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.
| # | Modèle | Développeur | Score global | Connexion$ / 1M | Sortie$ / 1M | Contextetokens | code25 % | langue20 % | mathématiques15 % | connaissances20 % | raisonnement20 % |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | MiMo V2.5 Pro | Xiaomi | 99,9 98–100 | $0,44 | $0,87 | 1 050K | 99,7 | 100 | 99,8 | 100 | 100 |
| 2 | Kimi K3 ≈ | Moonshot AI (Kimi) | 99,5 95–100 | $2 | $8 | 1 049K | 100 | — | — | 98,5 | 99,9 |
| 3 | GLM 5.1 ≈ | Zhipu AI / Z.ai | 97,78 95–99 | $0,06 | $0,22 | 205K | 98,6 | 96,7 | 100 | 96,2 | 97,9 |
| 4 | Kimi K2.6 ≈ | Moonshot AI (Kimi) | 97,06 95–99 | $0,22 | $1,14 | 262K | 97,2 | 95,6 | 99 | 97,4 | 96,6 |
| 5 | GLM 5.2 ≈ | Zhipu AI / Z.ai | 96,1 93–98 | $0,42 | $1,32 | 1 049K | 95,1 | 97,2 | 98,2 | 93,5 | 97,2 |
| 6 | MiMo V2 Pro ≈ | Xiaomi | 94,51 92–97 | $0,44 | $0,87 | 1 049K | 94,9 | 95,2 | 92,6 | 95,2 | 94,1 |
| 7 | Inkling ≈ | Thinking Machines Lab | 94,02 89–97 | $1,87 | $4,68 | 1 049K | 93 | 93 | 99,9 | 93,3 | 92,7 |
| 8 | DeepSeek V4 Pro ≈ | DeepSeek | 93,47 91–96 | $0,44 | $0,87 | 1 049K | 93,7 | 94,6 | 91,3 | 92,6 | 94,7 |
| 9 | Qwen3.5 397B-A17B ≈ | Alibaba (Qwen) | 92,69 91–95 | $0,6 | $3,6 | 262K | 92,6 | 92,9 | 92,8 | 93 | 92,2 |
| 10 | Hy3 ≈ | Tencent (Hunyuan) | 92,39 88–97 | $0,13 | $0,53 | 262K | 93 | — | — | 91,9 | 92,1 |
| 11 | MiniMax M3 ≈ | MiniMax | 92,17 90–95 | $0,3 | $1,2 | 1 049K | 94,1 | 89,3 | 91,2 | 93,4 | 92,1 |
| 12 | Qwen3.6 Plus ≈ | Alibaba (Qwen) | 92,05 90–94 | $0,5 | $3 | 1 000K | 92,6 | 91,3 | 93,3 | 91,2 | 92 |
| 13 | GLM 5V Turbo ≈ | Zhipu AI / Z.ai | 91,95 88–96 | $0,7 | $3,1 | 203K | 93 | 92,1 | 94,2 | 89,7 | 91 |
| 14 | MiMo V2.5 ≈ | Xiaomi | 91,77 90–94 | $0,14 | $0,28 | 1 050K | 93,4 | 89,8 | 90,6 | 92 | 92,3 |
| 15 | GLM 5 ≈ | Zhipu AI / Z.ai | 91,71 89–94 | $0,48 | $1,9 | 205K | 91,5 | 92,8 | 90,2 | 91,1 | 92,7 |
| 16 | Gemma 4 26B-A4B ≈ | Google DeepMind | 91,42 86–95 | $0,05 | $0,29 | 262K | 87,9 | 94,9 | 97 | 89,4 | 90,1 |
| 17 | Gemma 4 31B ≈ | Google DeepMind | 91,11 86–96 | $0,14 | $0,4 | 262K | 90,3 | 88,5 | 96,9 | 90,1 | 91,4 |
| 18 | MiMo V2 Omni ≈ | Xiaomi | 90,46 87–94 | $0,14 | $0,28 | 262K | 92,5 | 90,4 | 88,7 | 88,8 | 90,9 |
| 19 | GLM 4.6 ≈ | Zhipu AI / Z.ai | 89,75 87–92 | $0,29 | $1,14 | 205K | 89,1 | 93,8 | 88,9 | 86,7 | 90,2 |
| 20 | Mistral Medium 3.5 ≈ | Mistral AI | 89,68 86–94 | $1,5 | $7,5 | 262K | 91,4 | 91,1 | 89,1 | 86,8 | 89,4 |
| 21 | DeepSeek V4 Flash ≈ | DeepSeek | 89,23 87–91 | $0,14 | $0,28 | 1 049K | 90,5 | 87,6 | 87,7 | 88,6 | 91 |
