnic”. To zdanie warto przyjąć dosłownie w obie strony: podważa ono 10-punktową lukę AA w takim samym stopniu, w jakim podważa twierdzenia Meta o pozycji DeepSWE.

Co poświęcasz oprócz punktów

• Obsługiwane modalności — Muse Spark 1.3 przyjmuje tekst, obraz i wideo. Claude Opus 5.5 przyjmuje tekst i obraz. Jeśli Twój potok przesyła nagrania ekranu lub wideo bezpośrednio do modelu, wybór jest tu oczywisty, a różnica w indeksie nie ma znaczenia.

• Maximum output — O​pus 5.5 returns up to 128K tokens synchronously, and 300K through the Batches API behind a beta header. M​eta does not publish a max-output figure for Muse Spark 1.3 that we could verify. If you generate long artifacts in a single call, an unpublished ceiling is a risk you should test rather than assume.

• Cache economics — O​pus 5.5's cache read is $0.20 per million, a 95% discount off input. Muse Spark 1.3's is $0.15, an 88% discount. For a heavily cached agent loop this narrows or inverts the per-task arithmetic versus the headline rates, and it is the single easiest thing to get wrong when comparing these two on list price alone.

• Kontekst — oba to 1M. Nie ma czego rozdzielać.

• Release cadence — O​pus 5.5 is one model with one price and has not changed since September. Muse Spark has re-pointed three times in three months and then added a reasoning level on top. That is either healthy iteration or an integration hazard, depending on how much you like re-running evals.

Uruchamianie obu bez drugiej integracji

Both sides of this comparison are on OrcaRouter — Claude Opus 5.5 and the two Muse Spark checkpoints we serve, Muse Spark 1.2 and Muse Spark 1.1 — through one API across 200+ models, at each provider's list price with 0% markup passed through. Which is the practical answer to the question this article poses: the way to find out whether your workload really needs the extra ten index points is to route a slice of production traffic to Muse Spark 1.2 at $1.25 in / $4.25 out and compare it against the same prompts on O​pus 5.5, on the same key, with automatic failover so a bad run degrades to the other model rather than to an error page. No second contract, no second SDK, no migration.

Dwa uczciwe zastrzeżenia dotyczące naszego własnego zakresu. Muse Spark 1.3 nie znajduje się dziś w naszym katalogu, więc powyższe porównanie routingu zaczyna się od 1.2, który jest checkpointem, który Artificial Analysis mierzy o jeden punkt poniżej Muse Spark Open i który ma teraz komunikat o wycofaniu wskazujący na 1.3. A to porównanie opiera się na opublikowanych danych Anthropic i Meta oraz niezależnych zestawieniach Artificial Analysis; nie powtórzyliśmy benchmarków żadnego z tych modeli, a powyższe wiersze dostawców należy odczytywać jako twierdzenia.

Wersja, do której warto wrócić

If the question you brought here is "is the cheap one good enough", the honest answer today is that the cheap one is 48 to O​pus 5.5's 58, faster, less verbose and about 3.7x cheaper per completed task — and that A​nthropic's own caveat about benchmark margins is the strongest argument for testing rather than deciding. If your work involves video in, extremely long single outputs, or the last few points of hard reasoning, O​pus 5.5 is the model that shipped with those things documented. The thing to watch is not the next Muse Spark version number but whether Muse Spark 1.3 arrives on a router you already use, and at what price — the family's pricing has been stable at $1.25 / $4.25 across 1.1, 1.2 and 1.3, which is itself a signal that M​eta is competing on capability per dollar rather than on the dollar.

Jedno wydarzenie należy do tła tego porównania, a nie do niego samego, i to właśnie z jego powodu w tym tygodniu w ogóle pisze się o tej rodzinie. 15 października 2026 r. — trzynaście dni po premierze Muse Spark 1.3 i dzień przed tym artykułem — M​eta opublikowała wagi i licencję dla Muse Spark Open, osobnego członka rodziny o otwartych wagach, którego repozytorium od 15 września pozostawało ukryte za bramką i nieogłoszone. Krążąca obecnie architektura o 816 mld parametrów łącznie i 42 mld aktywnych to właśnie to wydanie, a nie zamknięty model 1.3 zmierzony powyżej. Artificial Analysis owszem, uwzględnia go, z indeksem inteligencji 39 wobec 48, które ten artykuł przypisuje Muse Spark 1.3, a M​eta nie opublikowała raportu ewaluacyjnego stojącego za własną kartą wyników dla tego modelu. Sam artefakt jest więc potwierdzony, a twierdzenie o wydajności już nie; nie należy odczytywać tego porównania jako obejmującego ten model.

To, czego liczby nie mogą ci powiedzieć, to czy cokolwiek z tego poszło nie tak w terenie: udokumentowane incydenty AI i awarie agentów dotyczące modeli tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i flagę sporu.