Muse Wonder vs Gemini 3.1 Pro：二十二个指数点、两趟发布列车，以及一块在其中一趟列车下发生变动的记分牌

Gemini 3.1 Pro在2026年2月发布时，于Artificial Analysis的智能指数上得分57，登顶榜首。而今天再看，在同一个指数的最新修订版本上，它的得分是29.7。模型本身没有任何改变。2026年10月12日发布的Muse Wonder在同一榜单上显示为52分——而大多数人会做的那个比较，也就是52对29.7，是一个真实存在的差距，同时也是一个具有误导性的差距，因为其中很大一部分是由重新评分制造出来的，而非六个月模型进步的结果。这场对决的诚实版本，是在一把已经两次被替换的尺子上，比较两个在售模型——Gemini 3.1 Pro和Muse Wonder——然后追问它们各自究竟是用来做什么的。

One framing before the numbers. These are not competitors in the sense a typical versus page means. Gemini 3.1 Pro is the last live Pro-tier endpoint in that line, still served under a preview identifier seven months after announcement. Muse Wonder is the newest frontier release from Meta Superintelligence Labs, with a subscription-gated higher-scoring sibling. One is a long-context multimodal workhorse whose price is its argument; the other is an output-heavy agentic model whose price is the thing to think hardest about.

统治者变了，模式没变

这是规格表不会告诉你的对比部分，也正是为什么表面上的差距在两个方向上都具有欺骗性。

Artificial Analysis 于 2026 年 9 月上旬发布了 Intelligence Index v4.3，此后又对其进行了修订。该更新用难度高得多的 Terminal-Bench v4.0 取代了 Terminal-Bench v2.1，并用 AutomationBench-AA 替换了 τ³-Banking；后者是一个基于私有留出任务集构建的智能体工作流基准。私有留出集的权重升至 45%。结果，前沿模型的分数普遍下降——在旧量表上处于 60 多分的模型落到了 50 分出头的水平。Gemini 3.1 Pro 没有跌得那么远；它跌到了 30 分以下。

所以，同一个未做任何改动的检查点，却有四个已公布的读数在流传——57、46、30 和 29.7——这取决于你打开的是哪个页面以及什么时候打开。这不是丑闻，而是一个好的指数在底层测试变难时该有的样子。不过，这恰恰是一个永远不要比较来自两个不同修订版本的数字的理由，而“52 对 29.7”这样一行，正是在诱使你去这么做。

每个模型实际上是什么

• Gemini 3.1 Pro — a closed-weights, natively multimodal reasoning model announced on 19 February 2026 and still filed under "Preview" at the endpoint gemini-3.1-pro-preview. There is no 3.5, 3.6, 3.7 or 3.8 Pro in the line; the Flash ladder has moved five times while the Pro ladder has not moved at all.

• Muse Wonder — 一个于 2026 年 10 月 12 日发布的闭权重前沿模型，以 muse-wonder-1.0 的形式在 Meta 自家 API 上及 Muse Code 内提供服务。第二个检查点 Muse Wonder Full 在 Meta 自家榜单上得分更高，且仅限 Muse Code 订阅用户使用。

• 上下文 —— Gemini 3.1 Pro 1,048,576 个输入 token；Muse Wonder 1,048,576。水平，以及与当前大多数前沿水平持平的水平。

• 输出上限 — Gemini 3.1 Pro 单次响应 65,536 个 token；Muse Wonder 943,718。这是两款模型之间最大的单项差距，达到十四倍以上。

• Price — Gemini 3.1 Pro $2.00 per million input tokens and $12.00 per million output below a 200,000-token prompt, stepping to $4.00 and $18.00 above it, with cached input at $0.20 and $0.40. Muse Wonder is $4.00 and $20.00 flat, cached input $0.20. At short prompts it is half the price on input and 40% cheaper on output; past 200,000 tokens the two converge almost exactly.

• Modalities in — Gemini 3.1 Pro takes text, image, video, audio and files. Muse Wonder takes text, image, speech and video. Both write text only. On paper these are the same sentence, and in practice the tooling ecosystem has had seven months of tooling built around it.

• 推理——Gemini 3.1 Pro 支持思考等级控制，思考 token 按输出费率计费。Muse Wonder 的推理是强制性的，提供从最低到最高的努力等级，默认为中等，且完全没有非思考路径。

• 独立指数——在当前修订版上，Gemini 3.1 Pro 为 29.7，早期读数为 46，发布时读数为 57；在当前修订版上，Muse Wonder 为 52。

大多数团队无意中跨越的重新定价边界

Gemini 3.1 Pro 的价目表中存在一个阶梯，而这不是超额计费。低于 200,000 个输入 token 时，该模型的价格为 $2.00 和 $12.00；超过该阈值后，请求会重新计价为 $4.00 和 $18.00。一个 210,000 token 的请求不会对其前 200,000 个 token 按低价计费——整个请求都会转入更高档位。

That is a genuine oddity for a model whose entire sales pitch is a million-token context window: the window is real, but only the first fifth of it comes at the advertised price. At $4.00 and $18.00 above the threshold, Gemini 3.1 Pro is priced within a rounding error of Muse Wonder's $4.00 and $20.00, and the cache read is identical at $0.20 per million. So the "cheaper on input" line holds precisely up to the point where you use the capability you bought the model for.

