Modèles de langage et de raisonnement

Ce qu’il faut regarder

Les questions qui départagent les options, par ordre d’importance.

1. 01

   Le benchmark de votre tâche, pas le rang affiché

   Décidez d'abord s'il vous faut de la qualité de chat, du code, du travail d'agent ou du traitement en masse bon marché, car les leaders diffèrent. Un modèle qui arrive en tête d'un vote de chat à l'aveugle peut être à la traîne sur de longues exécutions d'agent, et inversement. Lisez dans chaque classement ci-dessous la colonne qui correspond à votre charge de travail, et considérez toute affirmation de « meilleur modèle » comme du marketing.

2. 02

   Artificial Analysis Intelligence Index : comparez au niveau d'effort que vous paierez

   La version 4.3 est une moyenne pondérée de 10 évaluations qu'Artificial Analysis exécute lui-même avec un même harnais : agents 30 %, code 20 %, culture générale 30 % et raisonnement scientifique 20 %, dont quatre sur des jeux de test privés. C'est le meilleur chiffre indépendant unique, mais un même modèle apparaît plusieurs fois à différents niveaux d'effort (max, xhigh, high), et l'entrée en tête est généralement la plus chère. Lisez les colonnes Cost per Task, Median Tokens/s et First Chunk à côté du score ; un écart de deux points vaut rarement une facture doublée.

3. 03

   Arena (anciennement LMArena) : un vote de préférence, avec marges d'erreur

   Arena, sur arena.ai depuis janvier 2026, classe les modèles à partir de votes à l'aveugle de ses utilisateurs entre deux réponses côte à côte. Le contrôle du style, qui neutralise la longueur et le Markdown, est activé par défaut depuis mai 2025. Regardez l'intervalle de confiance à 95 % et la fourchette de rang : des modèles dont les intervalles se chevauchent sont statistiquement à égalité, quelle que soit leur position. Utilisez les onglets par catégorie (coding, hard prompts, long queries, WebDev) et rappelez-vous qu'il mesure ce que les gens préfèrent dans une fenêtre de chat, pas si un agent mène à bien une tâche en 40 étapes.

4. 04

   Scores de code : SWE-bench Verified n'est plus un signal fiable

   OpenAI a cessé de publier SWE-bench Verified en février 2026, invoquant une contamination : les modèles avaient vu les problèmes à l'entraînement, et un audit des échecs a montré que beaucoup étaient dus à des tests défectueux. En juillet 2026, il a aussi retiré sa recommandation de SWE-bench Pro après avoir constaté qu'environ 30 % des tâches publiques étaient cassées. Considérez les chiffres SWE-bench des fournisseurs comme une preuve faible, vérifiez quel échafaudage d'agent a été utilisé, et accordez plus de poids aux tests plus récents ou menés indépendamment, comme Terminal-Bench 4.0 dans l'index d'Artificial Analysis, DeepSWE, et une évaluation sur votre propre dépôt.

5. 05

   Agents et appels d'outils : lisez pass^k sur tau-bench, puis testez vos propres outils

   Le tau-bench de Sierra, désormais dans sa troisième version (τ³-bench, sur taubench.com), simule des agents de service client qui utilisent des outils face à un utilisateur simulé. La colonne utile est pass^k : la part des tâches réussies à chacune de k exécutions, qui mesure la régularité plutôt que des réussites isolées chanceuses. Les classements changent quand k augmente : un modèle qui gagne en pass^1 peut perdre en pass^4. Les scores du tau-bench d'origine et de τ³ ne sont pas comparables. Vérifiez aussi les limites pratiques : certains modèles exigent une API précise pour les outils (GPT-6.1 Sol requiert la Responses API d'OpenAI), et la sortie stricte selon un schéma JSON varie selon le fournisseur.

6. 06

   Tableaux de lancement des fournisseurs et mesures indépendantes

   Les tableaux de lancement sont établis par le fournisseur, avec les réglages qu'il a choisis et les concurrents qu'il a retenus. Les mesures indépendantes divergent souvent : sur Humanity's Last Exam en octobre 2026, le meilleur score allait d'environ 54 % sur le classement sans outils de Scale à environ 65 % sur les classements qui autorisent les outils. Avant de comparer deux chiffres, vérifiez qui a mené le test, si les outils étaient autorisés, quel niveau d'effort a été utilisé et si le jeu de test est public (et donc peut-être dans les données d'entraînement).

