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
MiMo-V2.6-ProXiaomi · sortie le 22 septembre 2026poids ouvertsfrontièrepeu couvertLicence : poids ouverts (Xiaomi)——34,9 %éditeur71,9 %éditeur—1 480indépendant0,435 $ / 0,87 $entrée / sortie, au 9 novembre 20261 articleServerBench (papier qui cite MiMo)
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

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