The counterweight is on the input side, where the input-side economics are genuinely strong and independent measurement backs it up. Artificial Analysis records a cost of about $0.67 per index task for Gemini 3.1 Pro and roughly 67 million output tokens generated across the index run, against a median of about 90 million for models in its price tier. A model that answers in fewer tokens at a lower rate is cheaper in a way that no rate card shows directly — and it is the number to compare against Muse Wonder's roughly $4.52 per index task, which is a consequence of both a higher rate and roughly 130 million output tokens against an 85 million median.

你实际是在什么之间做选择

今天这把标尺上的能力差距是真实存在的——52 对 29.7，相差二十二分，这不是噪声——但这是在一个发布五周的前沿版本和一个已有七个月历史的预览版之间做比较，而厂商始终没有让它走出预览阶段。在两者之间做选择，与其说取决于哪个得分更高，不如说取决于哪种失败模式是你能接受的。

Gemini 3.1 Pro 的局限性是结构性的，也是众所周知的。65,536 个 token 的输出上限让它无法胜任单轮长文本生成，而这正是 Muse Wonder 的 943,718 个 token 预算最明显占优的地方。首 token 延迟在已公布的测量中约为 35.7 秒，对于任何交互式场景都偏慢。而预览标识符才是真正的风险：预览端点可能会在没有版本号提升的情况下被修订或停用，因此在该模型上，固定精确的模型 ID 而非别名才是标准做法。

Muse Wonder 的局限性同样是结构性的，而且新得多。推理是强制性的，因此每次调用都要为思考 token 付费，价格为每百万 20 美元，且没有便宜路径——Gemini 3.1 Pro 的思考等级至少可以调至零。独立评测不过是某个评测者在两天前刚发布的模型上的一行记录。而你正在比较的东西中得分最高的版本 Muse Wonder Full，则需要每月 50 到 200 美元的订阅，而不是以同一页面上按 token 计价的方式提供。

还有一个值得命名的基准完整性维度，因为这一特定配对正好能很好地说明它。Meta 的发布表报告 Muse Wonder Full 在 Artificial Analysis Index 上为 59.0，而 Artificial Analysis 自己发布的是 56；发布表报告可调用的 Muse Wonder 为 56，而评估方读数为 52。Gemini 3.1 Pro 自己的历史则是镜像反转：在一个修订版中是 57，并成为厂商和媒体的头条，而在另一个修订版中则是 29.7。两个方向上的教训是一样的——分数只有附上它的尺子才有意义，而厂商对别人指数的版本仍然是厂商的数字。

用一个键同时运行两者

Gemini 3.1 Pro 已在 OrcaRouter 上线，模型为google/gemini-3.1-pro-preview，按供应商自身的标价，并原样沿用 200,000 token 的重新计价分界——低于该分界时输入 $2.00、输出 $12.00，高于时输入 $4.00、输出 $18.00，缓存输入 $0.20 和 $0.40。我们这边不加价，1,048,576 token 的上下文窗口和 65,536 token 的输出上限也按公布值原样传递。

Muse Wonder 并不在 OrcaRouter 上。我们的目录中没有 meta/muse-wonder 这一条目，我们也不会把它当作存在来描述；目前该模型运行在 Meta 自家 API 以及 Muse Code 之中。我们确实收录了来自同一实验室的 Muse Spark 1.2 和 Muse Spark 1.1，因此在使用同一密钥的情况下即可访问 Muse 系列，而 Wonder 检查点则在积累实际表现记录。

这里真正重要的实际原因是分档边界。一个在 200,000 个 token 时会对整个请求重新计价的模型，正是那种你需要实测而不是想当然的东西，因为你的提示词长度决定了同一次调用你付的是 2 美元还是 4 美元。OrcaRouter 将200 多个模型放在一个兼容 OpenAI 的端点之后，提供商目录价原样透传——因此，用你的真实流量在这个阈值两侧分别对 Gemini 3.1 Pro 以及目录中的其他任何模型跑一轮，只需一个密钥和一个下午，而不是一整个采购周期。当我们路由的某家提供商开始提供 Muse Wonder 时，这项测试的另一半就变成改一个模型名称。

裁决

• 如果你的工作是长文档、混合媒体分析——输入占大头、答案很简短——那就选 Gemini 3.1 Pro：20 万以下 $2.00 的费率、每个索引任务 $0.67 的成本，很难被超越，而它背后七个月的生态积累，也是刚发布一周的模型所无法匹敌的。

• 如果你要在一轮中生成超长输出，或把语音和视频直接输入模型，那就选 Muse Wonder。当替代方案是把多次生成拼接在一起时，943,718 个 token 的输出预算就不只是一项规格参数了。

• 在为 Gemini 3.1 Pro 报价之前，先看清 20 万 token 这条分界线。在这条线之上，两个模型的价格几乎持平——而对于那些真正要用到大上下文窗口的工作负载而言，这恰恰颠覆了这道比较题在直觉上的答案。

• 将22点差距视为一种方向，而非一项测量值。它是通过比较两个指数修订版得出的；在较早的修订版中，Gemini 3.1 Pro 的读数为46，而同一个未更改的检查点在不同时间被公布为57、46、30和29.7。

两个模型，一个自二月起就以预览标识提供服务，另一个才发布两天，在越过 200K 边界后定价几乎相同，并且在当前榜单上相差二十二分。这些事实中只有一项能在更换标尺后依然成立——而它不是那二十二分。