Benchmarks des modèles d'IA 2026 : les modèles ouverts comparés à GPT-6 et Claude
Benjamin Spinola, Fondateur
Publié Mis à jour 14 minutes de lecture
Les benchmarks des modèles d'IA divergent parce que chacun mesure autre chose : des livrables évalués par des experts, de longues tâches logicielles, des missions rémunérées de travailleurs indépendants, des votes à l'aveugle, un indice composite, ainsi que des travaux juridiques, financiers et fiscaux. Cette page met côte à côte sept systèmes d'évaluation publics pour huit modèles actuels : quatre modèles fermés et quatre modèles dont les poids sont téléchargeables par tous.
Chaque chiffre provient de la page du système d'évaluation concerné, qui figure dans la rubrique Sources avec la date à laquelle nous l'avons consultée. Lorsqu'un système n'a pas évalué un modèle, la cellule l'indique. Rien n'est estimé et aucune lacune n'est comblée.
Voici pourquoi cette page existe : nous exploitons des modèles ouverts sur un NVIDIA DGX Spark pour les personnes qui doivent décider si une machine qui leur appartiendrait pourrait accomplir leur travail. Les scores publics constituent le point de départ de cette décision ; c'est pourquoi cette page indique également lesquels de ces modèles tiennent sur un seul DGX Spark, ce qui n'est pas le cas de tous.
Huit modèles évalués par sept systèmes
Les trois lignes mises en évidence en haut du tableau correspondent aux familles de modèles ouverts qu'exécutent nos configurations : Qwen, DeepSeek et GLM. Lisez une ligne pour voir un modèle dans chaque système d'évaluation, ou une colonne pour comparer les modèles au sein de l'un d'eux. Dans toutes les colonnes, sauf celle du prix, une valeur plus élevée correspond à un meilleur résultat. Les petits caractères sous un score indiquent le réglage de raisonnement testé par le système d'évaluation et, lorsqu'il la publie, sa marge d'erreur ; lorsqu'il a testé plusieurs réglages, le tableau retient le plus élevé de ceux qu'il indique.
Le tableau est plus large que votre écran. Faites-le défiler horizontalement ; les noms des modèles restent en place.
| Modèle | GDPval | METR | Remote Labor Index | LMArena | Artificial Analysis | Vals AI | |||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| OpenAI, évaluation par des expertstâches gagnées ou à égalité face à des professionnelsSource 125 sept. 2025 | GDPval-AAscore Elo, calculé par Artificial AnalysisSource 328 sept. 2026 | Horizon temporeldurée des tâches réussies une fois sur deuxSource 48 mai 2026 | Taux d'automatisationprojets qu'un client accepteraitSource 628 sept. 2026 | Score texteissu de votes de préférence à l'aveugleSource 725 sept. 2026 | Intelligence Indexscore compositeSource 828 sept. 2026 | Vitessetokens générés par secondeSource 828 sept. 2026 | Prix de l'APIdollars américains par million de tokens, entrée / sortieSource 828 sept. 2026 | Recherche juridiqueexactitudeSource 922 sept. 2026 | FinanceexactitudeSource 1023 sept. 2026 | FiscalitéexactitudeSource 1123 sept. 2026 | |
| Qwen3.8-27BAlibaba · poids ouvertspublié en août 2026 | non évalué | 1 409xhigh · ±26 | non évalué | non évalué | 1 438 | 34xhigh | 46,3xhigh | 0,50 / 3,00 | 36,06 %xhigh | 48,55 %xhigh | non évalué |
| DeepSeek V4.1 FlashDeepSeek · poids ouvertspublié en sept. 2026 | non évalué | 1 600max | non évalué | non évalué | 1 477max | 39max | 220,8max | 0,30 / 1,20 | 41,35 %high | 53,48 %high | 62,46 %high |
| GLM-5.3-FlashZ.ai · poids ouvertspublié en août 2026 | non évalué | 1 641±23 | non évalué | non évalué | 1 474 | 42 | 56,6 | 0,15 / 0,50 | 45,19 %max | 57,85 %max | non évalué |
| GPT-6 AstraOpenAI · fermépublié en sept. 2026 | non évalué | 1 542max · ±25 | non évalué | 20,83 % | 1 478max | 53max | 63,9max | 10,00 / 50,00 | 39,42 %max | 53,54 %max | 63,34 %max |
