Muse Spark 对比 GPT-6.1 Sol：每任务成本与每词元成本给出的结论截然相反

把 Muse Spark和 GPT-6.1 Sol放在同一行，按 token 计价的结果就直接替你做了决定：每百万输入 token 1.25 美元对 2.00 美元，每百万输出 token 4.25 美元对 10.00 美元。Muse Spark 看起来便宜得多。然后再看看 Artificial Analysis 实际用两者各完成一个 Intelligence Index 任务要收多少钱，顺序就反过来了——0.72 美元是 GPT-6.1 Sol在最高推理设置下的花费，而 1.60 美元则是 Muse Spark 1.3在最高设置下的花费。每完成一个任务，Sol 的花费不到一半，指数得分却高出四分，唯一的原因就是它很安静：跑这个指数时 Sol 生成了 6700 万 token，Muse Spark 1.3 生成了 1.7 亿。如果你还在用一张按 token 计价的表格来核算这两个模型的成本，那么这场对比就是当前领域里最能说明那张表格出错的例子。

这些实际上分别是什么

GPT-6.1 Sol is O​penAI's positioning play in the G​PT-6 line: released September 29, 2026, priced explicitly below the flagship GPT-6 Astra — O​penAI's announcement frames it as matching Astra's intelligence on agentic coding, computer use and professional work at roughly one-fifth of Astra's standard input and output prices. It is generally available, not deprecated, and supported by O​penAI's published model list.

Muse Spark 1.3 is the current checkpoint of M​eta Superintelligence Labs' Muse Spark family, released September 2, 2026 and given the max reasoning setting on September 4. Muse Spark 1.1 and 1.2 precede it. For anyone arriving from the older comparison material, "Muse Spark" without a number now means 1.1, 1.2 and 1.3 collectively, and 1.3 is the one M​eta labels current.

所以，这是一场围绕同一卖点打造的两款机型之间的较量——以刻意更低的价格提供接近旗舰级的实力——这让它们在如何兑现这一点上的差异，比分数更有意思。

独立的数字，以及起决定作用的那个

下面两行均为 Artificial Analysis 在各自托管环境中、在各模型最高推理设置下所做的测量。这些并非厂商提供的数据。

• 智能指数 — GPT-6.1 Sol（Max）：52，在 217 个中排名第 12。Muse Spark 1.3（Max）：48，在 217 个中排名第 24。

• 每个索引任务的成本——GPT-6.1 Sol：$0.72。Muse Spark 1.3：$1.60。每完成一项任务，Sol 的成本低 2.2 倍。

• 索引期间的输出 token —— GPT-6.1 Sol：67M，相较 87M 的中位数，被形容为相当精简。Muse Spark 1.3：170M，被形容为非常冗长。

• 输出速度 — GPT-6.1 Sol：每秒 53.5 个 token，在 186 个中排名第 154，被描述为明显偏慢。Muse Spark 1.3：每秒 121.9 个 token，在 186 个中排名第 43，明显很快。Muse Spark 的输出速度快 2.3 倍。

• 按实测列出的定价——Sol 为输入 $2.00 / 输出 $10.00，缓存输入为 $0.10；Muse Spark 1.3 为输入 $1.25 / 输出 $4.25，缓存输入为 $0.15。

那五条要点里藏着一个真正的权衡，而它并非标题所暗示的那个。Sol 是完成一项完整任务时运行成本更低的模型，它做到这一点靠的是思考更少、输出更少——67M token 约为 Muse Spark 输出量的五分之二，却换来高出四个指数点。一旦开始运行，Muse Spark 按实际耗时计算会更快把答案交到你手上，大约快一倍，但为此生成的文本要多得多。你想要哪一种，取决于你的约束是月底的那张账单，还是用户面前的延迟。

作为对方向的合理性检查，LMArena 的文本排行榜将某个 GPT-6.1 Sol 配置排在第 22 名，Elo 为 1484；Muse Spark 1.3 并未出现在该榜单上。指数上四分的差距与人类偏好差距在这里指向同一方向，而情况并不总是如此。

双方的供应商索赔

O​penAI published its GPT-6.1 Sol results mostly as deltas rather than absolute scores, which is worth knowing before anyone quotes them as a table. What the announcement asserts, all vendor-reported and unreproduced by us: Sol matches GPT-6 Astra on DeepSWE v1.1 at about a fifth of the cost and beats GPT-6 Sol's best score by 6.4 percentage points at lower reasoning effort; it scores above Claude Opus 5.5 at less than half the cost per task on GDP.pdf; it improves on O​pus 5.5 by 2.2 points on AutomationBench at medium effort; it beats GPT-6 Sol by seven points on OSWorld 2.0's offline set at max effort while coming within 2.1 points of Astra at roughly a seventh of the cost; and at low reasoning effort it cuts the share of responses containing a factual error from 11.4% to 7.7%. The only absolute number in O​penAI's scientific-workflow claim is Astra's own 68.1% on Terminal-Bench Science 0.1, with Sol costing $5.47 per task against $23.21 for Claude Opus 5.5 — a cost comparison, not a score comparison.

