Comparaison de modèles d'IA / Le bureau de décision
Choisissez une tâche. Inspectez les preuves. Comparez les compromis.
Une liste restreinte de modèles pratiques commence par le travail que vous devez effectuer.
01 / Commencer la tâche
Moyennes les plus élevées observées dans six tableaux de référence Epoch AI. Ce sont des résultats sources, pas des tests Rubrex ou des gagnants universels. Les paramètres de couverture et d’évaluation varient.
Réimplémentez des programmes complets à partir de leur comportement et de leur documentation.
Exécution démarrée : .
Utilise un budget d'agent important : jusqu'à sept jours et 10 milliards de jetons par tentative. Il ne s’agit pas d’un test rapide d’assistant de codage.
Conditions source et test ↗Répondez à des questions difficiles à choix multiples en biologie, chimie et physique.
Exécution démarrée : .
Mesure un ensemble de questions spécifique. Il n’établit pas la capacité de recherche scientifique ni l’exactitude de vos documents.
Conditions source et test ↗Résolvez des problèmes mathématiques rédigés par des experts avec accès à Python.
Exécution démarrée : .
Ce sont des résultats v2 avec accès aux outils. Ne les combinez pas avec l’ensemble de questions d’origine ou avec les résultats sans outils.
Conditions source et test ↗Répondez à de courtes questions factuelles, notées à l’aide de la mesure de proportionnalité correcte d’Epoch AI.
Exécution démarrée : .
Epoch encourage une meilleure estimation dans cette configuration. Il ne s’agit ni d’un taux d’hallucination, ni d’un test d’abstention utile ou d’un RAG de document privé.
Conditions source et test ↗Suivez les progrès dans l’environnement de jeu Earthborne Rangers.
Exécution démarrée : .
Les performances des agents de jeu sont un signal étroit. Il ne mesure pas directement l’achèvement du flux de travail métier ou l’autorisation des outils.
Conditions source et test ↗Résolvez les problèmes logiciels dans le cadre de la configuration d’évaluation d’Epoch AI.
Exécution démarrée : .
Cette source a une couverture limitée des modèles récents. Les échafaudages d'agents, les budgets et les sous-ensembles d'évaluation peuvent différer des autres classements SWE-bench.
Conditions source et test ↗Dans cet instantané, Claude Opus 5.5 (maximum) a la moyenne la plus élevée observée sur MirrorCode ; GPT-6 Astra (maximum) dirige les courses GPQA Diamond incluses. Utilisez les résultats spécifiques aux tâches ci-dessous pour sélectionner les candidats, puis testez-les sur vos propres exemples avec un budget fixe.
02 / Explorer les preuves
Réimplémentez des programmes complets à partir de leur comportement et de leur documentation. Utilise un budget d'agent important : jusqu'à sept jours et 10 milliards de jetons par tentative. Il ne s’agit pas d’un test rapide d’assistant de codage.
Lire la méthodologie originale ↗Affichage 9 de 9 exécutions d’évaluation correspondantes. Classé par score moyen, le plus élevé en premier. ± est une erreur type en points de pourcentage, le cas échéant.
Faites défiler le tableau horizontalement sur des écrans plus petits.
| Modèle et réglage | Score moyen | Erreur standard | Exécution démarrée |
|---|---|---|---|
| Claude Opus 5.5 (maximum)Anthropique | 77.4% | ± 8.3 points de pourcentage | 22 sept. 2026 |
| Claude Fable 5.1 (haut)Anthropique | 73.3% | ± 9,2 pages | 10 sept. 2026 |
| Claude Fable 5 (haut)Anthropique | 63.9% | ± 10,4 pages | 10 août 2026 |
| GPT-6 Astra (haut)OpenAI | 46.7% | ± 11.9 points de pourcentage | 30 août 2026 |
| Claude Opus 4.7 (haut)Anthropique | 31.1% | ± 9,0 pages | 12 août 2026 |
| GPT-5.6 Sol (élevé)OpenAI | 20.0% | ± 9,2 pages | 10 août 2026 |
| GPT-5.4 (élevé)OpenAI | 15.6% | ± 7,7 pages | 10 août 2026 |
| GPT-5.5 (élevé)OpenAI | 10.0% | ± 6,0 pages | 10 août 2026 |
| Aperçu de Gemini 3.1 ProGoogle DeepMind | 8.9% | ± 4,6 pages | 10 août 2026 |
03 / Construisez votre shortlist
Comparez les familles modèles en utilisant leur score moyen observé le plus élevé dans chaque test. Le paramètre exact apparaît sous chaque résultat. Cette vision n’égalise pas l’effort de raisonnement ni les budgets de calcul.
Un score manquant est inconnu et non nul. Des moyennes plus élevées peuvent avoir des incertitudes qui se chevauchent. Ces résultats sont un signal de présélection et non une preuve de supériorité sur votre charge de travail.
04/ Rendre le budget explicite
Un échantillon daté du catalogue public d’OpenRouter. Les prix sont en USD par million de jetons au niveau de base indiqué. L'exemple utilise 10 000 jetons d'entrée et 2 000 jetons de sortie facturés au total pour une requête.
