Análisis de inteligencia, rendimiento y precio de Muse Glimmer (high)

Name: Inteligencia
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Benchmarks de proveedores de API

Inteligencia

Índice de Inteligencia de Artificial Analysis

Costo

Entrada 0,325 US$Salida 1,35 US$Descuento de caché 88%

$0.07

Costo por tarea del Índice de Inteligencia

Verbosidad

48M

Tokens de salida del Índice de Inteligencia

Muse Glimmer (high) está entre los modelos líderes en inteligencia, pero tiene un precio algo elevado en comparación con otros modelos de pesos abiertos y tamaño similar. También es más lento que el promedio y algo verboso. El modelo admite entrada de texto e imágenes, genera texto y tiene una ventana de contexto de 131k tokens con conocimientos hasta enero de 2026.

Muse Glimmer (high) obtiene 35 puntos en el Índice de Inteligencia de Artificial Analysis, lo que lo sitúa muy por encima del promedio entre modelos comparables (con una mediana de 9). Al evaluar el Índice de Inteligencia, generó 48M tokens, lo que es algo verboso frente a la mediana de 43M.

El precio de Muse Glimmer (high) es de $0.32 por 1 M de tokens de entrada (elevado; mediana: $0.05) y $1.35 por 1 M de tokens de salida (elevado; mediana: $0.15). En total, evaluar Muse Glimmer (high) en el Índice de Inteligencia costó $105.03.

Con 105 tokens por segundo, Muse Glimmer (high) es más lento que el promedio (107).

Razonamiento	Sí Esta página muestra la versión con razonamiento de este modelo. También puede existir una variante sin razonamiento.
Modalidad de entrada	Admite: texto e imágenes
Modalidad de salida	Admite: texto
Fecha límite de conocimiento	4 ene 2026
Ventana de contexto	131k ~197 páginas A4 con fuente Arial de 12 puntos
Parámetros totales	30B
Licencia	Apache 2.0
Pesos del modelo	Hugging Face

Las métricas se comparan con modelos de la misma clase:

Modelos sin razonamiento → se comparan solo con otros modelos sin razonamiento
Modelos de razonamiento → se comparan tanto con modelos de razonamiento como sin razonamiento
Modelos de pesos abiertos → se comparan solo con otros modelos de pesos abiertos de la misma categoría de tamaño:

Muy pequeño: ≤4B parámetros
Pequeño: 4B–40B parámetros
Mediano: 40B–150B parámetros
Grande: >150B parámetros

Modelos propietarios → se comparan con modelos propietarios y de pesos abiertos del mismo rango de precio mediante una proporción combinada de precios de entrada/salida de 3:1:

<$0.15 por 1 M de tokens
$0.15–$1 por 1 M de tokens
>$1 por 1 M de tokens

Aspectos destacados

Inteligencia

Artificial Analysis Intelligence Index · Higher is better

Velocidad

Output tokens per second · Higher is better

Costo por tarea

Weighted average cost (USD) per Intelligence Index task · Lower is better

Inteligencia

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.1.1 incorporates 9 evaluations: GDPval-AA v2, 𝜏³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience, AA-LCR

Reasoning models are indicated by a lightbulb icon

Artificial Analysis Intelligence Index v4.1.1 includes: GDPval-AA v2, 𝜏³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience, AA-LCR. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Reasoning models are indicated by a lightbulb icon

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if the weights are available but commercial use is limited (typically requires obtaining a paid license).

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

GDPval-AA v2

Agentic real-world work tasks, (Elo-500)/2000

𝜏³-BankingUpdated

Agentic tool use

Terminal-Bench v2.1

Agentic coding & terminal use

SciCode

Coding

Humanity's Last ExamUpdated

Reasoning & knowledge

GPQA Diamond

Scientific reasoning

CritPt

Physics reasoning

AA-Omniscience AccuracyUpdated

Knowledge

AA-Omniscience Non-Hallucination RateUpdated

1 - hallucination rate

AA-LCRUpdated

Long context reasoning

AA-Briefcase

Agentic knowledge work, Elo

AutomationBench-AA

Agentic SaaS workflows

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

AA-AnalystAgentNew

Quantitative analysis on spreadsheets & documents

IFBench

Instruction following

APEX-Agents-AA

Long-horizon agentic tasks

ITBench-AA

Kubernetes incident root-cause analysis

MMMU-Pro

Visual reasoning

Reasoning models are indicated by a lightbulb icon

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Reasoning models are indicated by a lightbulb icon

Índice de apertura

Artificial Analysis Openness Index: Score

Openness Index assesses model openness on a 0 to 100 normalized scale (higher is more open)

Reasoning models are indicated by a lightbulb icon

Comparaciones del Índice de Inteligencia

Intelligence Index vs. Cost per Intelligence Index Task

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Reasoning models are indicated by a lightbulb icon

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Uso de tokens

Output Tokens per Intelligence Index Task

Weighted average number of output tokens used to run one task in the Artificial Analysis Intelligence Index

Reasoning models are indicated by a lightbulb icon

The number of tokens required per Intelligence Index task. This is calculated by multiplying the output tokens per eval by the relative weights of each benchmark in the Intelligence Index, then dividing by task count (excluding repeats).

