Muse Wonder 對上 Gemini 3.1 Pro：二十二個指數點、兩條發布列車，以及一個在其中一條之下變動的計分板

Gemini 3.1 Pro在 2026 年 2 月推出時，於 Artificial Analysis' Intelligence Index 拿下 57 分，並登上榜首。如今以同一指數的最新修訂版來看，它得分 29.7。這款模型本身沒有任何改變。2026 年 10 月 12 日發布的 Muse Wonder，在同一榜單上的讀數是 52——而大多數人會做的比較，也就是 52 對 29.7，是一個真實的差距，同時也是個會誤導人的差距，因為其中很大一部分是重新評分所製造出來的，而不是六個月的模型進展所帶來的。這場對決的誠實版本，是把兩款已上市模型 Gemini 3.1 Pro 與 Muse Wonder 放在一把已被更換過兩次的尺上比較，然後再問它們各自真正的用途是什麼。

在數字之前，先建立一個理解框架。它們並非典型「對比頁」意義上的競爭對手。Gemini 3.1 Pro 是該產品線中最後一個仍在運作的 Pro 層級端點，在發布七個月後仍以預覽版識別碼提供服務。Muse Wonder 是 Meta Superintelligence Labs 最新的前沿發布，並有一個需訂閱才能取用、分數更高的同系模型。一個是長上下文多模態的苦力型模型，其價格就是它的論點；另一個是輸出量龐大的代理式模型，其價格則是最需要仔細斟酌的一件事。

統治者換了，模式沒變。

這正是規格表不會告訴你的比較部分，而這也是為什麼表面上的差距在兩個方向上都具有欺騙性。

Artificial Analysis 於 2026 年 9 月初推出 Intelligence Index v4.3，之後又再次修訂。該次更新以難度更高的 Terminal-Bench v4.0 取代 Terminal-Bench v2.1，並將 τ³-Banking 換成 AutomationBench-AA，這是一個以私有留出任務集打造的代理式工作流程基準。私有留出任務集的權重升至 45%。結果，前沿模型的分數全面下滑——在舊量表上位於六十幾分的模型，落到了五十出頭。Gemini 3.1 Pro 沒有跌得那麼多；它跌到不到 30。

所以，同一個未經更動的檢查點，在流通中有四種已公布的讀數——57、46、30 和 29.7——取決於你打開哪個頁面，以及什麼時候打開。這不是醜聞，而是當其底下的測試變得更難時，一個良好指標該有的樣子。然而，這正是永遠不該比較來自兩個不同修訂版本之兩個數字的理由，而「52 對 29.7」這種說法，恰恰會誘使你去這麼做。

每個模型實際上是什麼

• Gemini 3.1 Pro — 於 2026 年 2 月 19 日發表的封閉權重原生多模態推理模型，在端點gemini-3.1-pro-preview仍歸類於「Preview」。此產品線中沒有 3.5、3.6、3.7 或 3.8 Pro；Flash 系列已推進五次，而 Pro 系列則紋風不動。

• Muse Wonder — 一款於 2026 年 10 月 12 日發布的封閉權重前沿模型，以 muse-wonder-1.0 的名義在 Meta 自家 API 及 Muse Code 中提供。第二個檢查點 Muse Wonder Full 在 Meta 自家的評測表上得分更高，且僅限 Muse Code 訂閱用戶使用。

• 脈絡 — Gemini 3.1 Pro 1,048,576 個輸入 token；Muse Wonder 1,048,576。水準如此，且與當前多數前沿並駕齊驅。

• 輸出上限 — Gemini 3.1 Pro 單次回應為 65,536 個 token；Muse Wonder 為 943,718。這是兩個模型之間最大的單一差距，而且達到十四倍之多。

