GPT-5.1-CodexилиMuse Spark 1.1
3 раунда из 6 — ничья или почти ничья. Spark впереди в качестве с рассуждениями, в цене и в возможностях. Ниже — счёт по трём источникам: что заявили поставщики, что намерила независимая лаборатория и что мы видим на реальных запросах. Переключатель «что важнее» меняет счёт — проверьте свой расклад.
- Поставщик карточки моделей и правила кэша
- Лаборатория Artificial Analysis, одна методика на обе
- Hubris наши реальные запросы за 30 дней
Сводная оценка Лаборатория Hubris
Одно число на модель от 0 до 100: качество, скорость, цена, кэш и возможности, нормированные по всему каталогу. Засечки — остальные модели на той же шкале.
Spark опережает GPT-5.1-Codex на 15 % по сводной оценке при выбранных весах. Из чего складывается — в раундах ниже.
Счёт по раундам 47 : 56
Раунд 1 из 11
Качество с рассуждениями
Качество мы не измеряем — это цифры независимой лаборатории: девять тестов одной методикой на обе модели, рассуждения включены на максимум. Шкала от 0 до 100.
Индекс интеллекта Лаборатория
Artificial Analysis, индекс v4. Замеры: GPT-5.1 Codex (high), Muse Spark 1.1 (xhigh).
Лаборатория ещё не измерила Muse Spark 1.1 в этом режиме — раунд в счёт не идёт.
Сторонние оценки LMArena · MERA
Справочно, очков не дают. LMArena — рейтинг по слепым голосам людей; MERA — открытый бенчмарк на русском языке от Альянса ИИ.
Раунд 2 из 11
Качество без рассуждений
В чате, поддержке и массовых задачах думать некогда — рассуждения выключены. Здесь картина часто другая.
Индекс интеллекта Лаборатория
Та же методика, режим без рассуждений.
Лаборатория ещё не измерила GPT-5.1-Codex в этом режиме — раунд в счёт не идёт.
Раунд 3 из 11
Код
Задачи из настоящих репозиториев и соревновательный код. У разных моделей лаборатория успела измерить разное — в счёт идут те тесты, что есть у обеих.
Кодинг Лаборатория
Сводный индекс кодинга (0–100) и отдельные тесты в процентах решённых задач.
Лаборатория ещё не измерила GPT-5.1-Codex в этом режиме — раунд в счёт не идёт.
Лаборатория ещё не измерила Muse Spark 1.1 в этом режиме — раунд в счёт не идёт.
Лаборатория ещё не измерила GPT-5.1-Codex в этом режиме — раунд в счёт не идёт.
Сторонние лидерборды SWE-bench · LMArena
Справочно, в счёт раунда не идут: методика у каждого своя. У SWE-bench результат — это связка модели с конкретным агентом, поэтому рядом указаны агент и год лучшего известного прогона.
Раунд 4 из 11
Математика
Счёт, доказательства и олимпиадные задачи. Полезно там, где ответ либо верный, либо нет: аналитика, финансы, инженерные расчёты.
Математика Лаборатория
Сводный индекс (0–100) и доля решённых олимпиадных задач.
Лаборатория ещё не измерила Muse Spark 1.1 в этом режиме — раунд в счёт не идёт.
Лаборатория ещё не измерила Muse Spark 1.1 в этом режиме — раунд в счёт не идёт.
Раунд 5 из 11
Инструменты и агент
Модель в роли агента: вызвать нужный инструмент, довести многошаговый диалог до результата, поработать в терминале. Именно это отличает модель для агентского клиента от модели для чата.
Инструменты и терминал Лаборатория
Доля доведённых до конца сценариев.
Раунд 6 из 11
Следование инструкциям
Делает ли модель ровно то, о чём просили: держит формат, не добавляет лишнего, соблюдает ограничения. От этого зависит, придётся ли разбирать ответ костылями.
Следование инструкциям Лаборатория
Доля заданий, где все требования соблюдены.
Лаборатория ещё не измерила Muse Spark 1.1 в этом режиме — раунд в счёт не идёт.
Раунд 7 из 11
Длинный контекст
Большое окно контекста и умение им пользоваться — разные вещи. Здесь проверяется второе: рассуждения по длинному тексту, а не размер окна из карточки.
