Muse Wonder 對決 GPT-6 Astra：標價高出 2.5 倍的模型，反而才是更便宜的那個

GPT-6 Astra 每百萬個輸入 token 收費 $10.00，每百萬個輸出 token 收費 $50.00。Meta Muse Wonder 則收費 $4.00 與 $20.00。在採購決策最關鍵的兩份文件——價目表與基準測試表——上，成本是另一方 2.5 倍的模型勝出，而且勝出差距絕對不小：在 Artificial Analysis 自家的評測框架上，GPT-6 Astra (max) 完成一項 Intelligence Index 任務約需 $3.26，而 Meta Muse Wonder (max) 完成同一項任務約需 $4.52，同時還多拿一分。Meta Superintelligence Labs 於 2026 年 10 月 12 日推出 Muse Wonder，具備百萬 token 視窗與強制推理。該廠商於 2026 年 9 月初推出 GPT-6 Astra，具備 1,050,000 token 的上下文與 128,000 token 的最大輸出。如果你根據每 token 價格在兩者之間做選擇，那你看錯數字了。

兩張費率卡，以及它們預示了什麼

在有任何實測數據加入之前，以下是各廠商所公布的內容，並列對照。

• 輸入 — GPT-6 Astra 每百萬個 token 為 $10.00；Muse Wonder 為 $4.00。Astra 是 2.5 倍。

• 輸出 — GPT-6 Astra 每百萬個 Token $50.00；Muse Wonder $20.00。另外亦為 2.5 倍。

• 快取輸入 — GPT-6 Astra 每百萬 $1.00；Muse Wonder $0.20。在重複前綴代理式流量佔主導的那條線上，Astra 是 5 倍。

• 第二級距——提示 token 超過 272,000 個的請求，輸入以 $20.00 計費，輸出以 $75.00 計費。Muse Wonder 沒有公佈級距；$4.00 和 $20.00 適用於整個視窗。

• 上下文視窗 — GPT-6 Astra 1,050,000 個 token；Muse Wonder 1,048,576。就視為相同。

• 最大輸出 — GPT-6 Astra 128,000 個 token；Muse Wonder 記錄 943,718，對比其 1,048,576 個 token 的視窗。

• 輸入介面——GPT-6 Astra 接受文字、圖像與檔案；Muse Wonder 則宣稱支援文字、圖像、語音與影片。

• 權重 — 兩者都不開放。兩者皆為專有，且都不允許自行託管。

這每一點都指向同一個方向。Astra 屬於高價位模型，Muse Wonder 則屬於中價位，而 272,000-token 級距讓任何以長上下文作業的人面對的差距更加懸殊——400,000-token 的提示在 Astra 上每百萬收費 $20.00，是 Muse Wonder 輸入費率的五倍。無論怎麼解讀這兩張費率表，Muse Wonder 都是較便宜的模型。

完成一項工作要花多少成本，也就是另一個數字

Artificial Analysis 同時公布了每個模型在其 Intelligence Index 上消耗的 token 量，以及由此得出的每項任務成本。這組數據正是這項比較出現反轉的地方。

• 每項 Intelligence Index 任務的成本 — GPT-6 Astra (max) 約 $3.26；Muse Wonder (max) 約 $4.52

• 該次執行所消耗的輸出 token——GPT-6 Astra 約 6,000 萬；Muse Wonder 約 1.3 億，對照全體中位數約 8,500 萬

• 評估者本人的措辭——GPT-6 Astra 被形容為「相當簡潔」；Muse Wonder 則被形容為「略嫌冗長」

• 智能指數 — GPT-6 Astra（max）53；Muse Wonder（max）52

• 同一輪次的速度 — GPT-6 Astra 約每秒 66 個詞元；在此配對中，評估者未記錄 Muse Wonder

這就是整個論點，五句話講完。Astra 完成一項任務大約輸出 6,000 萬個 token，而 Muse Wonder 要花 1.3 億個，比例優於二比一，而這個比例遠遠足以吸收輸出價格上 2.5 倍的差距。換句話說：每個 token 的價格是廠商行銷的產物，而每項任務所需的 token 數則是模型被訓練成如何行為的產物。這裡真正發揮作用的是後者。

這也是這個組合讀起來不同於一般「昂貴模型就是貴」故事的原因。Astra 無論從哪個角度衡量都不是平價模型——在我們自家目錄中，它是當前 GPT-6 旗艦裡標價最高的品項，而它的輸入費率是排行榜中位數的五倍。它的成本結構被設計成偏向深思，而非用量：輸出 token 更少、每 token 價格更高、每完成一件工作的帳單更低。評估者用的詞是「簡潔」，而這是這個模型在財務上最相關的一點。

Astra 的優勢止於何處

這個落差確實存在，但並不均勻，而且有三個限定條件應緊隨其後。

首先，這個指數是由十項評估組成的綜合指標，而不同任務對 token 的需求量各異。以長篇生成為主的工作負載——起草、文件撰寫、帶有大量註解的程式碼——正是 Muse Wonder 的 943,718 token 輸出上限值得擁有的情境，而在這種情境下，Astra 的簡潔與其說是優勢，不如說是一種限制；128,000 token 的最大輸出量是一道硬性上限，而且它比大多數人在讀到「1.05M 上下文視窗」並在心裡把它延伸到回應時所假設的還要小。

