Muse Spark против Grok 4.7: где Индекс и Арена расходятся во мнениях

На бумаге это самое однозначное противостояние в текущем поле. Muse Spark 1.3, текущий чекпоинт линейки Muse Spark от Meta Superintelligence Labs, набирает 48 баллов в Intelligence Index от Artificial Analysis при максимальной настройке рассуждений и обходится в $1.60 за выполнение одной задачи индекса. Grok 4.7, выпущенный 21 сентября 2026 года, набирает 46 баллов при настройке xhigh и стоит $3.74 за ту же задачу. Muse Spark выигрывает по индексу, выигрывает по цене за токен и на входе, и на выходе, выигрывает по контекстному окну, выигрывает по скорости вывода и при этом генерирует меньше токенов. А затем вы открываете второй независимый лидерборд, и картина меняется: Grok 4.7 занимает 89-е место в текстовом лидерборде LMArena с 1444 Elo по итогам почти двенадцати тысяч голосов, а Muse Spark 1.3 в этом лидерборде вообще отсутствует. Именно это расхождение — а не разрыв в индексе в два балла — стоит понять, прежде чем выбирать, потому что какой бы лидерборд ни был ближе вашим пользователям, именно он решит, будет ли ваша миграция выглядеть как апгрейд.

Две модели, которые делают одну и ту же ставку

Grok 4.7 и ‌Muse Spark 1.3 почти идентичны по философии дизайна. Обе позиционируются как флагманские модели рассуждений, продвигаемые в рамках агентной парадигмы с длинным горизонтом. Обе публикуют свои ключевые показатели бенчмарков при экстремальной настройке усилий, а не при значении по умолчанию. Обе, по независимой оценке, необычно разговорчивы. И обе ничего не изменили в ценообразовании на момент релиза — Grok 4.7 предоставлялся по той же цене и с той же скоростью, что и Grok 4.6, а Muse Spark удерживает $1.25 на входе и $4.25 на выходе на протяжении трёх последовательных контрольных точек.

Собственная документация Grok 4.7 описывает его как флагман xAI для «кода и всего остального: агентного вызова инструментов, минимума галлюцинаций, настраиваемого рассуждения», и это заявление о надёжности, а не о сырой мощности. Формулировка Meta для Muse Spark 1.3 — «обучена для агентных рабочих процессов и оптимизирована для производительности в соревновательном программировании». Два вендора описывают одну и ту же задачу, а цифры в основном в пользу одного из них.

Одно замечание по названиям перед цифрами, потому что на этом люди обжигаются: M​use Spark — это семейство. M​use Spark 1.1 (июль 2026) и M​use Spark 1.2 (август 2026) имеют ту же строку модальностей и то же контекстное окно, что и 1.3, и отличаются только возможностями. Название «M​use Spark» без версии относится к оригинальной модели апреля 2026 года. Сравнивать Grok 4.7 с чем-либо, кроме 1.3, — значит сравнивать его с перепривязанным более старым чекпойнтом.

Независимые числа, бок о бок

Всё ниже — это собственное измерение Artificial Analysis, проведённое на их платформе при высокопроизводительной конфигурации каждой модели. Ни одна из строк не является заявлением производителя.

• Индекс интеллекта — Muse Spark 1.3 (max): 48, 24-е место из 217. Grok 4.7 (xhigh): 46, 30-е место из 217.

• Стоимость одной задачи индексирования — M​use Spark 1.3: $1.60. Grok 4.7: $3.74. M​use Spark в 2,3 раза дешевле в расчёте на выполненную задачу.

• Выходные токены в ходе индексации — M​use Spark 1.3: 170M. Grok 4.7: 240M. Обе помечены как очень многословные; G​rok — на 41% более многословен.

• Скорость вывода — M​use Spark 1.3: 121,9 токена в секунду, 43-е место из 186. Grok 4.7: 90,8 токена в секунду, 87-е место из 186.

• Время до первого токена — Grok 4.7 в среднем составляет 37,26 секунды, что в листинге отнесено к верхней границе на фоне медианы по уровню 3,70 с. Для M​use Spark 1.3 сопоставимый показатель не опубликован — это пробел, а не выигрыш; мы не собираемся считать отсутствующее число хорошим.

• Цены по прайс-листу — Grok 4.7: $2.00 за ввод / $6.00 за вывод, кэшированный ввод — $0.50 для промптов менее 200 000 токенов. Muse Spark 1.3: $1.25 за ввод / $4.25 за вывод, кэшированный ввод — $0.15, без порога.