| GPT-5.6 SolOpenAI · fermépublié en juil. 2026 | non évalué | 1 588max · ±21 | non évalué | non évalué | 1 483xhigh | 47max | 95,5max | 4,00 / 20,00 | 48,08 %max | 53,76 %max | 67,95 %max |
| gpt-oss-120bOpenAI · poids ouvertspublié en août 2025 | non évalué | 596high · ±24 | 45 min20 min à 86 minSource 5 | non évalué | 1 352 | 12high | 236,0high | 0,15 / 0,595 | non évalué | non évalué | non évalué |
| Claude Opus 5.5Anthropic · fermépublié en sept. 2026 | non évalué | 1 846max · ±23 | non évalué | non évalué | 1 509high | 58max | 95,5max | 4,00 / 20,00 | 50,48 %max | 58,59 %max | 70,50 %max |
| Claude Fable 5.1Anthropic · fermépublié en sept. 2026 | non évalué | 1 735max · ±25 | non évalué | 17,92 % | 1 501max | 53max | 69,7max | 10,00 / 50,00 | 55,29 %max | 58,88 %max | 77,64 %max |
« Non évalué » signifie que le système d'évaluation n'a publié aucun chiffre pour ce modèle. Le Stanford AI Index n'a pas de colonne, car il n'attribue pas de score aux modèles pris individuellement.
Les barres représentent chaque score par rapport au plus élevé de sa colonne, à la manière des barres de données d'un tableur. La colonne du prix n'en comporte pas, puisqu'un prix plus élevé n'est pas meilleur, pas plus qu'une colonne ne contenant qu'une seule évaluation.
Sous chaque en-tête de colonne figurent le numéro de sa source dans la liste en bas de page et la date de ses chiffres : la date de mise à jour indiquée par la source elle-même lorsqu'elle en donne une, et à défaut le jour de notre consultation.
La vitesse et le prix sont les chiffres d'Artificial Analysis pour le service proposé directement par le concepteur du modèle et, pour gpt-oss-120b, la médiane des services qui le proposent. Il ne s'agit pas de mesures effectuées sur un DGX Spark.
Comment fonctionne chaque système d'évaluation
Sept systèmes d'évaluation, sept questions différentes. Savoir à quelle question répond un score importe davantage que le score lui-même.
OpenAI ; Artificial Analysis
GDPval et GDPval-AA
OpenAI a conçu GDPval à partir de travaux réels issus de 44 professions. Des experts du secteur comparent le livrable d'un modèle, par exemple une feuille de calcul, une présentation ou une note, à celui d'un professionnel sans savoir lequel est lequel, et le résultat correspond à la part des tâches dans lesquelles le modèle l'emporte ou fait jeu égal. Les résultats d'OpenAI évalués par des experts, publiés en septembre 2025, portent sur des modèles plus anciens tels que GPT-5 et Claude Opus 4.1. Nous n'en avons trouvé aucun pour les modèles présentés ici, et le classement propre d'OpenAI n'est plus actif ; cette colonne indique donc « non évalué » pour tous les modèles.
Le classement d'OpenAI renvoie désormais à GDPval-AA, qu'Artificial Analysis conduit sur les 220 tâches publiques de GDPval. Chaque modèle traite les tâches avec une ligne de commande et un accès au web, et des comparaisons à l'aveugle des travaux achevés produisent un score qui augmente à mesure qu'un modèle l'emporte plus souvent [un score Elo]. L'échelle est fixée en attribuant exactement 1 600 à DeepSeek V4.1 Flash dans son réglage « max ». Artificial Analysis publie pour les autres scores présentés ici une marge de 21 à 26 points dans un sens comme dans l'autre [un intervalle de confiance à 95 pour cent] ; des écarts plus faibles ne constituent donc pas un classement.
METR
Horizon temporel de METR
METR mesure la durée du travail qu'un agent d'IA peut mener à bien de manière autonome. Il commence par relever le temps dont des personnes qualifiées ont besoin pour chacune de ses tâches, qui vont de quelques secondes à de nombreuses heures et relèvent pour l'essentiel de la programmation, de l'apprentissage automatique et de la sécurité informatique. Il laisse ensuite l'agent tenter chaque tâche plusieurs fois et détermine la durée de tâche pour laquelle l'agent réussit une fois sur deux [l'horizon temporel à 50 pour cent].
