Muse Spark 与 Grok 4.7：指数与竞技场在何处存在分歧

On paper this is the least ambiguous matchup in the current field. Muse Spark 1.3, the current checkpoint of M​eta Superintelligence Labs' Muse Spark line, scores 48 on Artificial Analysis' Intelligence Index at its max reasoning setting and costs $1.60 to complete an index task. Grok 4.7, released September 21, 2026, scores 46 at its xhigh setting and costs $3.74 for the same task. Muse Spark wins the index, wins price per token on both sides of the invoice, wins context window, wins output speed, and emits fewer tokens doing it. Then you open a second independent board and the picture changes: Grok 4.7 sits at rank 89 of LMArena's text leaderboard with 1444 Elo from nearly twelve thousand votes, and Muse Spark 1.3 is not on that leaderboard at all. That divergence — not the two-point index gap — is the thing worth understanding before you pick, because whichever board your users resemble is the board that will decide whether your migration looks like an upgrade.

两个做出同样押注的模型

Grok 4.7 与 Muse Spark 1.3 在设计理念上几乎如出一辙。两者都被定位为旗舰级推理模型，主打长周期智能体（agentic）应用场景。两者的招牌基准测试成绩都是在极端算力档位而非默认档位下取得的。以独立评测标准衡量，两者都格外健谈。而且两者在发布时都没有对定价做任何调整——Grok 4.7 与 Grok 4.6 以相同的价格和速度提供服务，而 Muse Spark 在连续三个检查点中一直保持每百万 token 输入 1.25 美元、输出 4.25 美元的价格。

Grok 4.7 自家的文档将其描述为 xAI 的旗舰产品，适用于“代码及其他一切：智能体工具调用、极少的幻觉、可配置的推理”，这说的是可靠性，而非原始能力。Meta 对 Muse Spark 1.3的宣传语是“为智能体工作流而训练，并针对竞赛编程性能进行了优化”。两家厂商描述的是同一件事，而给出的数字大多偏向其中一家。

在数字之前，先说明一个命名问题，因为这一点很容易让人栽跟头：Muse Spark 是一个模型家族。Muse Spark 1.1（2026 年 7 月）和 Muse Spark 1.2（2026 年 8 月）与 1.3 共享相同的模态行和上下文窗口，仅在能力上有所不同。不带版本号的“Muse Spark”指的是 2026 年 4 月的原始模型。将 Grok 4.7 与 1.3 之外的任何版本比较，都是拿它跟一个被重新指向的旧检查点作比较。

独立的数字，并排排列

以下所有内容均为 Artificial Analysis 自行托管的测量结果，是在各模型的高算力配置下取得的。两行均不是厂商声明。

• 智能指数 — Muse Spark 1.3（max）：48，在 217 中排名第 24。Grok 4.7（xhigh）：46，在 217 中排名第 30。

• 每个索引任务成本 — Muse Spark 1.3：1.60 美元。Grok 4.7：3.74 美元。按每项已完成任务计算，Muse Spark 的成本低 2.3 倍。

• 索引期间的输出 token — Muse Spark 1.3：1.7 亿。Grok 4.7：2.4 亿。两者都被标记为非常冗长；Grok 则高出 41%。

• 输出速度 — Muse Spark 1.3：每秒 121.9 个 token，186 个中排名第 43。Grok 4.7：每秒 90.8 个 token，186 个中排名第 87。

• 首token时间——Grok 4.7 平均为 37.26 秒，榜单将其列为高位，而该层级的中位数为 3.70 秒。Muse Spark 1.3 未公布可比数据，这是数据空白，而非优势；我们不会把缺失的数字当作好成绩。

• 标价 — Grok 4.7：输入 $2.00 / 输出 $6.00，提示少于 200,000 个 token 时缓存输入为 $0.50。Muse Spark 1.3：输入 $1.25 / 输出 $4.25，缓存输入为 $0.15，无阈值限制。