Meta 为 Muse Spark 1.3 公布的数值为：DeepSWE v1.1 为 75.4，OSWorld 2.0 为 66.9，使用 Terminus 2 智能体的 Terminal-Bench 2.1 为 76.4，MCP-Atlas 为 89.2，GDPval-AA v2 为 1,754，SciCode 为 58.5，无工具的 HLE-Diamond 为 26.1，JobBench 为 61.8。请务必注意不能用这两份列表做什么：OpenAI 报告的是变化量，Meta 报告的是水平值，而且这两家供应商并未在相同的测试框架上运行相同的评估。它们唯一几乎重合的地方是 DeepSWE v1.1，而即便在那里，一个数字是增量，另一个是绝对值。

比分数更重要的规格差异

• 输入模态——Muse Spark 1.3 接受文本、图像和视频。GPT-6.1 Sol 仅接受文本和图像；文档中注明不支持音频和视频。对于任何包含视频输入的工作流，这一对比就到此为止。

• 上下文窗口 — Sol 公布 1,050,000 个 token，最大输入为 922,000，最大输出为 128,000。Muse Spark 1.3 则是固定的 1,048,576，且没有我们能够核实的已公布最大输出数值。这两者看起来相当，但表现却不同：Sol 的窗口被明确划分为输入和输出预算，而 Muse Spark 的窗口则没有以这种方式记录。

• 长上下文定价——这是 Sol 这一侧的运营陷阱。标准费率适用于输入 token 不超过 272,000 的提示词；一旦超过该阈值，整个请求就会按长上下文费率计费，输入 $4.00、输出 $15.00，即输入价格的两倍、输出价格的 1.5 倍。一个越过 272K token 的 Sol 智能体并不是多付一点钱，而是直接换到了另一个价格档位。Muse Spark 1.3 在其公布的费率中没有可比的档位划分。

服务层级 — Sol 提供批量和 flex 层级，价格为标准价的 50%，快速模式为 2 倍，还有一个超高速层级为 6 倍标准定价，于 2026 年 10 月 8 日新增。Muse Spark 1.3 有一个标准层级和一个 Contributor 变体，后者以更低价格——输入 $0.10，输出 $0.20——换取在你的提示词和补全内容上进行训练的许可。最后这一选项在 OpenAI 没有对应方案，在 Google 也没有对应方案；对有些团队来说，它直接出局，而对另一些团队来说，它意味着 10 倍的成本削减。

• 推理控制 —— Sol 的 effort 参数提供 low、medium、high、xhigh 和 max，且明确不支持“none”或“minimal”——你无法关闭推理。Muse Spark 的档位阶梯从 minimal 起向上延伸，而 Meta 的工具说明也指出推理无法被禁用。两家厂商都已替你做了这个决定。

• 知识截止日期——Sol 公布的是 2026 年 4 月 30 日。对于 Muse Spark 1.3，Meta 并未公布任何我们能够核实的可比数据。

每任务成本数字能告诉你什么，不能告诉你什么

0.72 美元对 1.60 美元这个数字，是本次对比中最有用的单个数字，同时也是最容易被误用的一个。它是在最大推理强度下运行一个 Intelligence Index 任务的平均成本，而这是一种由推理密集型与长输出型评估构成的特定组合——并不是你的工作负载。如果你的应用只是一个简短问题加一段简短回答，那么你的每请求 token 数很小，Muse Spark 1.3 的 1.25 美元输入价格会直接胜出。如果你的应用是一个长时间推理、并写出大量中间文本的智能体，那么冗长程度就是主导成本的因素，Sol 的 6700 万 token 对 Muse Spark 的 1.7 亿 token，就是可持续的账单与令人不快的账单之间的差别。诚实使用这两个数字的方式，是把它当作一个警示：按每 token 价格排名，这两个模型的次序是一种；按完成任务的经济性排名，次序又是另一种；只有你自己的 token 分布才能告诉你，你处在哪一种排名之下。

将两者映射到同一个按键上

GPT-6.1 Sol 已在 OrcaRouter 上线，我们服务的两个 Muse Spark 检查点——Muse Spark 1.2 和 Muse Spark 1.1——也是如此，均按各提供商的标价、以 0% 加价透传。一个 API 横跨 200+ 模型，意味着上文中的冗长度问题可以凭实证来回答，而不是停留在理论层面：通过单一端点记录数百个真实请求的 token 数，然后用路由 DSL 将你流量中长推理的那部分发送到在你的分布上真正胜出的一方，并由自动故障转移覆盖落败的模型。由于 Sol 的长上下文档位会在 272K 输入 token 时切换价格，这种故障转移也为你提供了一个去处，来安置原本会越过这一阈值的请求。

我们必须向你说明的注意事项：Muse Spark 1.3 不在我们的目录中，因此那项测试中 Muse Spark 这一侧运行的是 1.2；Artificial Analysis 测得它比 Muse Spark Open 低一个点，而且它现在带有指向 1.3 的弃用通知。本文中每一个厂商数字——OpenAI 的差值、Meta 的评分卡——都是宣称，而不是测量结果；这里我们唯一会坚称为独立数据的，是 Artificial Analysis 的那几行。

这个决定，直白地说

从证据来看，GPT-6.1 Sol 在这场对比中，在那些通常决定企业采用的指标上胜出：更高的独立指数得分、每完成一个任务的成本大约只有其 1/2.2、输出量只有一半、有文档记录的最大输出量，以及已公布的服务层级，让你可以在速度与价格之间做取舍。Muse Spark 1.3 则在每任务平均值所掩盖的三点上胜出：它接受视频输入，一旦开始生成速度约快 2.3 倍，而且当提示词变长时，其定价不会改变层级。如果你的工作负载是视频输入或对延迟敏感，那么每任务成本更低的模型就是错误选择。如果是长时间跨度的推理，并伴随大量文字输出，那么每 token 表格就是在骗你，而 Sol 是更划算的选择，优势达两倍。

像这样的对比，也正是失效模式暴露出来的地方：这一类模型背后有据可查的 AI 事件和智能体故障，都收录在OrcaRouter AI Incident Archive中，其中每一条记录都带有自己的来源、严重程度、置信度评级和争议标记。