| 22 | Qwen3 235B A22B Instruct 2507 ≈ | Alibaba (Qwen) | 89,02 87–91 | $0,1 | $0,1 | 262K | 88,1 | 91,2 | 88,6 | 88,7 | 88,8 |
| 23 | Qwen3 VL 235B A22B Instruct ≈ | Alibaba (Qwen) | 88,96 84–93 | $0,4 | $1,6 | 262K | 87,1 | 93,4 | 87,2 | 89,1 | 88 |
| 24 | DeepSeek V3.2 ≈ | DeepSeek | 88,26 86–90 | $0,28 | $0,4 | 164K | 88,9 | 87,2 | 89,7 | 86,9 | 88,7 |
| 25 | GLM 4.7 ≈ | Zhipu AI / Z.ai | 87,81 84–92 | $0,15 | $0,8 | 205K | 90,5 | 86 | 86,6 | 84 | 91 |
| 26 | Kimi K2 Thinking Turbo ≈ | Moonshot AI (Kimi) | 87,77 86–90 | $1,15 | $8 | 262K | 89,9 | 85,6 | 88 | 87,5 | 87,4 |
| 27 | Qwen3.5 122B-A10B ≈ | Alibaba (Qwen) | 87,22 85–90 | $0,4 | $3,2 | 262K | 86,2 | 89,6 | 87,9 | 86,7 | 86,1 |
| 28 | MiniMax M2.7 ≈ | MiniMax | 86,94 85–89 | $0,3 | $1,2 | 205K | 89,5 | 84,8 | 85,9 | 87,4 | 86,3 |
| 29 | GLM 4.5 ≈ | Zhipu AI / Z.ai | 86,31 83–90 | $0,2 | $0,8 | 131K | 85,6 | 85,7 | 87,5 | 85,5 | 87,7 |
| 30 | Qwen3 Next 80B A3B Instruct ≈ | Alibaba (Qwen) | 86,19 83–90 | $0,15 | $1,2 | 262K | 87,3 | 83,7 | 91,2 | 82,1 | 87,6 |
| 31 | Qwen3 235B A22B Thinking-2507 ≈ | Alibaba (Qwen) | 85,81 82–90 | $0,1 | $0,1 | 262K | 83,5 | — | 84,2 | 91 | 84,8 |
| 32 | DeepSeek V3.2 Exp ≈ | DeepSeek | 85,71 81–90 | $0,22 | $0,33 | 164K | 85,6 | 88,2 | 86,8 | 80,3 | 88 |
| 33 | DeepSeek V3.1 ≈ | DeepSeek | 84,87 81–89 | $0,2 | $0,7 | 164K | 81,5 | 92,4 | 86,2 | 80,7 | 84,7 |
| 34 | MiMo V2 Flash ≈ | Xiaomi | 84,76 83–87 | $0,14 | $0,28 | 262K | 87,3 | 83,7 | 80 | 85,3 | 85,8 |
| 35 | Step 3.5 Flash ≈ | StepFun | 84,58 83–87 | $0,1 | $0,3 | 262K | 86,3 | 84,5 | 82,7 | 84,6 | 83,9 |
| 36 | Qwen3.5 27B ≈ | Alibaba (Qwen) | 84,42 82–87 | $0,3 | $2,4 | 262K | 83,7 | 81,3 | 89 | 85 | 84,4 |
| 37 | Qwen3 VL 235B A22B Thinking ≈ | Alibaba (Qwen) | 84,01 80–88 | $0,4 | $4 | 262K | 84,4 | — | 84,6 | 84 | 83,1 |
| 38 | DeepSeek R1 0528 ≈ | DeepSeek | 83,17 79–87 | $0,25 | $0,25 | 164K | 84,2 | 84,7 | 81,9 | 79,6 | 84,9 |
| 39 | Qwen3.5 35B A3B ≈ | Alibaba (Qwen) | 81,77 79–84 | $0,25 | $2 | 262K | 80,3 | 83,7 | 82,3 | 81,5 | 81,5 |
| 40 | Qwen3 30B A3B Instruct 2507 ≈ | Alibaba (Qwen) | 81,3 78–85 | $0,05 | $0,19 | 262K | 82,1 | 84,7 | 79,8 | 78,4 | 80,9 |
| 41 | DeepSeek V3.1 Terminus ≈ | DeepSeek | 80,98 76–86 | $0,21 | $0,79 | 164K | 79,8 | — | 80,7 | — | 82,7 |
| 42 | Nemotron 3 Super ≈ | NVIDIA | 79,52 75–84 | $0,2 | $0,8 | 1 000K | 79,6 | 82 | 76,9 | 79,6 | 78,8 |
| 43 | NVIDIA Nemotron 3 Super 120B A12B ≈ | NVIDIA | 78,9 75–83 | $0,15 | $0,65 | 262K | 79,6 | — | 76,9 | 79,6 | 78,8 |