Prenons un exemple : gpt-oss-120b présente un horizon temporel d'environ 45 min. Sur des tâches qui demandent à peu près ce temps à une personne qualifiée, comme l'entraînement d'un petit programme qui répartit des données en catégories [un classifieur], que METR estime à environ 49 min, le modèle réussit environ une fois sur deux. Il réussit plus souvent sur des tâches plus courtes et moins souvent sur des tâches plus longues. Ce chiffre décrit le temps que la tâche demande à une personne, et non la durée pendant laquelle le modèle y travaille. METR a mis à jour ses mesures pour la dernière fois le 8 mai 2026, avant la sortie de tous les autres modèles présentés ici, et indique lui-même qu'il ne peut pas mesurer chaque nouvelle version. Le chiffre de gpt-oss-120b provient de l'ensemble de tâches d'origine de METR [Time Horizon 1.0], avec un intervalle de confiance à 95 pour cent allant de 20 min à 86 min.
Scale AI et le Center for AI Safety
Remote Labor Index
Le Remote Labor Index reprend des projets réels pour lesquels des travailleurs indépendants ont été rémunérés, du développement de jeux vidéo à l'architecture et à l'analyse de données, et les confie à des agents d'IA. Des évaluateurs formés comparent chaque résultat au travail accepté du professionnel, et le score correspond à la part des projets qu'un client raisonnable accepterait [le taux d'automatisation]. Ces projets ont demandé aux professionnels 28,9 heures en moyenne.
Le classement recense deux des modèles présentés ici, GPT-6 Astra et Claude Fable 5.1. Les six autres n'ont pas été évalués.
Arena (arena.ai, anciennement lmarena.ai)
LMArena, désormais Arena
Des personnes soumettent une question à deux modèles anonymes, lisent les deux réponses et votent pour celle qu'elles préfèrent. Ces votes produisent un score pour chaque modèle. Ce score mesure les réponses que les personnes préfèrent dans une conversation, et non la capacité d'un modèle à mener un travail à son terme.
Le tableau utilise l'affichage par défaut du classement texte, avec le réglage qu'Arena appelle « style control ». Ce classement a été mis à jour pour la dernière fois le 25 sept. 2026, à partir de 8 528 723 votes portant sur 409 modèles, et il évalue les huit modèles présentés ici.
Artificial Analysis
Artificial Analysis Intelligence Index
Artificial Analysis conduit elle-même dix évaluations, parmi lesquelles GDPval-AA, Terminal-Bench 4.0 et Humanity's Last Exam, et les combine en un score unique par modèle [Intelligence Index version 4.3.2]. Elle mesure également la vitesse à laquelle chaque modèle rédige sa réponse et indique son prix par million de tokens [un token est un mot ou une partie de mot].
La vitesse est mesurée, et le prix indiqué, pour le service que désigne la page de chaque modèle : celui de son concepteur pour tous les modèles présentés ici, sauf gpt-oss-120b, pour lequel Artificial Analysis donne la médiane des services qui le proposent. Aucune de ces deux valeurs ne renseigne sur la vitesse obtenue sur un DGX Spark, qui dépend de la machine.
Stanford HAI
Stanford AI Index
L'AI Index est un rapport annuel, et non un classement. Il rassemble des données sur la recherche, les performances, les investissements et les politiques publiques, et en dégage les tendances.
L'édition 2026, publiée en avril 2026, n'attribue elle-même de score à aucun des modèles présentés ici ; elle n'a donc pas de colonne dans le tableau. Ses conclusions sur les modèles ouverts et fermés sont résumées plus bas.
Vals AI
Vals AI
Vals AI teste les modèles sur ses propres tâches juridiques, financières et fiscales. Le tableau utilise son benchmark actuel dans chaque domaine : Legal Research Bench, qui porte sur la recherche en droit américain ; Finance Agent v2, qui couvre les tâches essentielles d'un analyste financier ; et Tax Agent Bench, qui pose des questions de fiscalité des sociétés aux États-Unis exigeant un véritable travail de recherche.