Costo

Cost per Intelligence Index Task

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Reasoning models are indicated by a lightbulb icon

Cost to Run Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

Reasoning models are indicated by a lightbulb icon

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens)

Reasoning models are indicated by a lightbulb icon

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Ventana de contexto

Context Window

Context window: tokens limit · Higher is better

Reasoning models are indicated by a lightbulb icon

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Velocidad

Medida por la velocidad de salida (tokens por segundo)

Output Speed

Output tokens per second · Higher is better

Reasoning models are indicated by a lightbulb icon

Tokens per second received while the model is generating tokens (ie. after first chunk has been received from the API for models which support streaming).

Figures represent performance of the model's first-party API (e.g. OpenAI for o1) or the median across providers where a first-party API is not available (e.g. Meta's Llama models).

Time per Intelligence Index Task

Weighted average decode time (minutes) per task; excludes TTFT and overhead time · Lower is better

Reasoning models are indicated by a lightbulb icon

The weighted average time (seconds) per Artificial Analysis Intelligence Index task. This is calculated by dividing output tokens per task by output speed, weighted by the relative weights of each benchmark in the Intelligence Index.

Latencia

Medida por el tiempo (segundos) hasta el primer token

Latency: Time To First Answer Token

Seconds to first answer token received · Accounts for reasoning model 'thinking' time

Reasoning models are indicated by a lightbulb icon

Time to first answer token received, in seconds, after API request sent. For reasoning models, this includes the 'thinking' time of the model before providing an answer. For models which do not support streaming, this represents time to receive the completion.

Tiempo de respuesta de extremo a extremo

Seconds to output 500 tokens, calculated based on time to first token, 'thinking' time for reasoning models, and output speed

End-to-End Response Time

Seconds to output 500 tokens, including reasoning model 'thinking' time · Lower is better

Reasoning models are indicated by a lightbulb icon

Seconds to receive a 500 token response. Key components:

Input time: Time to receive the first response token
Thinking time (only for reasoning models): Time reasoning models spend outputting tokens to reason prior to providing an answer. Amount of tokens based on the average reasoning tokens across a diverse set of 60 prompts (methodology details).
Answer time: Time to generate 500 output tokens, based on output speed

Figures represent performance of the model's first-party API (e.g. OpenAI for o1) or the median across providers where a first-party API is not available (e.g. Meta's Llama models).

Tamaño del modelo (solo modelos de pesos abiertos)

Model Size: Total and Active Parameters

Comparison between total model parameters and parameters active during inference

Reasoning models are indicated by a lightbulb icon

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Preguntas frecuentes

Preguntas comunes sobre Muse Glimmer (high)

Muse Glimmer (high) se lanzó el 10 de agosto de 2026.

Muse Glimmer (high) fue creado por Meta.

Muse Glimmer (high) obtiene 35 puntos en el Índice de Inteligencia de Artificial Analysis, lo que lo sitúa muy por encima del promedio entre otros modelos de pesos abiertos y tamaño similar (mediana: 9).

Muse Glimmer (high) genera 104.6 tokens de salida por segundo (según la mediana de los proveedores que sirven el modelo), un valor por debajo del promedio frente a otros modelos de pesos abiertos y tamaño similar (mediana: 106.5 t/s).

Muse Glimmer (high) tiene un tiempo hasta el primer token (TTFT) de 0.88 s (según la mediana de los proveedores que sirven el modelo), un valor muy competitivo frente a otros modelos de pesos abiertos y tamaño similar (mediana: 2.00 s).

Muse Glimmer (high) cuesta $0.32 por 1 M de tokens de entrada (en el extremo superior; mediana: $0.18) y $1.35 por 1 M de tokens de salida (algo mayor que el promedio; mediana: $0.40), según la mediana de los proveedores que sirven el modelo.