| 44 | GLM 4.5 Air ≈ | Zhipu AI / Z.ai | 78,01 75–81 | $0,11 | $0,29 | 131K | 77,5 | 82 | 80,5 | 74,2 | 76,6 |
| 45 | Kimi K2 0905 Preview ≈ | Moonshot AI (Kimi) | 76,96 72–82 | $0,6 | $2,5 | 262K | 78,3 | 75,4 | 80,4 | 73,7 | 77,6 |
| 46 | Qwen3 Coder 480B A35B ≈ | Alibaba (Qwen) | 75,6 72–79 | $1,5 | $7,5 | 262K | 81 | 78,8 | 72,8 | 68 | 75,3 |
| 47 | Qwen3 Next 80B A3B Thinking ≈ | Alibaba (Qwen) | 75,04 71–79 | $0,15 | $1,2 | 262K | 76,5 | 70,6 | 79,9 | 74,1 | 74,9 |
| 48 | Nemotron 3 Nano 30B A3B ≈ | NVIDIA | 74,4 71–78 | $0,05 | $0,2 | 262K | 74 | 79,3 | 74,5 | 73,9 | 70,5 |
| 49 | GPT OSS 120B ≈ | OpenAI | 74,14 71–77 | $0,03 | $0,14 | 131K | 74,1 | 74 | 78,2 | 72 | 73,5 |
| 50 | MiniMax M2.5 ≈ | MiniMax | 74,01 72–76 | $0,3 | $1,2 | 1 000K | 73,6 | 70,8 | 76,5 | 75,1 | 74,7 |
| 51 | Qwen 3 235b A22B ≈ | Alibaba (Qwen) | 74,01 71–77 | $0,7 | $2,8 | 131K | 75,2 | 72,8 | 79,9 | 70,1 | 73,1 |
| 52 | DeepSeek Chat 0324 ≈ | DeepSeek | 73,54 71–76 | $0,2 | $0,6 | 164K | 71,5 | 77,6 | 74,7 | 70,8 | 73,9 |
| 53 | DeepSeek Reasoner ≈ | DeepSeek | 72,66 69–77 | $0,55 | $2,19 | 164K | 72,2 | 72,7 | 79,2 | 68 | 72,9 |
| 54 | Kimi K2 0711 ≈ | Moonshot AI (Kimi) | 72,61 69–76 | $0,6 | $2,5 | 131K | 73,5 | 73 | 73,1 | 69,7 | 73,7 |
| 55 | Trinity Large Preview ≈ | Arcee AI | 71,74 69–74 | — | — | 131K | 74,1 | 75,7 | 65,5 | 70,7 | 70,6 |
| 56 | GLM 4.7 Flash ≈ | Zhipu AI / Z.ai | 71,73 68–76 | $0,04 | $0,3 | 203K | 74,6 | 67,2 | 70,8 | 72,7 | 72,3 |
| 57 | Qwen3 32B ≈ | Alibaba (Qwen) | 71,71 66–77 | $0,7 | $2,8 | 131K | 69,2 | — | 80,6 | 72,8 | 67,1 |
| 58 | Trinity Large Thinking ≈ | Arcee AI | 71,07 68–74 | $0,22 | $0,85 | 262K | 69,4 | 72,7 | 73 | 72,5 | 68,7 |
| 59 | INTELLECT 3 ≈ | Prime Intellect | 70,49 66–75 | $0,2 | $1,1 | 128K | 71,5 | — | 76,8 | 64,6 | 70,4 |
| 60 | MiniMax M2 ≈ | MiniMax | 70,05 65–75 | $0,3 | $1,2 | 205K | 72,6 | — | 69,2 | 65,1 | 72,4 |
| 61 | MiniMax M1 ≈ | MiniMax | 69,95 67–73 | $0,13 | $1,25 | 1 000K | 69,4 | 77,1 | 71,8 | 63,8 | 68,2 |
| 62 | Llama 3.3 Nemotron Super 49B v1.5 ≈ | Meta AI | 69,28 63–75 | $0,05 | $0,25 | 131K | 68,9 | — | 79,6 | 64,7 | 66,6 |
| 63 | GLM 4.5V ≈ | Zhipu AI / Z.ai | 68,82 63–74 | $0,29 | $0,86 | 128K | 67,3 | — | 69,2 | 71,7 | 67,6 |
| 64 | Mistral Small 3.2 ≈ | Mistral AI | 66,41 62–70 | $0,1 | $0,3 | 128K | 70,2 | 66,8 | 66,9 | 60 | 67,4 |
| 65 | Qwen: QwQ 32B ≈ | Alibaba (Qwen) | 66,23 63–70 | $0,18 | $0,2 | 131K | 64,1 | 66,7 | 71,2 | 65,6 | 65,3 |
| 66 | Qwen3 30B A3B ≈ | Alibaba (Qwen) | 65,98 63–69 | $0,09 | $0,2 | 131K | 64,9 | 69,9 | 70,1 | 63,6 | 62,8 |