• 上下文 — Grok 4.7：500,000 个 token。Muse Spark 1.3：1,048,576。

• 模态 —— 两者都接受文本和图像输入并返回文本；Muse Spark 1.3 增加了视频输入，而 Grok 4.7 的文档并未列出这一点。

没人提及的定价门槛

Grok 4.7 采用分层定价，分界线设在 200,000 个提示 token：低于该值，输入 $2.00、输出 $6.00；达到或超过该值，整个请求按输入 $4.00、输出 $12.00 计费，缓存输入也从 $0.50 变为 $1.00。该规则不是按边际用量计价——一旦越线，请求中的所有内容都会被重新计价。相对于 500,000 token 的上下文窗口，这相当于在窗口深度 40% 处设下了一道陷阱门，而任何把文档塞进 Grok 提示中的检索流水线，都会在其上线后的一个月内撞上它。

Muse Spark 1.3 不发布可与之相比的分层结构：在整整 100 万 token 的窗口内只有一个费率。对于任何提示词在设计上就偏大的人来说，这比指数上两个点的差距更有价值。它还会与缓存差异叠加——Grok 的缓存输入为每百万 0.50 美元，而 Muse Spark 为 0.15 美元——因此在接近阈值运行、大量使用缓存的智能体循环中，这两者之间的实际成本差距比标称费率所显示的更宽，而非更窄。

Grok 4.7 真正站得住脚的地方

上面那张一边倒的表格并非全部论据，而Grok这一方有三件事值得直说。

首先是延迟档位。xAI 推出了 Grok 4.7 Fast 变体，速度翻倍、价格翻倍，通过 Cursor 和 Grok Build 而非公共 API 分发。如果你受限于高峰时段的交互响应能力，那么同一模型有厂商认可的快速档位就是一个实实在在的运营选项。Meta 没有为 Muse Spark 1.3 发布对应的方案。

第二，文档完整性。Grok 4.7 公布了 2026 年 5 月的知识截止日期，以及完整的速率限制和地区可用性情况；Muse Spark 1.3 公开的记录中既没有知识截止日期，也没有我们能核实的最大输出数值。当两个模型旗鼓相当时，那些限制条件白纸黑字写明的模型，才是你可以据以规划的模型，而厂商对上限避而不谈，并不等于上限不存在。

第三，也是本文立论最重要的一点：人类偏好信号指向的是另一个方向。Grok 4.7 在 LMArena 文本排行榜上以 1444 的 Elo 分数、11,591 张选票位列第 89 名——名次不算亮眼，却是实打实测出来的。Muse Spark 1.3 并不在该榜单上。指数分数和竞技场分数回答的是不同的问题：指数问的是模型能否完成一组高难度任务，竞技场问的则是人们是否更喜欢它的回答。Grok 4.7 的指数排名为第 30 名，竞技场排名却是第 89 名，这一对比说明了一件很具体的事——它的能力转化为偏好度的比率不如同侪。Muse Spark 1.3 的缺席所说明的事没那么具体，却也绝非中性：关于人们如何反应其输出的证据，干脆就是缺失的。

供应商声明，单独保留

下文中的两组数字均非由我们复现，而且这两个列表没有足够多的共同评估项，无法相互相减。

x​AI 的公告显示，Grok 4.7 在 CursorBench 4.0 上达到 46.3%，Terminal-Bench 4.0 上达到 37.6%，EEBench 上达到 64.0%，DeepSWE v1.1 在高强度下达到 71.0%，Harvey Legal Agent 上达到 19.6%，HealthBench Professional 上达到 56.7%，在 xhigh 下 GDPval Elo 达到 1695。

M​eta 针对 Muse Spark 1.3 的评分卡显示：DeepSWE v1.1 为 75.4，OSWorld 2.0 为 66.9，使用 Terminus 2 agent 时 Terminal-Bench 2.1 为 76.4，MCP-Atlas 为 89.2，GDPval-AA v2 为 1,754，SciCode 为 58.5，无工具条件下 HLE-Diamond 为 26.1，JobBench 为 61.8。