Muse Glimmer (high) cuesta $0.32 por 1 M de tokens de entrada y $1.35 por 1 M de tokens de salida (según la mediana de los proveedores que sirven el modelo). Con una tarifa combinada (proporción 7:2:1 entre aciertos de caché, entrada y salida), equivale a $0.23 por 1 M de tokens. El precio puede variar según el proveedor. Comparar precios de proveedores

Al evaluarlo en el Índice de Inteligencia, Muse Glimmer (high) generó 48M tokens de salida, un valor algo mayor que el promedio frente a otros modelos de pesos abiertos y tamaño similar (mediana: 43M).

Sí, Muse Glimmer (high) es un modelo de razonamiento. Usa pensamiento extendido o razonamiento en cadena para resolver problemas complejos antes de dar una respuesta.

Muse Glimmer (high) admite entrada de texto e imágenes.

Muse Glimmer (high) admite salida de texto.

Sí, Muse Glimmer (high) admite imágenes como entrada y puede analizarlas, describirlas y responder preguntas sobre ellas.

Sí, Muse Glimmer (high) es multimodal. Puede procesar entradas de texto e imágenes y generar salidas de texto.

Muse Glimmer (high) tiene una ventana de contexto de 130k tokens. Esto determina cuánto texto e historial de conversación puede procesar el modelo en una sola solicitud.

Sí, Muse Glimmer (high) es un modelo de pesos abiertos. Los pesos del modelo están disponibles públicamente y pueden descargarse para alojarlo por cuenta propia.

Muse Glimmer (high) tiene 30 mil millones de parámetros.

Muse Glimmer (high) se publica bajo la licencia Apache 2.0, que permite el uso comercial. Ver licencia

Muse Glimmer (high) obtiene 35 puntos en el Índice de Inteligencia de Artificial Analysis. Este benchmark compuesto evalúa los modelos en razonamiento, conocimiento, matemáticas y programación.

La fecha límite de conocimiento de Muse Glimmer (high) es enero de 2026. Sus datos de entrenamiento incluyen información hasta esa fecha.

Sí, Muse Glimmer (high) está disponible mediante API a través de 2 proveedores. Comparar proveedores de API

Muse Glimmer (high) está disponible a través de 2 proveedores de API. Comparar proveedores

Análisis de inteligencia, rendimiento y precio de Muse Glimmer (high)

Resumen del modelo

Resumen comparativo

Especificaciones técnicas

134 modelos en esta clase

Inteligencia

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Artificial Analysis Intelligence Index

Open Weights

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Índice de apertura

Artificial Analysis Openness Index: Score

Comparaciones del Índice de Inteligencia

Intelligence Index vs. Cost per Intelligence Index Task

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Uso de tokens

Output Tokens per Intelligence Index Task

Output Tokens per Intelligence Index Task

Costo

Cost per Intelligence Index Task

Cost per Intelligence Index Task

Cost to Run Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Pricing: Cache Hit, Input, and Output

Cache Hit

Ventana de contexto

Context Window

Context Window for RAG

Context Window

Velocidad

Output Speed

Output Speed

Model Performance Representation

Time per Intelligence Index Task

Time per Intelligence Index Task

Latencia

Latency: Time To First Answer Token

Time to First Answer Token

Tiempo de respuesta de extremo a extremo

End-to-End Response Time

End-to-End Response Time

Model Performance Representation

Tamaño del modelo (solo modelos de pesos abiertos)

Model Size: Total and Active Parameters

Total Parameters

Active Parameters at Inference Time

Preguntas frecuentes

¿Cuándo se lanzó Muse Glimmer (high)?

¿Quién creó Muse Glimmer (high)?

¿Qué tan inteligente es Muse Glimmer (high)?

¿Qué tan rápido es Muse Glimmer (high)?

¿Cuál es la latencia de Muse Glimmer (high)?

¿Cuánto cuesta Muse Glimmer (high)?

¿Cuál es el precio de la API de Muse Glimmer (high)?

¿Qué tan verboso es Muse Glimmer (high)?

¿Muse Glimmer (high) es un modelo de razonamiento?

¿Qué modalidades de entrada admite Muse Glimmer (high)?

¿Qué modalidades de salida admite Muse Glimmer (high)?

¿Muse Glimmer (high) puede procesar imágenes?

¿Muse Glimmer (high) es multimodal?

¿Cuál es la ventana de contexto de Muse Glimmer (high)?

¿Muse Glimmer (high) es de código abierto?

¿Cuántos parámetros tiene Muse Glimmer (high)?

¿Qué licencia tiene Muse Glimmer (high)?

¿Cómo rinde Muse Glimmer (high) en los benchmarks?

¿Cuál es la fecha límite de conocimiento de Muse Glimmer (high)?

¿Muse Glimmer (high) está disponible mediante API?

¿Dónde puedo usar Muse Glimmer (high)?