Muse Spark 1.2 对比 GPT-5.6 Luna：对应4.6倍Token价格的三个指标点

Artificial Analysis 让这两个模型都跑完了同一套九项基准测试，并把账单留了下来。Muse Spark 1.2跑完这套测试花费了 637.85 美元。GPT-5.6 Luna跑完这套测试，则花费了 174.06 美元。尽管花费相差 3.7 倍，Meta 的模型仍然领先了三分——在智能指数上以 54 比 51 胜出。这笔交易是否划算，正是问题的全部所在，而答案在很大程度上与其说取决于基准测试，不如说取决于几乎没有人会去写到的两件事：你的智能体框架如何处理提示缓存，以及你的工作负载是否需要收听或观看任何内容。

下面的每个数据要么是独立的 Artificial Analysis 测量结果，要么是实时 API 列表，要么是 OrcaRouter 自身的生产遥测数据——最后这一类值得一开始就指出，因为它以一种富有启发性的方式与基准测试数字相矛盾。这里没有任何东西是伪装成结果的供应商声明；如果供应商是唯一来源，文中会明确说明。

比分比价格标签所暗示的更为接近

Muse Spark 1.2 在其 xhigh 推理设置下，在 Artificial Analysis Intelligence Index 上取得 54 分，在 185 个模型中排名第 13，而类别中位数为 32。GPT-5.6 Luna 在最大努力设置下取得 51 分。在由 GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience 和 AA-LCR 组成的综合基准上，两者相差三分。

三分之差是真实的，但幅度很小；上一代已有的分项得分能揭示其来源。Artificial Analysis的分维度数据显示，Muse Spark 1.1的编码指数为71.3、智能体指数为37.5；GPT-5.6 Luna则为71.4和45.6。编码方面两者打成平手，而Luna在智能体任务上领先八分——这正是Meta改写1.2产品描述时所宣称的那个维度。综合得分向Meta方向移动了三分。目前还没有人公布1.2的分维度细分，因此智能体能力差距是否真的缩小，仍未得到证实。

在混合令牌价格上，差距并不微小。Artificial Analysis 的混合费率将 Muse Spark 1.2 定为每百万令牌 0.78 美元，而 GPT-5.6 Luna 为 0.17 美元。标价：Muse Spark 1.2 输入 1.25 美元、输出 4.25 美元；Luna 输入 0.20 美元、输出 1.20 美元。

按工作单元而非按令牌计费，一个编码代理步骤读取 60,000 个令牌的上下文并输出 3,000 个令牌，在 Muse Spark 1.2 上大约花费 8.8 美分，在 GPT-5.6 Luna 上大约花费 1.6 美分。每天执行一千个步骤，就是 88 美元对比 16 美元——单个代理循环每年大约相差 26,000 美元。

缓存是差距要么缩小、要么加倍的关键所在。

这两个模型都提供极具竞争力的缓存输入价格，但两者之间的比例与它们标价之间的比例并不相同。Muse Spark 1.2 的缓存输入读取价格为每百万次 0.15 美元，较其 1.25 美元的费率享受 88% 的折扣。GPT-5.6 Luna 的缓存输入读取价格为每百万次 0.01 美元，较 0.20 美元享受 95% 的折扣。

用 60,000 token 的前缀热缓存重新运行同一个代理步骤：Muse Spark 1.2 从 8.8 美分降到约 2.2 美分。Luna 从 1.6 美分降到约 0.4 美分。绝对差距从每步 7.2 美分缩小到 1.8 美分，但倍数大致不变——缓存并不能拯救更贵的模型，只是让两者以相近的系数变得更便宜。它真正改变的是哪项成本占主导：在缓存情况下，Muse Spark 1.2 的成本中 59% 是输出 token，而不是 85% 的输入 token，因此模型的冗长程度开始比其上下文大小更重要。

这并非假设性的问题。Muse Spark 1.2 在 Intelligence Index 中生成了 95M 个输出令牌，而中位数是 65M。Artificial Analysis 自己的摘要称其“略显冗长”。Luna 消耗了 130M，听起来更糟，但按 1.20 美元而不是 4.25 美元计算后，情况就不同了。

Meta 的产品文案声称，提示缓存（prompt caching）可以将有效成本降低 60–80%，具体取决于上下文重复的程度。这是供应商的估算，而非实测数据，但上述计算落在这个范围之内。

延迟：基准测试颠倒真相的维度

只看 Artificial Analysis 的延迟数据，你会得出结论：Muse Spark 1.2 才是响应快的那一个。首个令牌时间：Muse Spark 1.2 为 26.12 秒，GPT-5.6 Luna 为 126.99 秒。快了近五倍。

上述两项数值均是在各模型成本最高的推理设置下测得的——Muse Spark 为 xhigh，Luna 为 max。两者都不是你实际会看到的结果。在 OrcaRouter 上，根据一周真实流量中调用方实际请求的各种推理强度，GPT-5.6 Luna 显示的p50 首令牌时间为 1.84 秒，p95 为 9.68 秒。Muse Spark 1.1 显示的 p50 同样为 1.84 秒，p95 则更紧凑，为 6.00 秒。目前还没有 1.2 的生产遥测数据，因为它太新了。

结构差异比这两个数字都更有用。GPT-5.6 Luna 的推理是可选的——努力程度拨盘从无一直到低、中、高、超高、最高，而且你可以真正关闭思考，用于分类、路由或提取。Muse Spark 1.2 的推理是强制性的。拨盘的最低档是最低限度，而且没有任何设置能让你在不付出深思代价的情况下获得权重。对于任何高吞吐量和对延迟敏感的场景来说，这是一个设计约束，而不是一个调优参数。

