Neurone21

Benchmarks des modèles d’IA

Mise à jour du · 24 modèles · 85 scores sourcés sur 144 cases

Ce tableau réunit les principaux modèles d’IA, propriétaires ou à poids ouverts, sur six tests reconnus et encore discriminants. Chaque score renvoie à sa source : l’éditeur du modèle, ou un évaluateur indépendant (Epoch AI, ARC Prize, LMArena, Artificial Analysis, Datacurve). Quand aucune source publique n’existe, la case reste vide.

Un score dépend de son réglage : effort de raisonnement, accès à des outils, harnais de l’agent. Le réglage est indiqué sous le score quand la source le donne. Deux scores obtenus dans des conditions différentes ne se comparent qu’avec prudence, et un benchmark ne remplace pas un test sur vos propres tâches.

Le repère peu couvert signale un modèle cité dans 3 articles Neurone21 au plus, mais qui atteint un score fort sur au moins un test. Il y en a 9 aujourd’hui : ce sont les modèles qu’on risque d’oublier.

Scores des modèles sur six benchmarks, avec prix API
ModèleGPQAHLETerminalDeepSWEARC-AGI-2ArenaPrix / M jetonsSur Neurone21
MiniMax M3.1 FlashMiniMax · sortie le 19 octobre 2026poids ouvertsintermédiairepeu couvertLicence : MiniMax Community———73,7 %éditeur · harnais mini-SWE-agent 2.4.5——0,15 $ / 0,6 $entrée / sortie, au 19 octobre 20263 articlesMiniMax M3.1 Flash à 0,15 dollar le million de jetons
Inkling 2 SmallThinking Machines Lab · sortie le 5 novembre 2026propriétaireintermédiairepeu couvertLicence : poids fermés au lancement, publication annoncée——13,1 %indépendant—81,7 %indépendant1 412indépendant · score préliminaire0,3 $ / 1 $entrée / sortie, au 9 novembre 2026 · inférence sur Tinker, la plateforme de l’éditeur1 articleThinking Machines lance Inkling 2 Small
DeepSeek-V4.1-Flash-1017DeepSeek · sortie le 17 octobre 2026poids ouvertsintermédiaireLicence : MIT93,2 %indépendant · effort max—42,3 %éditeur · harnais Claude Code77 %éditeur · harnais Mini-SWE-V278,1 %indépendant · effort max1 475indépendant · version du 10/09/2026, Max0,3 $ / 1,2 $entrée / sortie, au 9 novembre 2026 · tarif heures pleines ; moitié prix en heures creuses10 articlesRecursa : DeepSeek-V4.1-Flash sans enseignant plus fort
GPT-6.1 TerraOpenAI · sortie le 26 octobre 2026propriétaireintermédiairepeu couvert94,3 %indépendant · effort max—50,3 %éditeur · effort max———1 $ / 5 $entrée / sortie, au 26 octobre 20261 articleGPT-6.1 Terra : OpenAI divise le prix par deux
Claude Sonnet 5.5Anthropic · sortie le 28 septembre 2026propriétaireintermédiairepeu couvert95,6 %indépendant · effort max64,5 %éditeur · avec outils70,6 %éditeur—83,9 %indépendant · effort xhigh1 472indépendant · xHigh2 $ / 10 $entrée / sortie, au 28 septembre 20262 articlesServerBench : Claude Sonnet 5.5 construit un serveur LLM
Gemini 3.8 FlashGoogle · sortie le 2 septembre 2026propriétaireintermédiairepeu couvert95,4 %indépendant · effort high—19,1 %relayé73,8 %indépendant · effort high, harnais mini-swe-agent89,2 %indépendant · effort high1 498indépendant · High, score préliminaire—3 articlesGemini 4 Argon : sortie via Fairwind

Les six tests retenus

GPQA Diamond
Questions de niveau doctorat en biologie, chimie et physique. Au hasard, on obtient 25 %. Proche de la saturation en haut du classement.
Humanity’s Last Exam (avec outils)
Questions d’experts, toutes disciplines. Seuls les scores « avec outils » publiés par les éditeurs sont repris, pour comparer des réglages proches.
Terminal-Bench 4.0
Tâches d’agent dans un terminal (code, administration, données). Le harnais utilisé change le score.
DeepSWE v1.1
Tâches longues de génie logiciel sur de vrais dépôts. Il a pris la place de SWE-bench Verified, que les éditeurs ne publient plus pour les modèles sortis depuis l’été 2026.
ARC-AGI-2
Raisonnement abstrait sur des grilles inédites, vérifié par l’ARC Prize Foundation.
LMArena, classement texte (Elo)
Préférences d’utilisateurs en votes à l’aveugle. Mesure ce que les gens préfèrent lire, pas l’exactitude.

Le prix est celui de l’API de l’éditeur, en dollars par million de jetons, en entrée puis en sortie. Il ne dit rien du coût réel d’une tâche, qui dépend du nombre de jetons consommés.

Pour bien lire un benchmark