| 67 | Gemma 3 27B ≈ | Google DeepMind | 64,93 62–67 | $0,03 | $0,11 | 131K | 61,5 | 73,4 | 59,6 | 61,4 | 68,2 |
| 68 | Llama 3.1 Nemotron Ultra 253B ≈ | Meta AI | 63,51 57–70 | $0,6 | $1,8 | 128K | 59,3 | — | 71,3 | — | 63 |
| 69 | Command A ≈ | Cohere | 63,2 61–66 | $2,5 | $10 | 256K | 63,3 | 69,7 | 56,7 | 59,4 | 65,3 |
| 70 | DeepSeek V3 ≈ | DeepSeek | 62,72 59–66 | $0,27 | $1,1 | 164K | 62,1 | 67,3 | 59,5 | 61,9 | 62,2 |
| 71 | Granite 4.1 8B ≈ | IBM | 60,2 55–66 | $0,05 | $0,1 | 131K | 59 | — | 60,8 | 63,1 | 58,4 |
| 72 | Olmo 3 32B Think ≈ | Allen Institute for AI | 60,01 55–65 | $0,15 | $0,5 | 66K | 60,9 | — | 60,7 | 58,3 | 60 |
| 73 | GPT OSS 20B ≈ | OpenAI | 56,53 53–60 | $0,01 | $0,07 | 131K | 58,4 | — | 61,2 | 53,3 | 53,9 |
| 74 | Gemma 3 12B IT ≈ | Google DeepMind | 55,53 50–61 | $0,05 | $0,1 | 131K | 52,6 | — | 58,6 | 50,8 | 61,6 |
| 75 | Llama 4 Maverick 17b 128e Instruct ≈ | Meta AI | 54,26 52–57 | $0,05 | $0,1 | 1 049K | 57,2 | 48,5 | 56,9 | 53,2 | 55,5 |
| 76 | Gemma 3n E4b It ≈ | Google DeepMind | 53,21 50–57 | $0,02 | $0,04 | 33K | 49,9 | 63,5 | 45 | 50,4 | 56,1 |
| 77 | Qwen2.5 72B Instruct ≈ | Alibaba (Qwen) | 53,02 50–56 | $1,4 | $5,6 | 131K | 55 | 53,4 | 52,7 | 50,3 | 53,1 |
| 78 | Llama 4 Scout 17B 16E Instruct ≈ | Meta AI | 52,85 50–56 | $0,05 | $0,1 | 10 000K | 53,6 | 55,7 | 53,6 | 49 | 52,4 |
| 79 | Mistral Large ≈ | Mistral AI | 51,27 48–55 | $2 | $6 | 131K | 51,3 | 63,4 | 47,5 | 43,1 | 50,1 |
| 80 | Llama 3.1 405B Instruct ≈ | Meta AI | 51,03 48–54 | $0,12 | $0,3 | 128K | 53,1 | 51,3 | 51,7 | 47,1 | 51,6 |
| 81 | Llama 3.1 Nemotron 70B Instruct ≈ | Meta AI | 50,63 47–54 | $0,6 | $0,6 | 128K | 50,5 | — | 49,9 | 49,7 | 52,2 |
| 82 | Mistral Large 2407 ≈ | Mistral AI | 49,95 47–53 | $3 | $9 | 131K | 51,6 | 51,8 | 47,6 | 47,8 | 50 |
| 83 | Llama 3.3 70B Instruct ≈ | Meta AI | 49,83 47–52 | $0,05 | $0,23 | 131K | 49,8 | 53,4 | 49,1 | 46,4 | 50,3 |
| 84 | Qwen2.5 Coder 32b Instruct ≈ | Alibaba (Qwen) | 48,1 44–53 | $0,06 | $0,2 | 128K | 51,4 | — | 45 | 45,5 | 48,9 |
| 85 | Llama 3.1 70B ≈ | Meta AI | 46,58 44–49 | $0,12 | $0,3 | 131K | 47,9 | 49,2 | 45,3 | 43,2 | 46,7 |
| 86 | Gemma 3 4B IT ≈ | Google DeepMind | 44,68 39–50 | $0,04 | $0,08 | 131K | 41,5 | — | 42,2 | 46 | 49,1 |
| 87 | Mistral: Mistral Small 3 ≈ | Mistral AI | 42,26 38–47 | $0,05 | $0,08 | 33K | 44,9 | 36,5 | 42,5 | 41,9 | 44,9 |
| 88 | Phi 4 ≈ | Microsoft | 42,03 38–46 | $0,06 | $0,14 | 128K | 41,7 | 41,1 | 43,8 | 42,1 | 41,9 |
