Les modèles d'IA, les prix de leurs fournisseurs et des classements issus de mesures indépendantes. Sous chaque tableau est indiqué d'où vient le chiffre, qui l'a mesuré, quand, et dans quelle mesure on peut s'y fier.
Dernier recalcul : 7 août 2026
Score global
Le classement général : cinq capacités ramenées à un seul score, pour comparer les modèles dans leur ensemble plutôt que sur une seule tâche. Il est construit sur des comparaisons à l'aveugle par de vraies personnes : il dit donc quelles réponses sont préférées le plus souvent, pas combien de tâches ont été résolues. Pour un savoir-faire précis, la sélection dédiée est plus juste.
Score sur les tâches
Combien de tâches de programmation le modèle a réellement résolues sur des jeux d'épreuves fixes — un résultat vérifiable, pas une opinion. La sélection a un second regard, fondé sur des votes humains à l'aveugle : l'ordre y est différent, et l'écart entre les deux listes en dit plus que chacune prise séparément.
Score sur les tâches
Des tâches de raisonnement où la réponse est juste ou fausse : on compte la part de problèmes résolus, pas les réponses qui plaisent. À côté, un second regard fondé sur des votes humains à l'aveugle. La logique est le terrain où préférence et problème résolu divergent le plus : un raisonnement bien tourné plaît même quand sa conclusion est fausse.
Score sur les tâches
Un contrôle des connaissances factuelles sur des questions qui n'ont qu'une seule bonne réponse. À la différence des sélections voisines, le modèle ne raisonne pas et n'écrit pas de code ici — il se souvient. Le second regard sur le même sujet vient des votes humains à l'aveugle.
Score sur les tâches
La part de problèmes mathématiques résolus, du niveau olympiade au niveau recherche. Les pourcentages sont plus bas qu'ailleurs, et c'est une propriété des problèmes, pas des modèles : les comparer aux chiffres de la sélection sur les connaissances n'a pas de sens. Le second regard vient des votes humains à l'aveugle.
Score sur les tâches
Ici le modèle ne répond pas à une question, il fait le travail : il modifie des fichiers dans un système d'exploitation, mène des recherches, accomplit des tâches dans un environnement de travail. C'est pourquoi les pourcentages sont bas même pour les modèles forts, et ils ne se comparent pas aux scores de la sélection sur les connaissances — c'est un travail différent, pas une force différente.
Arena Score, français
Comment les modèles répondent en français précisément : le score est construit sur des comparaisons à l'aveugle où des personnes ont choisi la meilleure réponse en français. C'est une sélection sur la langue, pas sur les capacités — un modèle fort au classement général peut céder ici face à un autre qui tient mieux la formulation française.
Arena Score, anglais
La même comparaison à l'aveugle, mais en anglais. Elle se lit surtout à côté du volet français : l'écart entre les deux places d'un même modèle montre ce qu'il perd hors de la langue sur laquelle il a été le plus entraîné.
Arena Score, espagnol
Comparaison à l'aveugle des réponses en espagnol. Comme pour les autres volets linguistiques, l'intérêt n'est pas le score lui-même mais la place du modèle par rapport à sa propre position dans les autres langues : la constance d'une langue à l'autre en dit plus qu'une seule ligne élevée.
Prix, $ par 1M de tokens
Le prix de l'accès par API pour un million de jetons, en dollars, selon l'offre la moins chère parmi les fournisseurs. Entrée et sortie sont ramenées à un seul chiffre : la sortie coûte d'ordinaire plusieurs fois plus cher, et classer les modèles sur le seul prix d'entrée mettrait en tête autre chose que le moins cher.
Contexte, tokens
La quantité de texte que le modèle accepte en une seule requête. Le chiffre est déclaré par le développeur et ne se vérifie pas encore chez nous : sur les longues fenêtres, la qualité baisse d'habitude bien avant la limite. La sélection répond donc à « est-ce que ça rentre », pas à « est-ce qu'il comprendra ».
Arena Score, images
Dans quelle mesure le modèle comprend une image accompagnée de texte : comparaison à l'aveugle des réponses à des requêtes auxquelles une image est jointe. À ne pas confondre avec la génération d'images — là le modèle dessine, ici il regarde.
Arena Score, génération
Comparaison à l'aveugle d'images finies : des personnes choisissent la meilleure sans savoir quel modèle l'a dessinée. C'est un jugement du résultat à l'œil, pas une vérification sur consigne ; la différence entre places voisines est donc le plus souvent statistiquement non significative.
Arena Score, vidéo
La même comparaison à l'aveugle que pour les images, mais pour la vidéo. Les modèles y sont dix fois moins nombreux que dans les sélections de texte, et les premières places se détachent plus nettement du reste — simplement parce qu'il y a peu de participants.
Arena Score, web
Des requêtes sur la mise en page et les applications web, jugées à l'aveugle par des personnes. La différence avec la sélection programmation tient à la mesure : là-bas on compte les tâches résolues, ici le résultat que les gens ont préféré. Pour le web c'est plus parlant, car l'aspect du résultat fait partie de ce qui est jugé.
Arena Score, texte
Textes littéraires et écriture libre, jugés à l'aveugle par des personnes : ce travail n'a pas de bonne réponse, la préférence est donc la mesure la plus honnête disponible. Il existe aussi un second regard, issu d'un passage de tâches notées ; il mesure autre chose et donne un autre ordre.
Score global
Le même score global que le classement général, mais restreint aux modèles à poids ouverts — ceux qu'on peut télécharger et exécuter sur son propre matériel. La sélection montre le retard des modèles ouverts sur les fermés, et les tâches où il n'y a pas de retard du tout.
Le catalogue, les prix et les évaluations proviennent de sources ouvertes ; le droit de republication est vérifié dans la licence avant qu'un chiffre n'arrive sur le site. Sous chaque tableau est indiqué qui a mesuré ce qu'il montre et quand. Les chiffres que nous n'avons pas le droit de publier ne servent qu'à la vérification et ne sont pas affichés.