Muse Spark против Claude Opus 5.5: десять пунктов интеллекта и счёт в 3,7 раза больше

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.

Сначала то, что название модели скрывает.

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.

Итак, честное описание — это сравнение между моделью, которую снова и снова переназначают под одним и тем же названием семейства, и моделью, которая один раз была выпущена в фиксированной конфигурации и с тех пор не менялась.

Независимые числа со своей звёздочкой

Artificial Analysis — единственная третья сторона, у которой есть публичные рейтинги для обеих, и она не сравнивает их в одной категории: модели с открытыми весами ранжируются против моделей с открытыми весами того же размерного класса, проприетарные модели — против более широкого поля участников. Обе эти модели проприетарны, поэтому это конкретное искажение не играет роли; играет роль то, что ни один из рейтингов не является контролируемым повторным прогоном на тестовом стенде другой стороны.

• Muse Spark 1.3 (max) — Intelligence Index 48, место 24 из 217; скорость вывода 121,9 токенов/сек; $1,25 за вход / $4,25 за выход за миллион токенов; $1,60 за задачу индекса; 170 млн выходных токенов сгенерировано во время индекса.

• Claude Opus 5.5 (max, резервный вариант по умолчанию) — Intelligence Index 58, 1-е место из 217; скорость генерации 95.2 токена в секунду; $4.00 за вход / $20.00 за выход; $5.98 за задачу индекса; 260 млн выходных токенов.

Прочитайте эти два списка рядом — и форма компромисса видна без всякой интерпретации. O​pus 5.5 выигрывает в интеллекте на 10 пунктов и выигрывает, будучи при этом более многословным, а не менее — 260 млн токенов против 170 млн — так что он не покупает свой результат за счёт экономии. Muse Spark 1.3 быстрее, дешевле за токен, дешевле за выполненную задачу и менее разговорчив. Именно на строке цены за задачу разрыв самый большой: можно выполнить примерно 3,7 индексной задачи Muse Spark 1.3 по цене одной индексной задачи O​pus 5.5.

Ещё одна независимая точка данных, потому что она свидетельствует об обратном и её стоит привести: текстовый лидерборд LMArena ставит конфигурацию Claude Opus 5.5 на 3-е место в общем зачёте с 1508 Эло, а Muse Spark 1.3 вообще не появляется в этой таблице. Голосование по предпочтениям людей и индекс бенчмарка расходятся в оценке величины, что нормально, но это означает, что разрыв в 10 пунктов не следует воспринимать как «на 10% хуже во всём».

Там, где разрыв самый большой, по мнению поставщиков

Оценочные карты вендоров несопоставимы между собой, и ни один из вендоров не опубликовал одинаковые бенчмарки, но пересечения поучительны. Всё ниже основано на данных вендоров и не воспроизведено нами.

• Terminal-Bench 4.0 — Opus 5.5: 66,4 %, запуск при уровне усилий xhigh, как отмечено в примечании Anthropic. Meta вместо этого сообщает о Muse Spark на Terminal-Bench 2.1, где опубликованный результат этого семейства составляет 76,4 с агентом Terminus 2. Разные версии бенчмарка, разные агенты — не вычитайте их друг из друга.

• GDPval-AA — Opus 5.5: 1846 Elo на v2.1. Muse Spark 1.3: 1,754 на v2. Версия изменилась между двумя измерениями, поэтому разрыв в 92 пункта по направлению реален, а численно неустойчив.

• Агентное использование компьютера — O​pus 5.5: 81,8 % в OSWorld 2.1, с пометкой «частично». Muse Spark 1.3: 66,9 в OSWorld 2.0. И снова разные редакции одного и того же семейства бенчмарков.

• Terminal-Bench-Science 0.1 — O​pus 5.5: 58.7%. M​eta не публикует эквивалент для Muse Spark 1.3.

Anthropic необычно прямо говорит об ограничениях собственной таблицы, отмечая, что на этом уровне возможностей «разрывы в бенчмарках стали менее надёжным ориентиром для различий в реальном мире». Эту фразу стоит воспринимать буквально — в обоих направлениях: она в равной мере подрывает и 10-пунктовый разрыв AA, и заявления Meta о позиции DeepSWE.

Чем вы жертвуете помимо баллов

• Поддерживаемые модальности на входе — Muse Spark 1.3 принимает текст, изображения и видео. Claude Opus 5.5 принимает текст и изображения. Если ваш конвейер передаёт записи экрана или видео напрямую в модель, то тут и сравнивать нечего, и разрыв в индексе не имеет значения.

• Максимальный объём вывода — O​pus 5.5 возвращает до 128K токенов синхронно и до 300K через Batches API при наличии бета-заголовка. M​eta не публикует максимальное значение объёма вывода для Muse Spark 1.3, которое мы могли бы проверить. Если вы генерируете длинные артефакты одним вызовом, неопубликованный потолок — это риск, который следует проверять, а не предполагать.