Les scores correspondent à l'exactitude en pour cent, telle que Vals AI la publie. Sur Legal Research Bench, une réponse n'est comptée que si chaque élément requis est exact. gpt-oss-120b ne figure dans aucun des trois, et Tax Agent Bench n'a évalué ni Qwen3.8-27B ni GLM-5.3-Flash.
Lesquels de ces modèles tiennent sur un seul DGX Spark
Un NVIDIA DGX Spark dispose de 128 Go de mémoire, partagée entre son processeur et sa puce graphique. Un modèle ne peut y fonctionner que si ses poids tiennent dans cet espace en laissant de la place pour le texte qu'il traite. Les quatre modèles fermés ne peuvent fonctionner sur aucune machine qui vous appartient, car leurs concepteurs n'en publient pas les poids.
Pour les quatre modèles ouverts, le tableau indique les poids publiés par le concepteur ainsi que les versions complètes les plus compactes que nous avons trouvées. Stocker chaque poids sur moins de bits [la quantification] réduit la taille d'un modèle et peut en réduire la précision.
| Modèle | Tient sur un seul DGX Spark ? | Versions et leur taille |
|---|---|---|
| gpt-oss-120b | Oui |
|
| Qwen3.8-27B | Oui | |
| DeepSeek V4.1 Flash | Non | |
| GLM-5.3-Flash | Uniquement en dessous de 4 bits |
Les tailles correspondent au total des fichiers de poids que chaque dépôt recense sur Hugging Face, en gigaoctets d'un milliard d'octets. Nous les avons additionnées nous-mêmes ; les dépôts n'indiquent pas ces totaux. La capacité de mémoire indiquée provient de NVIDIA.
Les versions qui retirent des parties d'un modèle ou qui lisent ses poids sur le disque pendant son fonctionnement ne sont pas prises en compte, car il s'agit d'un autre modèle ou d'un autre usage de la mémoire.
Notre laboratoire a exécuté la version Inferact de Qwen3.8-27B sur une machine de 128 Go équipée de la puce GB10 de NVIDIA, celle du DGX Spark, en septembre 2026.
Source 13consulté le 28 sept. 2026Notre propre mesure, sur une tâche de GDPval
Indépendamment des systèmes d'évaluation, et signalée comme étant la nôtre : en septembre 2026, notre laboratoire a exécuté une tâche comptable issue de l'ensemble public GDPval d'OpenAI, et le tableau ci-dessous présente les résultats obtenus par trois des modèles de cette page. Il s'agit de construire un classeur d'étalement des charges constatées d'avance à partir de six fichiers sources contenant 66 factures. Les modèles ont travaillé au moyen des services hébergés de leurs concepteurs, avec les mêmes outils et les mêmes instructions, et nous avons examiné chaque classeur achevé au regard de la grille d'évaluation d'origine de la tâche, qui compte 56 critères pour 95 points.
| Modèle | Points | Exécution | Date |
|---|---|---|---|
| GLM-5.3-Flash | 90 sur 95 | deuxième tentative | 16 sept. 2026 |
| GPT-5.6 Sol | 82 sur 95 | première de deux exécutions | 17 sept. 2026 |
| GPT-5.6 Sol | 72 sur 95 | deuxième de deux exécutions | 17 sept. 2026 |
| DeepSeek V4.1 Flash | 78 sur 95 | une exécution | 16 sept. 2026 |
La première tentative de GLM-5.3-Flash s'est arrêtée sans classeur lorsqu'elle a épuisé sa limite de 32 768 tokens par réponse ; son score provient d'une deuxième tentative disposant de 65 536 tokens par réponse. DeepSeek V4.1 Flash a fonctionné avec la limite de 32 768 tokens.
Le rapport complet du test d'IA en comptabilité décrit la tâche, chaque tentative, y compris celles qui ont échoué, ainsi que les erreurs relevées dans chaque classeur.
Une vue d'ensemble, d'après le Stanford AI Index
L'AI Index 2026 n'attribue lui-même de score à aucun de ces modèles, mais quatre de ses conclusions aident à lire le tableau. Les numéros de page renvoient à la version PDF du rapport.
