Muse Wonder 对比 GPT-6 Astra：标价高 2.5 倍的模型反而更便宜

GPT-6 Astra 每百万输入 token 收费 10.00 美元，每百万输出 token 收费 50.00 美元。Meta Muse Wonder 则分别收费 4.00 美元和 20.00 美元。在关乎采购决策的两份最重要文件——价目表和基准测试表——上，价格贵出两倍半的那个模型胜出，而且优势毫不接近：在 Artificial Analysis 自家的评测框架上，GPT-6 Astra（max）完成一项 Intelligence Index 任务约需 3.26 美元，而 Meta Muse Wonder（max）完成同一任务约需 4.52 美元，得分还低一分。Meta Superintelligence Labs 于 2026 年 10 月 12 日发布 Muse Wonder，具备百万 token 上下文窗口，且强制开启推理。该厂商于 2026 年 9 月初推出 GPT-6 Astra，上下文长度为 1,050,000 token，最大输出为 128,000 token。如果你正依据每 token 价格在两者之间做选择，那你读错了数字。

两张费率卡，以及它们预示了什么

这里是各供应商发布的内容，并排列出，此时尚未有任何实测数据介入。

• 输入 — GPT-6 Astra 每百万 token 10.00 美元；Muse Wonder 4.00 美元。Astra 是 2.5 倍。

• 输出 — GPT-6 Astra 每百万 token 50.00 美元；Muse Wonder 20.00 美元。同样为 2.5 倍。

• 缓存输入 — GPT-6 Astra 每百万 $1.00；Muse Wonder $0.20。在主导重复前缀智能体流量的产品线上，Astra 的价格是 Muse Wonder 的 5 倍。

• 第二档——提示 token 超过 272,000 的请求，输入按 $20.00、输出按 $75.00 计费。Muse Wonder 没有公布分档；$4.00 和 $20.00 适用于整个窗口。

• 上下文窗口 — GPT-6 Astra 1,050,000 个 token；Muse Wonder 1,048,576。就当它们一样吧。

最大输出——GPT-6 Astra 128,000 个 token；Muse Wonder 文档记录 943,718，对应其 1,048,576 个 token 的窗口。

• 输入形式 —— GPT-6 Astra 接受文本、图像和文件；Muse Wonder 则宣称支持文本、图像、语音和视频。

• 权重 — 两者都不开放。两者都是专有的，都无法自行托管。

这一切的每一条都指向同一个方向。Astra 是高端定价模型，而 Muse Wonder 是中等定价模型；对于任何在长上下文下工作的人来说，272,000 token 这一档还会让差距进一步拉大——400,000 token 的提示在 Astra 上按每百万 $20.00 计费，是 Muse Wonder 输入费率的五倍。无论怎样解读这两份费率表，都无法得出 Muse Wonder 不是更便宜模型的结论。

完成一项工作要花多少钱，这就是另一个数字

Artificial Analysis 既发布了每个模型在其智能指数上消耗的 token 量，也发布了由此产生的每任务成本。{{1}}这一对数据正是这种比较发生反转的地方。{{/1}}

• 每项 Intelligence Index 任务成本 — GPT-6 Astra（最高）约 3.26 美元；Muse Wonder（最高）约 4.52 美元

• 该次运行消耗的输出 token——GPT-6 Astra 约 6000 万；Muse Wonder 约 1.3 亿，而榜单中位数接近 8500 万

• 评估者自己的措辞——GPT-6 Astra 被描述为“相当简洁”；Muse Wonder 则被描述为“有些冗长”

• 智能指数 — GPT-6 Astra（最高）53；Muse Wonder（最高）52

• 同一轮运行中的速度 — GPT-6 Astra 约为每秒 66 个 token；评估方未在此配对中记录 Muse Wonder

这就是整个论证，五行就能说完。Astra 完成一项任务大约会输出 6000 万个 token，而 Muse Wonder 要花费 1.3 亿个 token，比例优于二比一，而这个比例足以吸收输出价格上 2.5 倍的差异。换句话说：每个 token 的价格是厂商营销宣传的属性，而每项任务所需的 token 数则是模型被训练成如何行事的属性。在这里真正起作用的是后者。

这也正是为什么这种搭配读起来不同于通常那种“贵模型就是贵”的叙事。无论如何，Astra 都不是一款廉价模型——在我们自己的目录中，它是当前 GPT-6 旗舰产品里标价最高的一个，其输入费率是榜单中位数的五倍。这是一款成本结构被设计为偏向深思而非吞吐量的模型：更少的输出 token，更高的每 token 价格，更低的每完成一项任务的账单。评估者用的词是“简洁”，而这是该模型在财务上最相关的一点。

Astra 的优势止于何处

这个差距确实存在，但并非整齐划一，而且有三个限定条件应当与之并列。

首先，该指数由十项评估综合而成，而 token 消耗量因任务而异。以长文本生成为主的工作负载——起草、文档编写、带有大量注释的代码——正是 Muse Wonder 943,718 token 输出上限值得拥有的场景，也是 Astra 的简洁与其说是优势、不如说是局限的场景；128,000 token 的最大输出是一道硬性上限，而且它比大多数人在读到“1.05M 上下文窗口”并下意识地将其延伸到回复时所设想的要小。