Рассуждения на длинном контексте Лаборатория
Доля верных ответов по длинному тексту. Размер окна — в раунде «Возможности».
Раунд 8 из 11
Скорость
Пауза до первого слова и скорость письма. Очки — по нашим данным, это то, что вы получите на практике.
Один и тот же запросHubris
Проигрываем ответ на измеренной скорости: пауза до первого слова, потом письмо. Длина ответа одинаковая, иначе модели несравнимы.
По GPT-5.1-Codex пока мало запросов, чтобы мерить скорость.
По Muse Spark 1.1 пока мало запросов, чтобы мерить скорость.
Раунд 9 из 11
Цена
В рублях, за миллион токенов. Списывается по факту — за то, что реально отправили и получили.
Прайс и реальный средний чек Hubris
Первые две колонки — ставки каталога. Третья — сколько в среднем стоит один запрос нашим пользователям к этой модели.
| Модель | Входные токеныто, что вы отправили | Ответ моделито, что она написала | Типичный запроссредний по нашим пользователям |
|---|---|---|---|
| GPT-5.1-Codex | 158 | 1 262 | мало данных |
| Muse Spark 1.1 | 158 | 537 | мало данных |
| Разница | вровень | вровень | — |
Раунд 10 из 11
Кэш
Если начало промпта повторяется от запроса к запросу — системная инструкция, приложенный документ, история переписки, — эта часть считается со скидкой. Включается она у моделей по-разному, и на этом легко потерять деньги.
Правила кэширования Поставщик
Скидка применяется автоматически — Hubris списывает по фактической цене исполнения, в которой кэш уже учтён.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 90 % применится сама.
Повторяющееся начало промпта кэшируется само. Ничего помечать не нужно: если первые токены совпадают с недавним запросом, скидка 88 % применится сама.
cached_tokens.Раунд 11 из 11
Возможности
Контекст, что принимает на вход, рассуждения, приватность, надёжность. За каждый пункт — очки по одной шкале.
- ✓Контекст 400 тыс. токенов
- ✓Принимает картинки
- —Файлы не принимает
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
- ✓Контекст 1,05 млн токенов
- ✓Принимает картинки
- ✓Принимает файлы
- ✓Умеет рассуждать перед ответом
- ✓Не обучается на ваших данных
Итог
Кто победил
Коротко
Плюсы и минусы
Преимущества каждой модели над другой — из тех же данных, что и раунды, в процентах и секундах.
Преимуществ перед соперником по нашим данным нет.
- качество с рассуждениями выше на 31 %
- контекст больше на 62 %
Выбор
Когда какую брать
Обе доступны по одному ключу — переключиться можно на любом запросе, поменяв одну строку.
- Задачи, где важны цена и надёжность — смотрите раунды выше
- Массовые задачи, где счёт за токены — главная статья расходов
- Сложные задачи, где модели дают подумать: код, анализ, агенты
Вопросы
Что обычно спрашивают
Какая модель лучше для написания кода?
По независимому индексу с рассуждениями — 23.7 против 34.3. На практике для больших проектов берут ту, что лучше держит длинный контекст задачи; Spark здесь предпочтительнее, а для мелких правок и массовых операций важнее скорость и цена.
Что такое кэш промптов и почему это важно?
У обеих кэш включается сам: если начало промпта совпадает с недавним запросом, эта часть считается со скидкой. Ничего помечать не нужно.
Откуда взяты цифры скорости?
Это наши измерения по успешным запросам через Hubris за последние 30 дней, а не заявления поставщиков: время до первого слова и скорость письма от начала до конца ответа. В паузу входит и наш участок пути. Лабораторная дорожка рядом — Artificial Analysis, прямой API одним промптом: это потолок, наша цифра — то, на что стоит рассчитывать.
Можно ли переключаться между моделями?
Да, обе доступны по одному ключу. Чтобы сменить модель, достаточно поменять её идентификатор в запросе — ни отдельного договора, ни второго ключа не нужно.
Дальше
Другие сравнения
Каждая из этих двух — против соседей по каталогу. Любую пару можно собрать в выборе наверху страницы.
Источники: GPT-5.1 Codex (high) и Muse Spark 1.1 (xhigh) — Artificial Analysis, 2026-09-18; цены, контекст и модальности — каталог Hubris, 2026-09-18; скорость и средний чек — запросы через Hubris за 30 дней.