• Экономика кеша — чтение из кеша Opus 5.5 стоит $0,20 за миллион, то есть скидка 95 % от стоимости ввода. У Muse Spark 1.3 — $0,15, скидка 88 %. Для агентного цикла с интенсивным кешированием это сужает или переворачивает арифметику на задачу по сравнению с заявленными тарифами, и это самое простое, в чём легче всего ошибиться, сравнивая эти две модели только по прейскуранту.

• Контекст — у обоих 1M. Разделять нечего.

• Частота релизов — Opus 5.5 — это одна модель с одной ценой, и она не менялась с сентября. Muse Spark за три месяца трижды переориентировался, а затем ещё и добавил сверху уровень рассуждений. Это либо здоровая итерация, либо риск для интеграции — в зависимости от того, насколько вы любите повторно прогонять оценочные тесты.

Запуск обоих без второй интеграции

Обе стороны этого сравнения доступны на OrcaRouter — Claude Opus 5.5 и две контрольные точки Muse Spark, которые мы обслуживаем, Muse Spark 1.2 и Muse Spark 1.1, — через один API среди более чем 200 моделей, по прайс-листовой цене каждого провайдера с нулевой наценкой. Это и есть практический ответ на вопрос, который ставит данная статья: чтобы выяснить, действительно ли вашей рабочей нагрузке нужны лишние десять пунктов индекса, следует направить часть продакшен-трафика на Muse Spark 1.2 по цене $1.25 за вход / $4.25 за выход и сравнить его с теми же запросами на Opus 5.5, используя тот же ключ и автоматическое переключение при сбое, чтобы неудачный прогон деградировал к другой модели, а не к странице ошибки. Никакого второго контракта, никакого второго SDK, никакой миграции.

Две честные оговорки относительно нашего собственного покрытия. Muse Spark 1.3 сегодня отсутствует в нашем каталоге, поэтому приведённое выше сравнение маршрутизации начинается с 1.2 — это чекпойнт, который Artificial Analysis оценивает на один пункт ниже Muse Spark Open и который теперь сопровождается уведомлением об устаревании, указывающим на 1.3. И это сравнение опирается на опубликованные показатели Anthropic и Meta, а также на независимые списки Artificial Analysis; мы не перезапускали бенчмарки ни одной из этих моделей, и строки вендоров выше следует читать как утверждения.

Версия, к которой стоит вернуться

Если вопрос, с которым вы пришли, — «достаточно ли хороша дешёвая модель», то честный ответ сегодня таков: дешёвая модель набирает 48 против 58 у O​pus 5.5, работает быстрее, менее многословна и примерно в 3,7 раза дешевле в расчёте на выполненную задачу — и что собственная оговорка A​nthropic о погрешностях бенчмарков — сильнейший аргумент в пользу тестирования, а не принятия решения. Если ваша работа связана с видео на входе, чрезвычайно длинными единичными выводами или с последними несколькими баллами в сложных рассуждениях, O​pus 5.5 — это модель, которая вышла с документацией по этим вещам. Следить стоит не за номером следующей версии Muse Spark, а за тем, появится ли Muse Spark 1.3 на роутере, которым вы уже пользуетесь, и по какой цене — цены этого семейства остаются стабильными на уровне $1,25 / $4,25 в версиях 1.1, 1.2 и 1.3, что само по себе сигнал: M​eta конкурирует возможностями на доллар, а не самим долларом.

Одно событие относится не к этому сравнению, а лежит за его рамками, и именно из-за него об этом семействе вообще пишут на этой неделе. 15 октября 2026 года — через тринадцать дней после выпуска Muse Spark 1.3 и за день до выхода этой статьи — Meta опубликовала веса и лицензию для Muse Spark Open — отдельного участника семейства с открытыми весами, чей репозиторий с 15 сентября оставался закрытым и неанонсированным. Архитектура с 816 млрд общих и 42 млрд активных параметров, которая сейчас обсуждается, — это именно тот релиз, а не закрытая 1.3, измеренная выше. Artificial Analysis действительно включает её в свои списки — с индексом интеллекта 39 против 48, которые эта статья приписывает Muse Spark 1.3, — и Meta не опубликовала отчёт об оценке, лежащий в основе её собственной карточки результатов. Так что сам артефакт подтверждён, а заявление о производительности — нет; не считайте, что это сравнение его охватывает.

Чего цифры не могут вам сказать, так это того, не пошло ли что-то не так на практике: задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись сопровождается собственными источниками, оценкой серьёзности, уровнем достоверности и отметкой о спорности.