- Les modèles ouverts suivent de près, sans être à égalité. En mars 2026, le meilleur modèle fermé sur Arena, Claude Opus 4.6 (1 503), devançait le meilleur modèle à poids ouverts, GLM-5 (1 454), de 49 points, soit 3,4 %. En août 2024, l'écart était de 0,5 %. Page 76.
- Le haut du classement est resserré. En mars 2026, les meilleurs modèles des quatre principales entreprises étaient séparés par moins de 25 points sur Arena, et le rapport suggère que le coût, la vitesse, la fiabilité et l'adéquation à un domaine particulier pourraient de ce fait compter davantage. Page 78.
- Les benchmarks ont leurs propres défauts. Une étude citée dans le rapport a relevé des questions invalides dans des benchmarks largement utilisés, dans des proportions allant de 2 % pour MMLU Math à 42 % pour GSM8K. Page 71.
- Les concepteurs de modèles divulguent moins d'informations. Le score moyen du Foundation Model Transparency Index est passé de 58 en 2024 à 40 en 2025, et les développeurs de modèles ouverts ont généralement obtenu de meilleurs scores. Page 164.
Synthèse : les modèles ouverts rivalisent sur le travail professionnel
En septembre 2026, les modèles ouverts obtiennent de meilleurs scores que les deux modèles fermés actuels d'OpenAI, GPT-6 Astra et GPT-5.6 Sol, dans deux évaluations du travail professionnel. Sur GDPval-AA, qui évalue les modèles sur les 220 tâches publiques de GDPval, GLM-5.3-Flash obtient 1 641, contre 1 588 pour GPT-5.6 Sol et 1 542 pour GPT-6 Astra, soit une avance supérieure aux marges publiées. Sur le benchmark financier de Vals AI, il atteint 57,85 %, contre 53,76 % pour GPT-5.6 Sol et 53,54 % pour GPT-6 Astra. Dans les votes à l'aveugle d'Arena, DeepSeek V4.1 Flash obtient 1 477, contre 1 478 pour GPT-6 Astra.
Les modèles d'Anthropic restent en tête de la plupart des évaluations. Claude Opus 5.5 obtient 1 846 sur GDPval-AA et, sur l'Intelligence Index d'Artificial Analysis, qui combine dix évaluations, 58 contre 42 pour GLM-5.3-Flash.
Les modèles ouverts possèdent une propriété qui fait défaut aux modèles fermés : comme leurs concepteurs en publient les poids, ils fonctionnent sur du matériel qui vous appartient. Qwen3.8-27B et gpt-oss-120b tiennent sur un seul DGX Spark à quatre bits ou plus, GLM-5.3-Flash n'y tient que dans des versions inférieures à quatre bits, et DeepSeek V4.1 Flash exige plus de mémoire qu'une seule machine n'en offre. Sur votre propre machine, c'est vous qui décidez où vos documents et vos prompts sont traités et qui y a accès, au lieu de les envoyer au service d'un concepteur de modèles.
La meilleure façon de déterminer si un modèle ouvert qui tient sur votre propre machine accomplit votre travail de manière satisfaisante est de le juger sur vos propres tâches. Nous mettons à disposition à l'heure un DGX Spark doté d'un modèle ouvert ; vous y connectez les outils que vous utilisez déjà et y exécutez vos propres processus de travail avant de décider d'acquérir votre propre machine.
Sources
Chaque chiffre de cette page provient de l'une de ces pages, toutes consultées le 28 sept. 2026. Lorsqu'une page indique la date de sa dernière mise à jour, cette date est également mentionnée.