人们很容易把 DeepSWE 上的 75.4 与 71.0 拿来对照，就称之为 Meta 以四分获胜。别这么做：xAI 公布的是高 effort 下的数字，而 Meta 的最佳成绩来自 max 设置，且两家公司使用的是不同的评测框架。这两份榜单真正确立的是分歧的形态，而不是它的幅度。

在实践中，什么会改变这个决定？

• 提示词大小 —— 如果你的提示词超过 200,000 个 token，那么 Grok 4.7 的阈值重新定价就是本次对比中最大的一项支出，也正是它让按 token 计价的表格变得具有误导性。

• 检索与长上下文——Muse Spark 1.3 的 1M 窗口对比 Grok 4.7 的 500K，对于整仓库或整文档处理而言是实打实的能力差距，而非规格表上的花架子。

• 输出量——两个模型都很冗长；Grok 4.7 更是如此，在索引上达到 240M tokens，而另一款为 170M。如果你的账单主要由输出 token 决定，那你就是在两个昂贵的选项之间做选择，而更便宜的那个是 Muse Spark。

• 推理控制 — Grok 4.7 提供低、中、高和 xhigh 四档，默认为高。Muse Spark 1.3 则从最低到最高。两者都无法完全关闭。

• 流式输出与结构化输出——Grok 4.7 支持函数调用和结构化输出，其 Responses API 始终返回加密的推理内容；不支持批处理。如果你依赖批量定价，那在 Grok 这边就是个否决项，在你想当然认为 Muse Spark 也一样之前，值得对照其自身的 API 条款核实一下。

• 偏好风险——如果你的产品质量标准是由用户判断而非基准测试完成度设定的，那么 Grok 4.7 有一个经实测的——尽管并不好看——竞技场排名，而 Muse Spark 1.3 则没有。这两个数字都不是迁移的理由；其中一个数字的缺失，恰恰是你自己进行对比测试的理由。

把两者放在一个端点上

Grok 4.7 已在 OrcaRouter 上线，以及我们提供的两个 Muse Spark 检查点，Muse Spark 1.2 和 Muse Spark 1.1，均按各提供商的标价、以 0% 加价透传——一个 API 覆盖 200+ 模型，支持它们之间的自动故障转移，以及用于按规则分流流量的路由 DSL。这个组合是回答本文无法替你回答的问题的最便宜方式。Grok 一侧的 200K 阈值使其特别适合作为路由规则：将 Grok 限制在阈值内，把超限请求发往采用固定费率的模型，并在其中某个模型性能下降时由故障转移接手。

两点披露。Muse Spark 1.3 本身不在我们的目录中，因此你在这里运行的任何测试，Muse Spark 这一侧都从 1.2 开始——这个检查点 Artificial Analysis 测得比 Muse Spark Open 低一个点，而且现在带有一份指向 1.3 的弃用通知。而在这篇文章中，我们唯一会作为测量结果来维护的数字，是 Artificial Analysis 的几行；双方的厂商数字都是宣称，而 LMArena 的排名按其自身标注属于初步结果。

哪一个，今天

如果你依据已发布的独立证据来做选择，而你的工作负载属于长上下文、视频输入、缓存繁重或对成本敏感的类型，那么 Muse Spark 1.3 在几乎每一条指标上都是更强的模型，并且按每完成一个任务计算，成本要低 2.3 倍。如果你的工作负载在 200,000 个 token 以内，依赖结构化输出和函数调用，受益于供应商运营的快速层级，或者由用户而非基准完成度来评判，那么 Grok 4.7 有一个基准指数对比未能体现的连贯理由——而且它是两者中唯一一个拥有人类偏好数值的模型。诚实的总结是，这场对决取决于提示词大小以及由谁来给输出打分，而在两份评分卡上几乎不取决于其他任何东西。

记分板所衡量的内容与实际部署所面对的情况之间的那道落差，正是这份记录之所以重要的原因：围绕这一类模型已有记录在案的人工智能故障与智能体事件，都汇集在OrcaRouter AI Incident Archive，其中每一条都带有自己的来源、严重程度、置信度等级和争议标记。