Faites défiler le tableau horizontalement sur des écrans plus petits.
| Modèle | Entrée / 1M | Sortie / 1M | Exemple de demande |
|---|---|---|---|
| OpenAI : GPT-6 Luna ↗Des niveaux de prix plus contextuels s'appliquent | $0.1 | $0.5 | $0.0020 |
| Anthropic: Claude Haiku 5.5 ↗Des niveaux de prix plus contextuels s'appliquent | $0.1 | $0.5 | $0.0020 |
| Z.ai : GLM 5.3 Flash ↗ | $0.0232 | $1.2 | $0.0026 |
| DeepSeek : Flash DeepSeek V4.1 ↗Des niveaux de prix plus contextuels s'appliquent | $0.15 | $0.6 | $0.0027 |
| Z.ai : GLM 5.3 ↗ | $0.079 | $4.8 | $0.0104 |
| Mistral: Mistral Large 4 ↗ | $0.68 | $2.09 | $0.0110 |
| Google : Gémeaux 3.8 Flash ↗ | $0.75 | $3.75 | $0.0150 |
| StepFun: Step 5 Preview ↗ | $1 | $2.7 | $0.0154 |
| Méta : Muse Spark 1.3 ↗ | $1.25 | $4.25 | $0.0210 |
| MoonshotAI : Kimi K3 ↗ | $0.73 | $10 | $0.0273 |
| Qwen : Qwen3.8 Max (0902) ↗ | $2 | $6 | $0.0320 |
| SpaceXAI: Grok 4.7 ↗Des niveaux de prix plus contextuels s'appliquent | $2 | $6 | $0.0320 |
| OpenAI : GPT-6 Sol ↗Des niveaux de prix plus contextuels s'appliquent | $2 | $10 | $0.0400 |
| Anthropique : Claude Sonnet 5 ↗ | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol ↗Des niveaux de prix plus contextuels s'appliquent | $2 | $10 | $0.0400 |
| OpenAI: GPT-6.1 Sol Pro ↗Des niveaux de prix plus contextuels s'appliquent | $2 | $10 | $0.0400 |
| Anthropic: Claude Sonnet 5.5 ↗ | $2 | $10 | $0.0400 |
| Google : aperçu de Gemini 3.1 Pro ↗Des niveaux de prix plus contextuels s'appliquent | $2 | $12 | $0.0440 |
| Anthropique : Claude Opus 5.5 ↗ | $4 | $20 | $0.0800 |
| OpenAI : GPT-6 Astra ↗Des niveaux de prix plus contextuels s'appliquent | $10 | $50 | $0.2000 |
| Anthropique : Claude Fable 5.1 ↗ | $10 | $50 | $0.2000 |
Il s’agit d’une estimation symbolique et non du coût par tâche réussie. Des jetons de raisonnement supplémentaires, des tentatives, des outils, des recherches, des médias, des différences de routage/fournisseur et des niveaux de contexte plus élevés peuvent modifier la facture. Les remises sur le cache et les lots sont exclues. Vérifiez la liste des modèles liés avant l'achat.
05 / Preuves traçables
222 Les familles modèles apparaissent dans ces six tableaux. Nous importons les scores moyens internes d’Epoch AI, conservons les paramètres exacts et affichons les erreurs standard fournies. Nous convertissons les fractions en pourcentages et trions les résultats. Nous ne calculons pas la moyenne des indices de référence non liés pour établir une nouvelle notation.
Données et attribution d'Epoch AI ↗Sources récupérées 12 oct. 2026. Il s'agit d'un instantané enregistré, pas d'un flux en direct. La date d'exécution dans chaque ligne peut être antérieure à la date de téléchargement. Les nouveaux modèles entrent dans différents tests à des moments différents ; un résultat manquant ne signifie pas de mauvaises performances.
Téléchargez l'export source actuel ↗Les efforts de raisonnement, les outils, les échafaudages et les budgets de calcul affectent les résultats. Un petit écart entre les scores moyens ne constitue pas un test de signification statistique. Avant de changer de modèle, évaluez la réussite des tâches, la latence résiduelle, la gravité des pannes et le coût total dans vos propres conditions de fonctionnement.
Lire le guide de migration du modèle →Ces tableaux de référence ne mesurent pas la vitesse de l'API ni les préférences de l'utilisateur. L'analyse artificielle fournit des comparaisons de performances ; Arena propose des comparaisons basées sur les préférences. Leurs tests répondent à des questions différentes, leurs numéros ne sont donc pas fusionnés dans ce tableau.
Explorez la vitesse en analyse artificielle ↗Données de référence : Epoch AI, capacités et analyse comparative, utilisé sous CC PAR 4.0. Sélectionné, reformaté et converti en pourcentages par Rubrex. Les créateurs et méthodes de référence originaux sont liés dans chaque catégorie. Aucune approbation n’est implicite. Données de prix de l'API : Catalogue de modèles publics OpenRouter, récupéré à la même date.
L'exportation source peut changer après cet instantané. Nous ne publions aucun classement sponsorisé par le fournisseur et ne prétendons pas que ces scores établissent la fiabilité de la production.
Avant de choisir
L’évaluation indépendante prend du temps et chaque benchmark couvre un ensemble différent de modèles. Nous laissons les résultats manquants vides. Nous ne déduisons pas de score d'un autre modèle de la même famille ou d'une réclamation de lancement.
Seulement s’il répond à votre barre de qualité. Comparez le coût par tâche réussie, y compris les tentatives et l'examen humain. Un prix symbolique faible peut néanmoins produire un flux de travail coûteux.
Ils peuvent aider à établir une liste restreinte. Vous avez toujours besoin de documents représentatifs, de cas de responsabilité, de vérifications de citations, de limites d'outils et de tests de l'application complète.
Construire une évaluation RAG →De la présélection à la décision
Apportez un cas d’utilisation. Nous pouvons définir la barre de qualité, établir une référence et enquêter sur les échecs.
Explorez le sprint de fiabilité de l'IA →