其次，第二档定价层级恰恰对那些看起来最有吸引力的工作负载来说是个陷阱。对 300,000 token 语料库做深度研究、全仓库审查、整套合同——这些都是 Astra 宣称的强项，而它们也正是会超过 272,000 个提示 token、并将整个请求重新定价为输入 $20.00、输出 $75.00 的请求。Muse Wonder 在整个窗口内统一按 $4.00 和 $20.00 计价，这意味着一个会重新发送大段前缀的长上下文智能体在输入和输出两端都支付可预测的费率；而它的 $0.20 缓存读取相对 Astra 的 $1.00，恰恰在那种每一轮都重放同一上下文的场景中最为重要。

第三，基准差距在某个综合评分上只有一分，而该领域的评分中位数为 27，并且它来自一个值得点明的厂商与独立评测之间的分歧。在 GPQA Diamond 问题集上，我们自己的目录把 GPT-6 Astra 列为 96.1——这是它收录的最高数字，而且领先幅度不小——而 Artificial Analysis 将其 Humanity's Last Exam 结果与 Claude Opus 5 的列为持平，其 Terminal-Bench 4.0 得分为 59.1，而 Muse Wonder 为 85.6。与此同时，Meta 自己的表格是由厂商在 Meta 的测试框架中报告的，且未经复现，这就是为什么在评估方自己发布 56 的那个指数上，Meta 把 Muse Wonder Full 标为 59.0。要把其中每一项都当作某方对其自家模型的说法，并把 $3.26 和 $4.52 视为本文中仅有的、对双方都是以相同方式得出的数字。

两者中该选哪一个

从这些数字中得出的决策规则，比“选更便宜的那个”要更窄。

• 当任务是分析、推理和需要交付专业成果的工作时，选择 GPT-6 Astra——它比替代方案用更少的 token 就能完成任务——其经实测的成本优势完全来自简洁，因此一旦工作负载迫使它输出长篇内容，这一优势便不复存在。

• 当输入是语音或视频（Astra 完全不支持这些），或当单个响应需要超过 128,000 个 token 时，请选择 Muse Wonder。

• 当工作负载是长上下文，且账本两端都高度依赖缓存时，选择 Muse Wonder，因为 $0.20 对 $1.00 的缓存价格，以及超过 272,000 个 token 后的统一费率，会逆转部分每任务差距。

• 如果工作负载是高容量且纯文本的，那就两者都不选；一个更便宜的开放权重模型会以任一费率卡的一小部分完成同样的工作，而你放弃的七到八个指数点在两个模型都能完成的任务上根本看不出来。

两者都只需一键，而这正是实用之处。

GPT-6 Astra 已上线 OrcaRouter，因此上面的对比你可以直接跑起来，而不只是读一读。它默认按供应商的标价列出——输入 $10.00、输出 $50.00，缓存读取 $1.00——并如实沿用了 272,000 token 的档位划分，因为如果透传时忽略第二档，生成的账单就会与供应商的对不上。它同时支持 GPT 的 chat-completions 格式和原生 Responses API，因此现有的 GPT 集成只需改一下 base URL 即可迁移过来，而无需重写。

Muse Wonder 不在我们的目录中，我们也不会把它当作在售产品来描述：要获取它需要通过 Meta 的 Model API，而得分更高的 Full checkpoint 根本不以按 token 计费的方式出售。Muse Spark 1.2 是我们从 Meta 提供的产品——一个多模态推理 checkpoint，输入 $1.25、输出 $4.25，上下文长度为 1,048,576 tokens——如果你想要的是实验室而非旗舰产品，它是诚实的廉价选择。

共享同一个端点的那一对模型为你带来的，是一种实测，而不是一场争论。换掉模型 ID，保持提示词和投入程度设置不变，比较你在两者上各自的输出 token 数。评测者给出的 6000 万对 1.3 亿的划分，是在十个基准上取的平均值，而你很可能并不运行这些基准；真正决定你是在为更廉价的工作支付 2.5 倍价格，还是反过来的，是你自己的那个数字。如果这种简洁性在你的工作负载上无法复现，那你就学到了一些费率卡无法告诉你的事情——而跨提供商的自动故障转移意味着，你可以在实时流量中发现这一点，无需第二次集成或第二份合同。

简短版本

Meta Muse Wonder 每 token 更便宜，但每完成一项任务却更贵。GPT-6 Astra 则相反：一张更贵的价目表，挂在一个输出 token 用量不到一半就能完成的模型上，于是折算下来每个索引任务便宜约 28%，在索引上的得分还高出一分。只看标价的人会选 Muse Wonder，结果花得更多；只看索引的人则会选 Astra，却忽略了它的长上下文档位与 128,000 token 的输出上限，恰恰是更便宜的那款模型更占优的两种情形。

真正悬而未决、值得特别指出的那组对比，是第三组——两家供应商都没有把它放进幻灯片：两者都是闭源的，定价都落在评估者所称的昂贵区间，而且在每任务成本上，都在输给收费仅为二者任一费率五分之一的开放权重模型。这是预算最终会迫使人们做出的比较，而它没有出现在任何一家的发布帖中。