第二，第二個定價級距正是對那些看起來最吸引人的工作負載所設下的陷阱。對 300,000 token 語料庫進行深度研究、全儲存庫審查、完整合約集——這些是 Astra 宣稱的強項，而它們也正是會超過 272,000 個提示 token、並讓整個請求以輸入 $20.00、輸出 $75.00 重新計價的請求。Muse Wonder 在整個視窗中一律為 $4.00 與 $20.00，意味著會重新傳送大量前綴的長上下文代理，在輸入與輸出兩端都支付可預測的費率；而其 $0.20 的快取讀取相對於 Astra 的 $1.00，正是在這種每一輪都重播相同上下文的形態下最為重要。

第三，基準差距是綜合指標上的一分，而該指標的領域中位數為 27，且這個差距來自一個值得點名的廠商與獨立評測之間的分歧。在 GPQA Diamond 題庫上，我們自家的目錄將 GPT-6 Astra 列為 96.1——遙遙領先它所列出的其他數字——而 Artificial Analysis 則認為其 Humanity's Last Exam 結果與 Claude Opus 5 相當，其 Terminal-Bench 4.0 分數為 59.1，而 Muse Wonder 為 85.6。與此同時，Meta 自家的表格是由廠商在 Meta 的測試框架中自行報告，且未經重現，這就是為什麼 Meta 在指數上將 Muse Wonder Full 列為 59.0，而評測機構本身卻公布 56。將這些數字全部視為某人對自家模型的主張，並將 $3.26 和 $4.52 視為本文中唯一以相同方式為雙方產生的數字。

兩者中該選哪一個

從這些數字得出的決策規則，比「選比較便宜的那個」更狹隘。

• 當任務是分析、推理與專業交付成果，而 GPT-6 Astra 能以比替代方案更少的 token 完成時，就選擇它——其實測的成本優勢完全來自精簡，因此若某項工作負載迫使輸出冗長，這項優勢便會蕩然無存。

• 當輸入是語音或影片（Astra 完全不接受這兩者），或單一回應需要超過 128,000 個 token 時，請選擇 Muse Wonder。

當工作負載是長上下文，且在帳務兩端都高度依賴快取時，請選擇 Muse Wonder，因為快取價格為 $0.20 對比 $1.00，且超過 272,000 個 token 後採均一費率，能抵銷部分每項任務的差距。

• 若工作負載是高流量且純文字，兩者都別選；更便宜的開放權重模型只需任一價目表的一小部分費用，就能完成同樣的工作，而你所放棄的七到八個指數分數，在兩個模型都能完成的任務上根本看不出來。

兩者都只差一鍵，而這就是實用之處。

GPT-6 Astra 已在 OrcaRouter 上線，因此上面的比較是你可以直接執行、而非只能閱讀的內容。它預設以供應商的定價表費率列出——輸入 $10.00、輸出 $50.00，快取讀取 $1.00——並忠實帶入 272,000 token 的分層級距，因為若轉送時忽略了第二層級，所產生的帳單就會與供應商的不符。它同時支援 GPT chat-completions 格式與原生 Responses API，因此既有的 GPT 整合只需變更 base URL 就能移轉過來，而不必改寫。

Muse Wonder 並不在我們的型錄中，我們也不會把它描述得像是在型錄裡一樣：要取得它得透過 Meta 的 Model API，而分數更高的 Full checkpoint 根本不是以按 token 計價的方式販售。Muse Spark 1.2才是我們從 Meta 引進的產品——一個多模態推理 checkpoint，在 1,048,576 個 token 的規模下，輸入每單位 1.25 美元、輸出每單位 4.25 美元——如果你要的是那個實驗室而不是旗艦型號，這是誠實的便宜選擇。

共用同一個端點所帶來的，是可量測的數據，而不是爭論。換掉模型，讓提示詞與 effort 維持不變，再比較兩者各自輸出的 token 數。評測者那 6,000 萬對上 1.3 億的差距，是你大概根本沒跑過的十項基準測試的平均值；真正能決定你是在用 2.5 倍價格做更廉價的工作、還是恰恰相反的，是你自己的數字。如果這種精簡度無法在你自己的工作負載上重現，那你就學到了費率表無法告訴你的事——而跨供應商的自動容錯移轉，意味著你不必再做一次整合、也不必再簽一份合約，就能發現這件事。

簡短版本

Meta Muse Wonder 是每 token 較便宜的模型，卻是每完成一項任務較貴的那一個。GPT-6 Astra 則相反：高階費率表搭配一個只需不到一半輸出 token 就能完成的模型，這讓它每項索引任務便宜約 28%，在索引上也高出一分。只看標價挑選的人會選 Muse Wonder，然後付更多錢；只看索引挑選的人會選 Astra，卻忽略了它的長上下文層級與 128,000 token 輸出上限，正是較便宜模型更勝一籌的兩種情況。

真正值得標記為尚未解決的組合，是第三組——兩家廠商都不會把它放上簡報：兩者都是閉源，兩者定價都落在評估者所謂的昂貴區間，而兩者在每任務成本上都正被收費僅為任一方五分之一價格的開放權重模型逐步追過。那是預算終將迫使做出的比較，而它並未出現在兩篇發布文章中的任何一篇。