持续吞吐量接近：Muse Spark 1.2 达到每秒 165.0 个 token，Luna 为 177.9 个 token，两者均远高于 71 的同类中位数。

{{1}}每个人都会在定价脚注上栽跟头{{/1}}

GPT-5.6 Luna 的价格目前在不同地方显示不同，如果你正在构建成本模型，你应该在引用数字之前了解这一点。Artificial Analysis 和 OrcaRouter 的目录均显示每百万输入 $0.20 和每百万输出 $1.20——这是 7 月 GPT-5.6 降价后的费率，也是 Artificial Analysis 用于计算上述 $174.06 评估账单的费率。一些市场列表目前显示 $0.10 和 $0.60，并有一个在超过 272,000 个提示词令牌时生效的独立更高档位。稳妥的做法是，在你实际调用的端点上检查价格，而不是查看对比文章中的价格。

无论适用哪种基础费率，分层定价的细节都是真实存在的，而且确实未被充分讨论：当单个请求超过约 272,000 个提示词 token 时，Luna 的价格就会上调。输入价格大约翻倍，输出价格上涨一半，缓存读取也随之按比例上调。如果你关注 Luna 是因为它 1.05M-token 的上下文窗口，请注意你大约在用到四分之一时就会脱离标称费率。Muse Spark 1.2 在其完整的 1,048,576 个 token 范围内采用统一费率，没有长上下文附加费——对于真正长的单个请求，两者之间的实际差距会显著缩小。

Luna 无论如何都无法做到的事情

模态差异是选择其中一个而非另一个的最直接理由，而它不会出现在任何排行榜上。

• 输入——Muse Spark 1.2 根据 Meta 的列表，支持文本、图像、视频、音频和 PDF 文档。GPT-5.6 Luna 支持文本、图像和文件。不支持音频和视频。如果您的流程涉及录音或视频素材，Luna 完全不适合。

• 最大输出—— Luna 声明补全上限为 128,000 token。Muse Spark 1.2 的端点未声明最大补全长度，这很不寻常，你应该实际测试它，而不是围绕它做规划。

• 知识截止日期 — Luna's 的知识截止日期公布为 2026 年 2 月 16 日。Meta 未发布 Muse Spark 1.2 的截止日期，因此无论如何都要为检索做好预算。

• 服务 — Luna 在全球范围内普遍可用，可通过多种途径访问。Muse Spark 1.2 恰好由一个提供商提供服务：Meta。一个端点、一种区域策略、一个故障点。

• 审核 —— 两者都是经过审核的端点。

关于多模态优势的一个坦诚提醒：Artificial Analysis 为 Muse Spark 1.2 发布的技术规格卡列出的评估范围仅包括文本和图像输入，而非 Meta 宣传的完整五模态能力。该 API 实际接受的内容比任何独立方测试过的都要多。

采纳，因为它恰好是可衡量的

基准测试告诉你一个模型能做什么；流量告诉你人们信任它处理什么。在OrcaRouter上滚动的一周内，GPT-5.6 Luna 处理了46.794亿 tokens。Muse Spark 1.1 —— 同样拥有1M上下文，指数得分不相上下，在目录中早上线四周 —— 处理了440万。这大约是千倍的差距。

其中一部分是分发因素：Luna 在更多工具中是默认选项，且在全球正式发布（GA）的时间更久，而 Muse Spark 系列仅在美国推出。但在路由器上，两者之间仅相隔一个模型字符串，却存在千比一的差距，这不只是分发能解释的。这正是 Luna 是更安全的默认选择、而 Muse Spark 1.2 需要你仔细评估的实际原因。

值得一提的是，今天你能租到什么、不能租到什么：GPT-5.6 Luna 已出现在 OrcaRouter 目录中，价格分别为 $0.20 和 $1.20，与提供商自己价目表上的数字一致，因为我们实行 0% 加价，按提供商标价原样转售。Muse Spark 1.1 也以同样的方式上架，价格为 $1.25 和 $4.25。Muse Spark 1.2 尚未进入目录——它由 Meta 直接提供。因此，如今要诚实地进行这项对比，最省钱的方式是在同一个密钥上运行 Luna 与 Muse Spark 1.1，在两次运行之间更改一个字符串，等 1.2 上线后再对 1.2 重新测试。

选择一个

选择 GPT-5.6 Luna 如果工作负载是高容量且以文本为主：聊天、分类、抽取、路由、轻量级工具调用。它的价格是混合价格的四分之一，它可以让你完全关闭推理，其 1.84秒的 p50 是实际测得的生产数据而非基准测试产物，而且它的背后有千倍的实时流量。三个指数点经不起这样的计算。

选择 Muse Spark 1.2如果工作负载是长周期智能体编码——多文件重构、长时间调试、整个代码仓库的工作——或者涉及音频或视频输入，在这些方面 Luna 根本无法匹敌。对于真正庞大的单个请求，它也是更好的选择，因为它的费率在整个百万 token 范围内是恒定的，而 Luna 的费率在超过 272K 后会阶梯式上涨。

两者都要——前提是你愿意诚实面对代理系统实际上是怎么构建出来的。持续胜出的模式永远是：廉价模型处理绝大多数常规调用，昂贵模型留给质量能自我回报的步骤。两个模型位于同一个 OpenAI 兼容端点之后，所以这种分流只是一个路由规则，而非第二家供应商关系——而且一旦昂贵端在运行中途宕机，自动故障转移会确保你的评估不会拿着半份数据集悄悄毒害自己。

接下来一个月需要关注的是分维度的细分情况。Muse Spark 1.2 的整个卖点就是智能体能力，而在上一代产品中，这正是 Luna 领先八点的维度。除非有人为 1.2 发布一份智能体指数，否则那三点的综合增益就是 Meta 已缩小差距的唯一现有证据。