7. 07

   Prix réel : tokens de sortie, cache et remises temporaires

   Les prix catalogue par million de tokens d'entrée et de sortie sont un point de départ, pas la facture. Les modèles de raisonnement dépensent des tokens de sortie à réfléchir : un modèle moins cher qui réfléchit plus longtemps peut coûter plus par tâche. Le cache de prompts change le calcul pour les agents et les longs prompts système : Claude Opus 5.5 facture 0,20 $ par million de tokens d'entrée en cache contre 4 $ hors cache. Surveillez les surcoûts pour les longs prompts (OpenAI au-delà de 272K tokens), les remises batch de 50 % et les prix de lancement qui prennent fin (Gemini 4 Argon double le 1er décembre 2026).

8. 08

   Fenêtre de contexte, vitesse et licence

   Une fenêtre de 1M de tokens ne dit rien de la façon dont le modèle s'en sert ; regardez les tests de long contexte comme AA-LCR et la limite de tokens de sortie, qui plafonne les longues générations. Pour les applications interactives, le temps jusqu'au premier token et les tokens par seconde sur Artificial Analysis comptent plus qu'un point de benchmark, et pour les modèles ouverts ils dépendent de l'hébergeur. Pour les poids ouverts, lisez la licence : Apache 2.0 et MIT sont sans restriction, tandis que les licences MIT modifiées de Kimi K3 et de GLM-5.3 ajoutent des conditions pour les très grands hébergeurs d'API. Vérifiez aussi le matériel : gpt-oss-120b tient sur un GPU de 80GB, DeepSeek-V4-Pro exige un cluster.

15 outils comparés

Classés selon notre note. Ouvrez un avis pour voir les sources, les prix et le verdict complet.