| 89 | Google: Gemma 2 27B ≈ | Google DeepMind | 38,58 36–41 | $0,65 | $0,65 | 8K | 37,3 | 46,1 | 35,7 | 36,1 | 37,3 |
| 90 | Aya Expanse 32B ≈ | Cohere | 37,55 34–41 | — | — | 128K | 34,2 | 46,2 | 32,8 | 38,1 | 36,2 |
| 91 | Llama 3 70B Instruct ≈ | Meta AI | 36,84 35–39 | $0,12 | $0,3 | 8K | 36,3 | 42,8 | 37,1 | 31,8 | 36,5 |
| 92 | Ministral 8B (latest) ≈ | Mistral AI | 34,53 30–39 | $0,1 | $0,1 | 128K | 35,3 | — | 30 | 35,8 | 35,7 |
| 93 | Command R+ ≈ | Cohere | 33,38 30–37 | $2,5 | $10 | 128K | 32,1 | — | 29,9 | 36,5 | 34,5 |
| 94 | Llama 3.1 8B ≈ | Meta AI | 31,33 29–34 | $0,02 | $0,03 | 131K | 33,8 | 30,6 | 27,8 | 30,8 | 32,1 |
| 95 | Aya Expanse 8B ≈ | Cohere | 28,06 25–31 | — | — | 8K | 26,3 | — | 25,1 | 32,4 | 28 |
| 96 | Command R ≈ | Cohere | 27,79 25–31 | $0,15 | $0,6 | 128K | 28,3 | — | 21,9 | 29,6 | 29,8 |
| 97 | Meta: Llama 3 8B Instruct ≈ | Meta AI | 24,14 22–27 | $0,03 | $0,04 | 8K | 24,4 | 26,5 | 21,1 | 24,9 | 23 |
| 98 | Mixtral 8x7B ≈ | Mistral AI | 21,16 19–24 | $0,15 | $0,15 | 33K | 18,9 | 28,2 | 20,1 | 20 | 19 |
| 99 | Phi-3-medium instruct (4k) ≈ | Microsoft | 21,15 18–25 | $0,17 | $0,68 | 4K | 19,7 | 15,8 | 26,4 | 23,9 | 21,6 |
| 100 | Gemma 2 2b It ≈ | Google DeepMind | 19,77 17–23 | — | — | 128K | 15,8 | 26,2 | 17 | 21,6 | 18,5 |
Le tableau défile latéralement : toutes les colonnes ne tiennent pas.
Les colonnes de droite sont les composantes du score, ramenées à une échelle commune de 0 à 100 selon la dispersion réelle parmi les modèles mesurés. Additionnées avec les poids indiqués, elles donnent le nombre de la colonne principale : on y voit sur quoi exactement un modèle en a devancé un autre. Un tiret signifie « non mesuré », et non zéro.
Le prix est le plus bas parmi les fournisseurs du modèle, tarif de base, hors tarifs par lots ou réduits. L'entrée et la sortie sont affichées séparément à dessein : chez la plupart des modèles, la sortie coûte plusieurs fois plus cher que l'entrée, et la facture finale dépend de ce qui domine dans la tâche.
Le signe ≈ marque les modèles dont l'intervalle de confiance recoupe celui de la ligne du dessus. Il y en a ici 99 modèles — leur ordre entre eux n'est pas déterminé par les données disponibles.
L'intervalle de confiance de la moitié des modèles dépasse 6,6 points — soit environ 8 lignes voisines du tableau. À l'intérieur d'un tel groupe, l'ordre est fixé non par les données mais par ceux qui ont voté cette fois-ci ; les données soutiennent l'écart entre le début et la fin de la liste, mais pas le voisinage des places.