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
Kimi K3.1 ProMoonshot AI · sortie le 23 octobre 2026poids ouvertsfrontièreLicence : licence Kimi K3.1 Pro (maison)94,2 %indépendant · effort max70 %éditeur · avec outils, effort max65,7 %éditeur · effort max, harnais Claude Code75,5 %éditeur · effort max, harnais Claude Code———5 articlesMoonshot lance Kimi K3.1 ProLes poids de Kimi K3.1 Pro publiés sous licence maison
GLM-5.3Zhipu / Z.ai · sortie le 14 août 2026poids ouvertsfrontièreLicence : licence GLM-5.390,9 %indépendant · effort max62,5 %éditeur · avec outils—69 %indépendant · effort max, harnais mini-swe-agent—1 483indépendant · Max—6 articlesCloudflare : fuite entre clients sur GLM-5.3
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
Mistral Large 4Mistral AI · sortie le 6 octobre 2026poids ouvertsfrontièreLicence : MIT modifiée90,2 %indépendant · effort high—41 %relayé · version à poids ouverts du 29/10——1 419indépendant0,7 $ / 2,1 $entrée / sortie, au 29 octobre 20264 articlesMistral Large 4 « Le Chonk »Mistral publie les poids de Large 4
Muse Spark Open (816B-A42B)Meta · sortie le 15 octobre 2026poids ouvertsfrontièreLicence : Muse Model License88,6 %indépendant · effort xhigh———57,5 %indépendant · effort xhigh——1 articleMeta ouvre Muse Spark Open
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
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)
Qwen3.8-27BAlibaba (Qwen) · sortie le 14 août 2026poids ouvertscompactLicence : Apache 2.089,2 %éditeur——42,2 %éditeur · harnais Claude Code42,4 %indépendant · effort xhigh1 433indépendant—7 articlesCo-Design Bench, où Qwen3.8-27B se classe deuxième
Nemotron 3.5 Bolt 74B-A9BNVIDIA · sortie le 15 octobre 2026poids ouvertscompactLicence : OpenMDW-1.1Conçu pour tourner en local dans 24 Go de mémoire ; pas de prix API.86,4 %éditeur · version quantifiée IQ2 de 24 Go——————2 articlesNVIDIA publie Nemotron 3.5 Bolt 74B-A9B

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