LisanBench 大更新：Muse Wonder 包揽前二，多档推理实测

博主 scaling01 于 10 月 24 日发布 LisanBench 基准重大更新：首次系统性地测试了多个推理强度（reasoning effort）档位，并首次拿到完整档位数据。Meta 为测试提供了 Muse Wonder 与 Muse Wonder Full 模型的免费访问额度，博主强调测试与结论保持独立。

已确认

• 总榜：Muse Wonder Full 与 Muse Wonder 包揽前二名
• 成本趋势：达到基准目标的成本每月下降 22-25%
• 性价比榜：Haiku 5.5、GPT 6 Luna 与 DeepSeek V4.1 Flash 1017 在每美元得分上领先，其中 Haiku 5.5 (medium) 单价 $0.22
• token 效率榜：按每步 token 数与每分 token 数衡量，Anthropic（Opus 5.5 low 以每步 7.7 token 居首）与 Muse Wonder 系列产出效率最高
• 高成本样本：Fable 5.1 xhigh 档位单次跑分花费 437 美元
• 任务机制：LisanBench 要求模型构建最长的不重复英语单词链，每步通过增改字母推进；Muse Wonder 的推理扩展（scaling）曲线表现惊艳

为什么重要

• 这是该基准首次覆盖多档推理强度的系统对比，填补了此前仅测单一档位的空白
• 性价比与 token 效率两张切片为不同预算和使用场景的选型提供了互补视角
• 达标成本每月 22-25% 的下降速率量化了模型性价比的演进速度

需要注意 Muse Wonder 由 Meta 免费提供访问，尽管博主声明结论独立，读者评估排名时仍可将此赞助背景纳入考量。

2026-10-24 ~ 2026-10-24 · 5 条相关

• 【源头】LisanBench 大更新：Muse Wonder 包揽前二，达标成本每月降 22-25% — scaling01 · 2026-10-24
• 【源头】LisanBench 性价比榜：Haiku、Luna 与 DeepSeek 每美元得分称王 — scaling01 · 2026-10-24
• LisanBench token 效率榜:Anthropic 与 Muse Wonder 每步产出最高 — scaling01 · 2026-10-24
• LisanBench 词语链基准实测：Muse Wonder 推理扩展曲线表现惊艳 — scaling01 · 2026-10-24
• 【源头】LisanBench 实测：Fable 5.1 xhigh 单次跑分花费 437 美元 — scaling01 · 2026-10-24