• 價格 — Gemini 3.1 Pro 在提示低於 200,000 個 token 時，每百萬個輸入 token 為 $2.00，每百萬個輸出 token 為 $12.00；超過時則升至 $4.00 與 $18.00，快取輸入為 $0.20 與 $0.40。Muse Wonder 則均一價 $4.00 與 $20.00，快取輸入 $0.20。在短提示下，它的輸入價格只要一半，輸出便宜 40%；超過 200,000 個 token 後，兩者幾乎完全趨同。

• 輸入模態 — Gemini 3.1 Pro 接受文字、圖像、影片、音訊和檔案。Muse Wonder 接受文字、圖像、語音和影片。兩者都只輸出文字。表面上，這兩者聽起來是同一句話；但實務上，工具生態系已經有七個月的工具是圍繞著它打造出來的。

• 推理 — Gemini 3.1 Pro 支援思考層級控制，思考 token 以輸出費率計費。Muse Wonder 的推理為強制啟用，提供從最低到最高的努力程度階梯，預設為中等，且完全沒有非思考路徑。

• 獨立指數 — Gemini 3.1 Pro 在當前版本為 29.7，較早讀數為 46，推出時期讀數為 57；Muse Wonder 在當前版本為 52。

大多數團隊意外跨越的重新定價界線

Gemini 3.1 Pro 的費率表有一個級距，而且那不是超額費用。在 200,000 個輸入 token 以下，該模型的價格是 $2.00 和 $12.00；超過該門檻後，請求會重新計價為 $4.00 和 $18.00。一筆 210,000 個 token 的請求，其前 200,000 個 token 不會以較便宜的費率計費——整筆請求會移到較高的級距。

對一個整個賣點就是百萬 token 上下文窗口的模型來說，這確實是件古怪的事：窗口是真的，但只有前五分之一才以廣告上的價格提供。在門檻之上的 $4.00 與 $18.00 價位，Gemini 3.1 Pro 的定價與 Muse Wonder 的 $4.00 和 $20.00 相差無幾，而快取讀取也同樣是每百萬 $0.20。因此，「輸入更便宜」這個說法，恰好只成立到你真正用上你買這個模型所為了的那項能力為止。

這個平衡砝碼落在輸入端，而輸入端的經濟效益確實強勁，且有獨立測量數據佐證。Artificial Analysis 記錄到 Gemini 3.1 Pro 每項索引任務的成本約為 $0.67，整個索引運行期間產生約 6,700 萬個輸出 token，相較之下，同價格級距模型的中位數約為 9,000 萬。一個以較少 token、較低費率作答的模型更為便宜，而這種便宜是任何價目表都無法直接呈現的——而這正是應該拿來與 Muse Wonder 每項索引任務約 $4.52 相比的數字；後者是較高費率，以及約 1.3 億個輸出 token（相對於 8,500 萬的中位數）共同造成的結果。

你實際上是在什麼之間做選擇

當今這把尺規上的能力差距確實存在——52 對 29.7 是二十二分的差距，而且這不是雜訊——但這是在比較一個問世五週的前沿發行版，與一個已存在七個月、廠商從未讓它脫離預覽狀態的預覽版。要在兩者之間做選擇，與其說取決於哪個分數更高，不如說取決於你能忍受哪一種失敗模式。

Gemini 3.1 Pro 的限制是結構性的，且眾所周知。65,536 個 token 的輸出上限使其無法用於單輪長篇生成，而這正是 Muse Wonder 的 943,718 個 token 預算最明顯的優勢所在。根據公佈的測量數據，首個 token 的時間約為 35.7 秒，這對任何互動式應用來說都偏慢。而預覽識別碼才是真正的風險：預覽端點可能會在未提升版本號的情況下被修改或停用，這就是為什麼在該模型上，鎖定確切的模型 ID 而非別名是標準做法。

Muse Wonder 的局限同樣是結構性的，而且新得多。推理是強制性的，因此每次呼叫都得為思考 token 付費，價格是每百萬 $20，沒有便宜的路徑——Gemini 3.1 Pro 的思考等級至少還能調降到接近零。獨立量測不過是某位評估者在一個才推出兩天的模型上的一列數據。而你正在比較的這個東西中得分最高的版本，Muse Wonder Full，被鎖在每月 $50 到 $200 的訂閱方案之後，而不是能以同一頁面上的每 token 價格取得。

