Muse Spark so với Claude Opus 5.5: Mười điểm trí tuệ và hóa đơn gấp 3,7 lần

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.

Đầu tiên, điều mà cái tên model che giấu

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.

Vậy nên mô tả trung thực sẽ là một sự so sánh giữa một mô hình liên tục được trỏ lại dưới cùng một tên dòng, và một mô hình chỉ phát hành một lần với một cấu hình cố định rồi không hề thay đổi kể từ đó.

Những con số độc lập, cùng với dấu hoa thị của chúng.

Artificial Analysis là bên thứ ba duy nhất có danh sách công khai cho cả hai, và nó không so sánh chúng trong cùng một nhóm — các mô hình trọng số mở được xếp hạng với các mô hình trọng số mở cùng lớp kích thước, còn các mô hình độc quyền được xếp với tập thể rộng hơn. Cả hai mô hình này đều độc quyền, nên sự sai lệch cụ thể đó không có vai trò; điều có vai trò là việc không danh sách nào là bản chạy lại có kiểm soát trên khung đánh giá của bên kia.

• Muse Spark 1.3 (max) — Intelligence Index 48, xếp hạng 24 trong số 217; tốc độ đầu ra 121,9 token/giây; 1,25 USD đầu vào / 4,25 USD đầu ra mỗi triệu token; 1,60 USD mỗi tác vụ chỉ số; 170 triệu token đầu ra được tạo ra trong quá trình chạy chỉ số.

• Claude Opus 5.5 (max, dự phòng mặc định) — Chỉ số Trí tuệ 58, xếp hạng 1 trong 217; tốc độ đầu ra 95.2 token/giây; $4.00 vào / $20.00 ra; $5.98 mỗi tác vụ chỉ số; 260M token đầu ra.

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.

Thêm một điểm dữ liệu độc lập nữa, vì nó lại nghiêng theo hướng ngược lại và đáng để nói ra: bảng xếp hạng văn bản của LMArena xếp một cấu hình Claude Opus 5.5 ở vị trí thứ 3 chung cuộc với 1508 Elo, còn Muse Spark 1.3 thậm chí không xuất hiện trên bảng xếp hạng đó. Việc bỏ phiếu theo sở thích của con người và một chỉ số điểm chuẩn không đồng thuận về độ lớn là điều bình thường, nhưng điều đó quả thực có nghĩa là khoảng cách 10 điểm không nên được hiểu là “kém hơn 10% ở mọi thứ”.

Nơi khoảng cách lớn nhất, theo các nhà cung cấp

Bảng điểm nhà cung cấp không thể so sánh với nhau và cả hai nhà cung cấp đều không công bố cùng các chuẩn đối sánh, nhưng phần trùng lặp thì có tính chỉ dẫn. Mọi nội dung dưới đây do nhà cung cấp báo cáo và chưa được chúng tôi tái lập.

• 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.

A​nthropic is unusually explicit about the limits of its own table, noting that at this level of capability "benchmark margins have become a less reliable guide to real-world differences". That sentence is worth taking at face value in both directions: it undercuts the 10-point AA gap as much as it undercuts M​eta's DeepSWE placement claims.

Bạn phải đánh đổi điều gì ngoài số điểm?

• Các phương thức đầu vào — Muse Spark 1.3 chấp nhận văn bản, hình ảnh và video. Claude Opus 5.5 chấp nhận văn bản và hình ảnh. Nếu pipeline của bạn đưa bản ghi màn hình hoặc video trực tiếp vào mô hình, thì đây không phải là một lựa chọn sát nút và khoảng cách chỉ số là không liên quan.

• 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.

• Ngữ cảnh — cả hai đều là 1M. Không có gì để tách biệt.

• 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.

Chạy cả hai mà không cần tích hợp thứ hai

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.

Two honest caveats about our own coverage. Muse Spark 1.3 is not on our catalogue today, so the routing comparison above starts from 1.2, which is the checkpoint Artificial Analysis measures one point below Muse Spark Open and which now carries a deprecation notice pointing at 1.3. And this comparison rests on A​nthropic's and M​eta's published figures plus Artificial Analysis' independent listings; we have not re-run either model's benchmarks, and the vendor rows above should be read as claims.

Phiên bản đáng để quay lại kiểm tra

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.

One development belongs outside this matchup rather than inside it, and it is the reason this family is being written about this week at all. On October 15, 2026 — thirteen days after Muse Spark 1.3 shipped and the day before this article — M​eta published the weights and licence for Muse Spark Open, the family's separate open-weight member, whose repository had been sitting gated and unannounced since September 15. The 816B-total / 42B-active architecture currently circulating is that release, not the closed 1.3 measured above. Artificial Analysis does list it, at an intelligence index of 39 against the 48 this article attributes to Muse Spark 1.3, and M​eta has not published the evaluation report behind its own scorecard for it. So the artefact is confirmed and the performance claim is not; do not read this comparison as covering it.

Điều mà những con số không thể cho bạn biết là liệu có bất kỳ phần nào trong đó đã gặp trục trặc trong thực tế hay không: các sự cố AI và lỗi agent được ghi nhận liên quan đến các mô hình thuộc lớp này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.