• Контекст — Grok 4.7: 500 000 токенов. M​use Spark 1.3: 1 048 576.

• Модальности — обе принимают текст и изображение и возвращают текст; M​use Spark 1.3 добавляет ввод видео, чего нет в документации Grok 4.7.

Ценовой порог, о котором никто не упоминает

Grok 4.7 тарифицируется по уровням, и порог находится на отметке 200 000 токенов промпта: ниже него вы платите $2,00 за ввод и $6,00 за вывод; на уровне или выше весь запрос тарифицируется по $4,00 за ввод и $12,00 за вывод, а кэшированный ввод поднимается с $0,50 до $1,00. Это правило — не ценообразование по маржинальному использованию: пересечение границы переоценивает всё в запросе. При контекстном окне в 500 000 токенов это люк-ловушка, расположенная на 40% глубины окна, и любой конвейер извлечения, который набивает документы в промпт Grok, столкнётся с ним через месяц после запуска.

Muse Spark 1.3 не публикует сопоставимой структуры тарифных уровней: одна ставка на всё окно в 1 млн токенов. Для тех, кто намеренно использует большие промпты, это ценнее, чем разрыв в два пункта в индексе. Это также усиливается за счёт разницы в кэшировании — кэшированный ввод Grok стоит $0.50 за миллион против $0.15 у Muse Spark — поэтому в агентном цикле с интенсивным кэшированием, работающем вблизи порога, фактический разрыв в стоимости между этими двумя шире, чем можно предположить по заявленным ставкам, а не уже.

Где у Grok 4.7 есть настоящие основания

Приведённая выше однобокая таблица — это ещё не весь аргумент, и три вещи на стороне Grok заслуживают прямого изложения.

Во-первых, уровни задержки. xAI выпускает вариант Grok 4.7 Fast, который вдвое быстрее и вдвое дороже, распространяется через Cursor и Grok Build, а не через публичный API. Если ваше ограничение — интерактивная отзывчивость в часы пик, то наличие санкционированного вендором быстрого уровня для той же модели — реальный операционный вариант. Meta не публикует аналог для Muse Spark 1.3.

Во-вторых, полнота документации. Grok 4.7 публикует дату отсечки знаний — май 2026 года — и полную картину по лимитам запросов и региональной доступности; опубликованные данные Muse Spark 1.3 не включают дату отсечки знаний или максимальный объём вывода, который мы могли бы проверить. Когда две модели близки, именно та, чьи ограничения задокументированы, позволяет планировать, а молчание вендора о потолке не равнозначно отсутствию потолка.

В-третьих, и это самое важное для построения этого материала: сигнал человеческого предпочтения указывает в противоположную сторону. Grok 4.7 занимает 89-е место в текстовом рейтинге LMArena, имея за собой 11 591 голос и рейтинг 1444 Elo — скромная позиция, но всё же измеренная. M​use Spark 1.3 в этом рейтинге отсутствует. Индексная оценка и оценка в арене отвечают на разные вопросы: индекс спрашивает, может ли модель выполнить набор сложных задач, а арена — предпочитают ли люди её ответы. Индексный ранг Grok 4.7, равный 30, при ранге в арене 89 говорит о вполне конкретной вещи: его возможности не конвертируются в предпочтение с той же скоростью, что у сопоставимых моделей. Отсутствие M​use Spark 1.3 говорит о менее конкретной, но не нейтральной вещи: свидетельств того, как люди реагируют на её выводы, попросту нет.

Претензии поставщиков хранятся отдельно.

Ни один из приведённых ниже наборов показателей не воспроизводится нами, и в этих двух списках недостаточно общих оценок, чтобы вычесть один из другого.

В анонсе xAI сообщается, что Grok 4.7 показывает 46,3% в CursorBench 4.0, 37,6% в Terminal-Bench 4.0, 64,0% в EEBench, 71,0% в DeepSWE v1.1 при высоком усилии, 19,6% в Harvey Legal Agent, 56,7% в HealthBench Professional и 1695 баллов Elo в GDPval при xhigh.

Оценочная таблица Meta для Muse Spark 1.3 сообщает следующие результаты: DeepSWE v1.1 — 75,4, OSWorld 2.0 — 66,9, Terminal-Bench 2.1 — 76,4 с агентом Terminus 2, MCP-Atlas — 89,2, GDPval-AA v2 — 1 754, SciCode — 58,5, HLE-Diamond без инструментов — 26,1 и JobBench — 61,8.

