Muse Spark 与 Claude Opus 5.5 对比：智能高 10 分，账单 3.7 倍

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.

首先，是模型名称所隐藏的东西

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.

因此，诚实的描述是：将一个在同一系列名称下不断被重新指向的模型，与一个以固定配置一次性发布、此后从未变动的模型进行比较。

独立的数字，以及它们的星号

Artificial Analysis 是唯一一个同时为两者提供公开榜单的第三方，而且它不会把它们放在同一个类别中比较——开放权重模型会与同一规模级别的开放权重模型排名，专有模型则与更广泛的领域比较。这两者都是专有的，所以那种特定的偏差并不存在；真正存在的是，两个榜单都不是使用另一方测试框架进行的受控重跑。

• Muse Spark 1.3 (max) — 智能指数 48，在 217 个中排名第 24；输出速度 121.9 tokens/秒；每百万 tokens 输入 $1.25 / 输出 $4.25；每项智能指数任务 $1.60；智能指数评估期间生成了 1.7 亿输出 tokens。

• Claude Opus 5.5（max，默认回退）—— 智能指数 58，在 217 个中排名第 1；输出速度 95.2 token/秒；输入 $4.00 / 输出 $20.00；每项指数任务 $5.98；输出 token 2.6 亿。

把那两份清单并排来看，这笔取舍的轮廓无需任何解读便一目了然。O​pus 5.5 在智能上以 10 分胜出，而且是在更啰嗦、而非更简洁的情况下赢下的——2.6 亿 token 对 1.7 亿——所以它并不是靠经济性来买分。Muse Spark 1.3 更快，每 token 更便宜，每完成一个任务也更便宜，而且话更少。差距最宽的地方就在“每任务价格”这一行：以一个 O​pus 5.5 索引任务的成本，你大约能跑 3.7 个 Muse Spark 1.3 索引任务。

再补充一个独立的数据点，因为它指向相反的结论，值得说明：LMArena 的文本排行榜将 Claude Opus 5.5 的一个配置列为总榜第 3 名，Elo 为 1508，而 Muse Spark 1.3 在该榜单上根本没有出现。人类偏好投票与基准指数在幅度上存在分歧，这很正常，但这确实意味着那 10 分的差距不应被解读为“在所有方面都差 10%”。

据供应商称，差距最大之处

供应商评分卡之间无法相互比较，两家供应商也都没有发布相同的基准测试，但其中的重叠之处颇具启发性。以下所有内容均为供应商自报，我们未予复现。

• Terminal-Bench 4.0 — Opus 5.5：66.4%，按 Anthropic 的说明以 xhigh 推理强度运行。Meta 则改为在 Terminal-Bench 2.1 上报告 Muse Spark，在该基准上，该系列使用 Terminus 2 智能体公布的得分为 76.4。基准版本不同，智能体也不同——不要把它们相减。

• GDPval-AA — O​pus 5.5：在 v2.1 上为 1846 Elo。Muse Spark 1.3：在 v2 上为 1,754。两次测量之间版本发生了变化，因此这 92 分的差距在方向上真实存在，在数值上则并不精确。

• 智能体式计算机使用 — O​pus 5.5：在 OSWorld 2.1 上达 81.8%，标注为“部分完成”。Muse Spark 1.3：在 OSWorld 2.0 上为 66.9。同样，这又是同一基准测试系列的不同修订版本。

• Terminal-Bench-Science 0.1 — O​pus 5.5：58.7%。M​eta 未公布与 Muse Spark 1.3 相当的数据。

Anthropic 对其自家榜单的局限性异常直言不讳，指出在能力达到这一水平时，“基准测试的差距已不再是判断现实世界差异的可靠指南”。这句话无论从哪个方向看都值得按字面理解：它既削弱了 10 个百分点的 AA 差距，也同样削弱了 Meta 的 DeepSWE 排名主张。

除了积分之外，你放弃了什么？

• 输入模态——Muse Spark 1.3 接受文本、图像和视频。Claude Opus 5.5 接受文本和图像。如果你的流水线把屏幕录制或视频直接喂给模型，那这就没什么可犹豫的，索引上的差距也无关紧要。