Outils comparés : Modèles de langage et de raisonnement

Outil	Note	Notre verdict	Idéal pour	Prix
Claude Opus 5.5modèle	4.7/5	Le nouveau modèle par défaut d'Anthropic mérite son titre : premier sur l'index indépendant d'Artificial Analysis, et un cinquième moins cher par token que l'Opus qu'il remplace.	Les équipes qui font tourner de longs agents de code, des audits de code ou de la recherche documentaire lourde, où terminer la tâche compte plus que le coût de chaque appel.	API : 4 $ par million de tokens en entrée, 20 $ par million en sortie ; lectures de cache à 0,20 $, écritures de cache de 5 minutes à 5 $ ; Batch API à 50 % de réduction ; mode rapide à 8 $/40 $ ; inférence limitée aux États-Unis à 1,1x.
Claude Sonnet 5.5modèle	4.6/5	À deux points d'Opus 5.5 sur le test de travail intellectuel d'Anthropic pour moitié prix, ce qui fait d'Opus une montée en gamme délibérée plutôt que le choix par défaut.	Les équipes qui font tourner en volume des agents de code, de l'automatisation du support ou du travail documentaire et veulent une qualité proche d'Opus pour moitié du prix au token.	API : 2 $ par million de tokens en entrée, 10 $ par million de tokens en sortie ; lectures de cache à 0,10 $ ; Batch API à 50 % de réduction.
GPT-6.1 Solmodèle	4.6/5	Pour la plupart des clients d'OpenAI, c'est le fleuron qui compte : un point derrière Astra sur l'index d'Artificial Analysis pour un cinquième du prix au token.	Les équipes qui construisent des agents et des workflows métier sur OpenAI et veulent des résultats proches d'Astra à un coût de milieu de gamme, et peuvent accepter une sortie plus lente.	API : 2 $ par million de tokens en entrée, 10 $ par million en sortie ; entrée en cache à 0,10 $ ; Batch/Flex à moitié prix ; les prompts de plus de 272K tokens en entrée paient 2x l'entrée et 1,5x la sortie pour toute la requête.
Gemini 4 Argonmodèle	4.5/5	Google revient à la frontière avec Argon, et son entrée native vidéo et audio est une chose que les fleurons Claude et GPT ne peuvent toujours pas égaler.	Les équipes qui travaillent avec de la vidéo, de l'audio ou de très grandes collections de documents et veulent un modèle de raisonnement de premier rang.	API : 2 $ en entrée / 10 $ en sortie par million de tokens jusqu'au 30 novembre 2026, puis 4 $ / 20 $ ; Batch et Flex à moitié prix ; entrée en cache à 0,10 $ (puis 0,20 $). Pas de niveau gratuit.
Qwen3.8-27Bmodèle	4.5/5	Un modèle 27B avec une licence Apache qui, sur les propres chiffres d'Alibaba, devance de justesse Claude Opus 4.6 Max au code et tient sur une seule carte de 24 GB en 4 bits.	Les développeurs qui veulent le modèle sous licence permissive le plus fort qui tient sur un seul GPU haut de gamme, en particulier pour le code et les agents d'usage d'ordinateur.	Poids gratuits sous Apache 2.0. Qwen Cloud : 0,50 $ en entrée / 3,00 $ en sortie par 1M de tokens (0,10 $ en cache). Hébergeurs tiers sur OpenRouter à partir d'environ 0,04 $ / 1,25 $.
GLM-5.3modèle	4.4/5	Du code en poids ouverts à quelques points de la frontière fermée, sous une licence que presque personne n'a besoin de relire.	Les développeurs et entreprises qui veulent un modèle ouvert compétent pour le code et les agents, avec un minimum de restrictions de licence.	Poids ouverts sous licence MIT modifiée. API Z.ai : 1,40 $ en entrée / 0,26 $ en cache / 4,40 $ en sortie par million de tokens ; GLM-5.3-Flash 0,15 $ / 0,50 $.
Gemma 4modèle	4.4/5	Gemma 4 est désormais la famille ouverte par défaut sous 32B de paramètres, parce que sa licence est enfin à la hauteur de sa qualité.	Les développeurs qui construisent des applications embarquées, locales ou sur un seul GPU et veulent une licence permissive et une entrée multimodale.	Poids gratuits sous Apache 2.0. Hébergé sur Google Cloud et chez des tiers ; OpenRouter affiche le 31B à 0,20 $/0,40 $ et le 26B A4B à environ 0,08 $/0,26 $ par 1M de tokens.
DeepSeek-V4-Promodèle	4.3/5	DeepSeek-V4-Pro offre un raisonnement de classe frontière sous licence MIT pour environ un quart du prix par token d'Opus 5.5, à condition que vos données puissent aller en Chine ou que vous possédiez une baie de H200.	Les équipes qui veulent des poids ouverts de classe frontière pour le code et le raisonnement, sur leur propre serveur à huit GPU ou via une API très bon marché pour du travail non sensible.	Poids gratuits sous licence MIT. API DeepSeek : 0,66 $ en entrée / 1,98 $ en sortie par million de tokens en heures creuses, 1,32 $ / 3,96 $ aux heures pleines ; accès au cache à partir de 0,022 $.
Kimi K3modèle	4.3/5	Kimi K3 domine le tableau d'agent de Moonshot, mais à 2 $ par tâche Artificial Analysis il coûte sept fois GLM-5.3-Flash pour deux points d'index de plus.	Les équipes qui construisent des agents de navigation et de recherche et veulent des poids ouverts, et peuvent auto-héberger ou payer des prix d'API proches de la frontière.	Poids ouverts sous une licence MIT modifiée. API Kimi : 3 $ en entrée / 15 $ en sortie par 1M de tokens ; entrée en cache à 0,30 $.
GPT-6 Astramodèle	4.2/5	Un modèle de maths et de sciences qui bat des records mais coûte quatre fois et demie plus par tâche qu'un frère qui obtient un point de moins.	Les équipes de recherche, de maths et de sciences qui ont besoin du raisonnement le plus fort d'OpenAI et peuvent en justifier le prix.	API : 10 $ par million de tokens en entrée, 50 $ en sortie ; entrée en cache à 1 $ ; Batch/Flex à moitié prix ; les prompts de plus de 272K tokens en entrée coûtent 2x l'entrée et 1,5x la sortie.
DeepSeek-V4.1-Flashmodèle	4.2/5	Des scores d'agent de code proches de la frontière pour 0,15 $ par million de tokens en entrée, à condition d'accepter un traitement des données en Chine ou d'héberger vous-même un checkpoint de 763B paramètres.	Les équipes attentives aux coûts qui font tourner des agents de code et d'automatisation et peuvent utiliser une API hébergée en Chine ou un hébergeur tiers, ou disposent de serveurs multi-GPU pour les poids ouverts.	Poids gratuits sous licence MIT. API DeepSeek : 0,15 $ en entrée / 0,60 $ en sortie par million de tokens en heures creuses, 0,30 $ / 1,20 $ aux heures pleines de semaine ; accès au cache de 0,003 $ à 0,006 $.
Gemini 3.8 Flashmodèle	4.1/5	Des entrées variées et un niveau gratuit gardent Gemini 3.8 Flash utile, mais il dépense désormais plus par tâche que des concurrents mieux notés, et son prix double en janvier.	Les équipes qui traitent audio, vidéo et longs PDF dans l'écosystème Google et peuvent tolérer des premières réponses lentes.	API : 0,75 $ en entrée / 3,75 $ en sortie par million de tokens jusqu'au 31 décembre 2026, puis 1,50 $ / 7,50 $ ; Batch et Flex à moitié prix ; niveau gratuit avec limites.
gpt-oss-120bmodèle	4.0/5	Quatorze mois plus tard, gpt-oss-120b n'est plus le modèle ouvert le plus fort, mais il reste la licence la plus simple et la prise en charge la plus large pour le raisonnement sur un seul GPU de 80GB.	Les équipes qui ont besoin d'un modèle de raisonnement sous licence permissive qu'elles peuvent faire tourner en privé sur un seul GPU, avec un outillage mûr.	Poids gratuits sous Apache 2.0 ; les prix hébergés varient selon le fournisseur.
MiniMax-M3.1-Flashmodèle	4.0/5	Près du sommet du tableau à poids ouverts pour une fraction de centime par tâche, tant que rien de ce qu'il dit ne sort sans vérification.	Les équipes qui font tourner du travail d'agent et d'automatisation à fort volume, ou de longues entrées multimodales, qui peuvent vérifier les sorties et accepter les conditions de licence de MiniMax.	Poids ouverts sous la licence communautaire MiniMax. API MiniMax par 1M de tokens, plate à toute longueur de prompt : 0,15 $ en entrée, 0,60 $ en sortie, 0,015 $ en entrée en cache.
Beammodèle	3.8/5	Beam est le modèle ouvert américain le plus fort avec une licence véritablement ouverte, et son économie de tokens est réelle, mais les modèles ouverts chinois auxquels il est opposé obtiennent encore un score bien devant lui.	Les équipes qui veulent un grand modèle de raisonnement d'un laboratoire américain sous Apache 2.0, en particulier pour le distiller dans des modèles plus petits ou faire tourner des agents sensibles aux coûts où les tokens de sortie dominent la facture.	Poids Apache 2.0 gratuits. API Reflection gratuite en bêta publique avec limites quotidiennes. Hébergé : Together AI et Baseten 0,40 $ en entrée / 0,04 $ en cache / 1,20 $ en sortie par 1M de tokens ; OpenRouter à partir de 0,24 $ / 0,98 $.