Соблазн — увидеть 75,4 против 71,0 в DeepSWE и назвать это победой Meta в четыре пункта. Не делайте этого: xAI публикует свой показатель при настройке high effort, тогда как лучший результат Meta относится к настройке max, а компании использовали разные тестовые стенды. Эти два списка на самом деле показывают характер разногласия, а не его масштаб.

Что меняет решение на практике

• Размер промпта — если ваши промпты превышают 200 000 токенов, пересмотр цен при превышении порога у Grok 4.7 — это самая крупная статья затрат в данном сравнении, и именно она делает таблицу цен за токен вводящей в заблуждение.

• Поиск и длинный контекст — окно в 1M у M​use Spark 1.3 против 500K у Grok 4.7 — это реальная разница в возможностях для работы с целыми репозиториями или документами, а не украшение в спецификации.

• Объём вывода — обе модели многословны; Grok 4.7 — в большей степени: 240 млн токенов по индексу против 170 млн. Если в вашем счёте преобладают выходные токены, вы выбираете между двумя дорогими вариантами, и более дешёвый из них — M​use Spark.

• Настройки рассуждений — Grok 4.7 предоставляет низкий, средний, высокий и xhigh, по умолчанию — высокий. Muse Spark 1.3 работает от минимального до максимального. Ни один из них нельзя полностью отключить.

• Потоковая передача и структурированный вывод — Grok 4.7 поддерживает вызов функций и структурированный вывод, а его Responses API всегда возвращает зашифрованное содержимое рассуждений; пакетная обработка не поддерживается. Если вы зависите от пакетных цен, это является дисквалифицирующим фактором на стороне Grok, и стоит сверить с собственными условиями API Muse Spark, прежде чем предполагать то же самое.

• Риск предпочтений — если планка качества вашего продукта определяется суждением пользователей, а не прохождением бенчмарков, у Grok 4.7 есть измеренная — пусть и нелестная — позиция на арене, а у Muse Spark 1.3 её нет. Ни одна из этих цифр не является причиной для миграции; отсутствие одной из них — причина провести собственное сравнение.

Размещение обоих на одном эндпоинте

Grok 4.7 доступен на OrcaRouter, а также два чекпоинта Muse Spark, которые мы обслуживаем, Muse Spark 1.2 и Muse Spark 1.1, по прейскурантной цене каждого провайдера с 0% наценки, передаваемой напрямую — один API для 200+ моделей, автоматическое переключение при сбое между ними и DSL маршрутизации для разделения трафика по правилам. Такое сочетание — самый дешёвый способ ответить на вопрос, на который эта статья не может ответить за вас. Порог в 200K на стороне G​rok особенно хорошо подходит на роль правила маршрутизации: ограничьте G​rok этим порогом, отправляйте слишком большие запросы модели с фиксированным тарифом, а в день, когда одна из них деградирует, пусть сработает автоматическое переключение при сбое.

Две оговорки. Сам Muse Spark 1.3 отсутствует в нашем каталоге, поэтому сторона Muse Spark любого теста, который вы запускаете здесь, начинается с 1.2 — чекпоинт, который Artificial Analysis измеряет на один пункт ниже Muse Spark Open и который теперь несёт уведомление об устаревании, указывающее на 1.3. И единственные числа в этой статье, которые мы готовы отстаивать как измерения, — это строки Artificial Analysis; цифры вендоров с обеих сторон — это утверждения, а место в LMArena предварительно по собственной маркировке.

Какой именно, сегодня?

Если вы выбираете на основе опубликованных независимых данных, и ваша рабочая нагрузка связана с длинным контекстом, видео на входе, большим кэшем или чувствительна к стоимости, M​use Spark 1.3 — более сильная модель почти по всем показателям и более дешёвая на одну выполненную задачу в 2,3 раза. Если ваша рабочая нагрузка укладывается в 200 000 токенов, зависит от структурированного вывода и вызова функций, выигрывает от быстрого уровня, управляемого вендором, или оценивается пользователями, а не завершением бенчмарка, у Grok 4.7 есть последовательный аргумент, который не улавливается сравнением индексов — и это единственная из двух моделей, у которой вообще есть показатель предпочтения людей. Честное резюме таково: это противостояние решается размером промпта и тем, кто оценивает вывод, и почти ничем другим ни в одной из двух таблиц.

Этот разрыв между тем, что измеряет табло результатов, и тем, с чем сталкивается реальное развёртывание, — как раз поэтому этот реестр важен: задокументированные сбои ИИ и инциденты с агентами, связанные с моделями этого класса, собраны в Архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, уровень серьёзности, оценку уверенности и отметку об оспаривании.