Thomas Cole, The Titan's Goblet, 1833
Un instantané daté des acteurs, capacités, coûts et limites.
Les performances des modèles s’inscrivent dans un paysage plus large qui bouge tous les mois. Ce panorama daté n’a pas vocation à désigner « le meilleur modèle », mais à donner les repères utiles pour lire une offre mouvante et choisir selon la tâche, les données et les garanties.
Les familles les plus visibles restent OpenAI (GPT-5.6 Sol, Terra et Luna), Anthropic (familles Claude) et Google (familles Gemini). Les noms, les tarifs et les conditions d’accès évoluent rapidement : toute comparaison doit préciser la date, la version exacte, le niveau de raisonnement, les outils autorisés et le protocole d’évaluation.
À noter : sur plusieurs épreuves académiques, l'écart entre les meilleurs modèles se resserre et certains tests saturent.Les modèles à poids ouverts, notamment issus des écosystèmes DeepSeek, Qwen, GLM, Mistral ou Llama, peuvent permettre davantage de maîtrise technique et parfois un hébergement contrôlé. « Ouvert » ne signifie toutefois ni automatiquement sûr, ni conforme : la licence, l’infrastructure, les transferts de données, la maintenance et les mesures de sécurité restent à évaluer.
À noter : le coût total dépend aussi de l’infrastructure, du volume, de la latence, de la supervision et de la maintenance.Au-delà de la conversation, les modèles s'intègrent à des outils et exécutent des chaînes d'actions (agents). La capacité augmente, mais le risque aussi : plus l'outil agit seul, plus il faut renforcer la supervision, la journalisation et les conditions d'arrêt.
À noter : la dépendance au fournisseur doit être anticipée : disponibilité, évolution des conditions, réversibilité et continuité d’activité.Deux axes aident à cadrer un choix : la performance observée sur une tâche définie et le coût d’usage. Aucun benchmark unique ne permet de classer universellement les modèles. Les résultats dépendent du harnais d’évaluation, des outils, du niveau de raisonnement, du budget de calcul et du nombre de tentatives. Les graphiques ci-dessous constituent donc un instantané daté, non une hiérarchie générale.
Artificial Analysis Coding Agent Index v1.1. Cet indice concerne le développement logiciel outillé ; il ne mesure ni la qualité clinique ni la maîtrise du droit français.
Prix publics OpenAI par million de tokens de sortie. Les tarifs d’entrée sont respectivement de 5 $, 2,50 $ et 1 $. Les coûts réels dépendent notamment du cache, des outils et du volume généré.
Pour un service de santé au travail, la bonne question n'est pas le rang au classement généraliste, mais l'adéquation à un usage précis, dans un cadre juridique précis.
Les deux graphiques ci-dessus sont un instantané volontairement resserré. Pour comparer un éventail bien plus large de modèles, sur des dizaines de benchmarks et avec des graphiques interactifs tenus à jour, voici des références externes reconnues — dont Humanity's Last Exam (le test « de dernière frontière ») et les benchmarks cliniques.
Indice de capacité composite, prix, vitesse, fenêtre de contexte et scores par benchmark (dont HLE) sur des dizaines de modèles, avec graphiques comparatifs.
Ouvrir ↗ artificialanalysis.ai Comparateur visuelSélection de modèles à comparer côte à côte sur HLE, GPQA Diamond, SWE-bench et d'autres épreuves, avec des barres lisibles d'un coup d'œil.
Ouvrir ↗ vellum.ai HLE · rigueur statistiqueLe classement HLE officiel de Scale × CAIS, dont le rang repose sur des intervalles de confiance à 95 % — une précaution utile pour éviter de surinterpréter de faibles écarts.
Ouvrir ↗ labs.scale.com Le benchmark2 500 questions d'experts à la frontière du savoir, pensées comme le dernier examen fermé de ce type (publié dans Nature, 2026). Les meilleurs modèles échouent encore à la majorité.
Ouvrir ↗ lastexam.ai Benchmark médical121 tâches cliniques réelles — MedQA, PubMedQA, aide à la décision, rédaction de comptes rendus, recherche — bien au-delà du simple QCM, avec un classement multi-modèles.
Ouvrir ↗ medhelm.org Benchmark médicalDes milliers de conversations de soin évaluées selon des grilles rédigées par des médecins ; une mesure de la qualité clinique du dialogue, complémentaire des QCM.
Ouvrir ↗ llm-stats.comLes caractéristiques et tarifs doivent être vérifiés sur les pages officielles. Le graphique de performance reproduit un instantané de l’Artificial Analysis Coding Agent Index v1.1 au 9 juillet 2026 ; il ne vaut que pour ce protocole et cette date.