Côte à côte

Les caractéristiques qui comptent pour cette étape. Vérifiées le 23 oct. 2026 ; confirmez-les sur le site du fournisseur avant de vous engager.

Face-à-face et classements

• DeepSeek-V4.1-Flash ou MiniMax-M3.1-Flash
• Meilleurs grands modèles de langage (LLM)
• Meilleurs modèles de raisonnement IA
• Meilleurs petits modèles IA et modèles embarqués

Où s’insère cette étape

• Discuter avec vos documents : nous commencerions par Claude Sonnet 5.5.
• Agent de service client : nous commencerions par Claude Haiku 5.5.
• Agent de code : nous commencerions par Claude Opus 5.5, GLM-5.3.
• Recherche et graphe de connaissances : nous commencerions par Gemini 4 Argon.
• Assistant à mémoire longue : nous commencerions par GPT-6.1 Sol.
• Pipeline de génération d'images : nous commencerions par Gemini 3.8 Flash.
• Production vidéo : nous commencerions par Gemini 3.8 Flash.
• Agent vocal : nous commencerions par Gemini 3.8 Flash.
• IA privée, sur l'appareil : nous commencerions par Gemma 4, Qwen3.8-27B.
• Traitement de documents : nous commencerions par GPT-6 Luna.
• Votre propre modèle fine-tuné : nous commencerions par Qwen3.8-27B.
• Automatisation de workflows : nous commencerions par Claude Haiku 5.5.

Sources de ce guide

• Artificial Analysis: Intelligence Index methodology
• Artificial Analysis: model leaderboard
• Arena leaderboard (formerly LMArena)
• Arena: LMArena is now Arena (28 January 2026)
• Arena leaderboard dataset notes on style control
• OpenAI: Why we no longer evaluate SWE-bench Verified
• OpenAI: Separating signal from noise in coding evaluations (SWE-bench Pro audit, July 2026)
• SWE-bench leaderboards
• Sierra tau-bench repository (τ³-bench)
• Artificial Analysis: Humanity's Last Exam results
• Z.ai: GLM-5.3 overview