還有一個值得指名的基準完整性面向，因為這個特定配對正好是個很好的例證。Meta 的發布表將 Muse Wonder Full 在 Artificial Analysis Index 上列為 59.0，而 Artificial Analysis 本身公布的是 56；它也將可呼叫的 Muse Wonder 列為 56，而評估者讀到的是 52。Gemini 3.1 Pro 自身的歷史則是鏡像：某個修訂版本上是廠商與媒體頭條的 57，另一個版本上則是 29.7。無論哪個方向，教訓都一樣——分數唯有附上它的尺規才有意義，而廠商版本的他人指數仍然只是廠商數字。

從一個按鍵同時執行兩者

Gemini 3.1 Pro 已在 OrcaRouter 上線，型號為 google/gemini-3.1-pro-preview，採用供應商本身公布的定價，並原封不動地沿用 200,000 個 token 的重新計價分界——分界以下為輸入 $2.00、輸出 $12.00，分界以上為 $4.00 與 $18.00，快取輸入則為 $0.20 與 $0.40。我們這邊沒有任何加價，1,048,576 個 token 的內容視窗與 65,536 個 token 的輸出上限皆依公布值原樣提供。

Muse Wonder 並不在 OrcaRouter 上。我們的目錄中沒有 meta/muse-wonder 項目，我們也不會把它描述成好像有；目前該模型在 Meta 自家 API 上以及 Muse Code 內運行。我們從同一間實驗室實際提供的是 Muse Spark 1.2 與 Muse Spark 1.1，因此 Muse 系列可透過同一組金鑰存取，而 Wonder 檢查點則在建立實績紀錄。

這裡真正重要的實際理由是分級界線。一個會在 200,000 個 token 時將整個請求重新計價的模型，正是那種你該實際測量、而非憑空假設的東西，因為你的提示長度決定了同一通呼叫你付的是 $2 還是 $4。OrcaRouter 把200 多個模型放在同一個相容 OpenAI 的端點之後，並原封不動地照樣傳遞供應商的定價表——因此，拿你的真實流量在那個門檻的兩側對 Gemini 3.1 Pro 跑一輪，以及對目錄裡其他任何模型跑一輪，只需一把金鑰和一個下午，而不是一整個採購週期。當我們所路由的供應商開始提供 Muse Wonder 時，那項測試的另一半就只是換個模型名稱而已。

裁決結果

• 若你的工作是長文件、混合媒體分析，且輸入佔主導而答案簡短，那就選 Gemini 3.1 Pro——200K 以下的 $2.00 費率和每項索引任務 $0.67 的成本都很難被超越，而它背後七個月的生態系所帶來的價值，更是剛推出首週的模型所無法比擬的。

• 如果你是在單一回合中生成冗長輸出，或直接把語音與影片饋入模型，就選 Muse Wonder。當替代方案是把多次生成拼接起來時，943,718 個 token 的輸出預算可不只是規格細節。

在為 Gemini 3.1 Pro 報價之前，請先留意 200,000 token 這條界線。在這條線之上，兩款模型的成本幾乎相同，這會顛覆這項比較的直覺答案，而且正好是針對那些會使用大型上下文視窗的工作負載。

• 把 22 分的差距視為方向，而非測量值。這是在比較兩個索引版本後得出的；在較早的版本中，Gemini 3.1 Pro 的讀數是 46，而同一個未變更的檢查點，在不同時間曾公布為 57、46、30 和 29.7。

兩款模型，一款自二月起以預覽版識別碼提供，另一款才推出兩天，在跨過 200K 門檻後定價幾乎相同，而在目前排行榜上相差二十二分。這些事實中，只有一項在換一把尺來衡量後仍能成立——而那並不是二十二分。