• 最大输出量 — O{{1}}pus 5.5{{/1}} 同步最多可返回 128K token，若通过 Batches API 并携带 beta 标头，则可达 300K。M{{2}}eta 并未公布我们可以核实的 Muse Spark 1.3 最大输出数值。如果你要在单次调用中生成很长的产物，那么未公开的上限就是一个风险，应当实测而非假设。

• 缓存经济学 — Opus 5.5 的缓存读取价格为每百万 $0.20，相较输入价格折扣达 95%。Muse Spark 1.3 则为 $0.15，折扣 88%。对于高度依赖缓存的智能体循环而言，与标称价格相比，这会缩小、甚至逆转按任务计算的成本账，而仅凭标价比较这两者时，这是最容易出错的一点。

• 上下文——两者都是 1M。无需分开。

• 发布节奏 — Opus 5.5 是一个模型，一个价格，自九月以来一直没有变化。Muse Spark 在三个月内三次重新指向，然后在此基础上增加了一个推理级别。这要么是健康的迭代，要么是集成风险，取决于你有多喜欢重新运行评估。

同时运行两者，无需第二次集成

这场对比的双方都在 OrcaRouter 上——Claude Opus 5.5 以及我们提供的两个 Muse Spark 检查点，Muse Spark 1.2 和 Muse Spark 1.1——通过一个 API 覆盖 200+ 模型，按各提供商的标价、0% 加价原样透传。这也是对本文所提问题的务实回答：要弄清你的工作负载是否真的需要那多出的十个指数点，方法是将一部分生产流量路由到 Muse Spark 1.2，价格为 $1.25 输入 / $4.25 输出，并在同一个密钥上用相同提示词与 O​pus 5.5 对比，同时启用自动故障转移，这样一次糟糕的运行会降级到另一个模型，而不是降级到一个错误页面。无需第二份合同，无需第二个 SDK，无需迁移。

关于我们自身覆盖范围，有两点需要坦诚说明。Muse Spark 1.3 目前不在我们的目录中，因此上方的路由比较从 1.2 开始；1.2 是 Artificial Analysis 测得比 Muse Spark Open 低一分的检查点，并且现在带有指向 1.3 的弃用通知。此外，这一比较依据的是 Anthropic 和 Meta 公布的数字，以及 Artificial Analysis 的独立榜单；我们并未重新运行这两个模型的基准测试，上方供应商行应视为厂商声明。

值得回头再看的版本

如果你带到这里的问题是“便宜的那个够好吗”，今天诚实的答案是：便宜的那个是 48，而 O​pus 5.5 是 58；它更快、输出更简洁，并且按每完成一项任务计算大约便宜 3.7 倍——而 A​nthropic 自己对基准差距的提醒，正是应当测试而不是直接下结论的最有力理由。如果你的工作涉及视频输入、极长的单次输出，或高难度推理的最后几分，那么 O​pus 5.5 就是发布时已将这些能力记录在案的模型。值得关注的不是下一个 Muse Spark 版本号，而是 Muse Spark 1.3 是否会登陆你已经在用的路由平台，以及以什么价格——该系列在 1.1、1.2 和 1.3 上的定价一直稳定在 $1.25 / $4.25，这本身就表明 M​eta 是在按每美元能力竞争，而不是在价格本身上竞争。

有一项进展并不属于这场对比之内，而应放在其外，而它正是本周这个系列之所以会被讨论的全部原因。2026 年 10 月 15 日——Muse Spark 1.3 发布十三天之后、本文发布的前一天——M​eta 公布了 Muse Spark Open 的权重与许可证。它是该系列中独立的开放权重成员，其代码仓库自 9 月 15 日起一直处于受限且未公告的状态。目前流传的 816B 总参数 / 42B 激活参数架构正是那一版本，而非上文所测的闭源 1.3。Artificial Analysis 确实收录了它，其智能指数为 39，而本文给 Muse Spark 1.3 的分数是 48；并且 M​eta 尚未公布支撑其自有评分卡的评估报告。因此，该产物确已发布，但性能主张尚未得到证实；请勿将本文的对比视为涵盖它。

数字无法告诉你的是，这一切在实际应用中是否已经出了问题：围绕这一类模型的有据可查的人工智能事故和智能体故障，都收录在OrcaRouter AI 事故档案中，其中每一条记录都附有各自的来源、严重程度、置信度等级和争议标记。