- OpenAI: GDPval: measuring the performance of our models on real-world tasks, mis à jour le 25 sept. 2025, consulté le 28 sept. 2026
- OpenAI: GDPval leaderboard, consulté le 28 sept. 2026
- Artificial Analysis: GDPval-AA v2.1 Leaderboard, consulté le 28 sept. 2026
- METR: Task-Completion Time Horizons of Frontier AI Models, mis à jour le 8 mai 2026, consulté le 28 sept. 2026
- METR: Time Horizon 1.0 results (benchmark_results_1_0.yaml), consulté le 28 sept. 2026
- Scale AI: Remote Labor Index (RLI) leaderboard, consulté le 28 sept. 2026
- Arena (formerly LMArena): Text Arena leaderboard, overall, default view with style control, mis à jour le 25 sept. 2026, consulté le 28 sept. 2026
- Artificial Analysis: LLM Leaderboard and model pages, Intelligence Index v4.3.2, consulté le 28 sept. 2026
- Vals AI: Legal Research Bench, mis à jour le 22 sept. 2026, consulté le 28 sept. 2026
- Vals AI: Finance Agent v2, mis à jour le 23 sept. 2026, consulté le 28 sept. 2026
- Vals AI: Tax Agent Bench, mis à jour le 23 sept. 2026, consulté le 28 sept. 2026
- Stanford HAI: The 2026 AI Index Report (April 2026), consulté le 28 sept. 2026
- NVIDIA: NVIDIA DGX Spark, consulté le 28 sept. 2026
- OpenAI on Hugging Face: openai/gpt-oss-120b, consulté le 28 sept. 2026
- Qwen on Hugging Face: Qwen/Qwen3.8-27B, consulté le 28 sept. 2026
- Inferact on Hugging Face: Inferact/Qwen3.8-27B-NVFP4, consulté le 28 sept. 2026
- DeepSeek on Hugging Face: deepseek-ai/DeepSeek-V4.1-Flash, consulté le 28 sept. 2026
- NVIDIA on Hugging Face: nvidia/DeepSeek-V4.1-Flash-NVFP4, consulté le 28 sept. 2026
- apetersson on Hugging Face: apetersson/DeepSeek-V4.1-Flash-MixedQ2-GGUF, consulté le 28 sept. 2026
- Z.ai on Hugging Face: zai-org/GLM-5.3-Flash, consulté le 28 sept. 2026
- NVIDIA on Hugging Face: nvidia/GLM-5.3-Flash-NVFP4, consulté le 28 sept. 2026
- Unsloth on Hugging Face: unsloth/GLM-5.3-Flash-GGUF, consulté le 28 sept. 2026
Notre propre mesure provient des relevés de notre laboratoire concernant les exécutions présentées dans son tableau. Sa tâche figure sous l'identifiant 7d7fc9a7-21a7-4b83-906f-416dea5ad04f dans l'ensemble public GDPval d'OpenAI, avec ses fichiers sources et sa grille d'évaluation.
Pour aller plus loin : les comparatifs de private-local.ai avec ChatGPT, Palantir, LocalAI et Private AI, et ce qu'est l'IA locale et dans quels cas elle est pertinente.
Questions sur les benchmarks des modèles d'IA
À quels benchmarks des modèles d'IA puis-je me fier ?
Vous pouvez vous fier à chacun pour ce qu'il mesure, mais à aucun pour l'ensemble. GDPval et le Remote Labor Index examinent des livrables achevés, METR la durée des tâches qu'un agent peut mener à bien, Arena les réponses que les personnes préfèrent, et Vals AI le travail juridique, financier et fiscal. Commencez par celui qui se rapproche le plus de votre propre travail, puis testez le modèle sur vos propres tâches, car aucun benchmark public n'a été construit à partir d'elles.
Pourquoi un modèle obtient-il de bons résultats dans un système d'évaluation et de mauvais dans un autre ?
Les systèmes testent des travaux différents dans des conditions différentes : d'autres tâches, d'autres outils, d'autres réglages de raisonnement et d'autres juges. Dans ce tableau, GPT-6 Astra obtient le score le plus élevé au Remote Labor Index parmi les modèles recensés, mais un score GDPval-AA inférieur à celui de GPT-5.6 Sol. Les deux résultats peuvent être exacts en même temps.
Pourquoi tant de cellules indiquent-elles « non évalué » ?
Les systèmes d'évaluation testent les nouveaux modèles selon leur propre calendrier, et sept de ces huit modèles sont sortis entre juillet et septembre 2026. METR n'a publié aucune nouvelle mesure depuis mai 2026, OpenAI ne gère plus son propre classement GDPval, et le Remote Labor Index n'a évalué jusqu'à présent que deux des huit modèles. Nous laissons ces cellules vides plutôt que de faire des suppositions.
Puis-je exécuter ces modèles sur ma propre machine ?
Vous ne pouvez exécuter que les modèles ouverts. gpt-oss-120b et Qwen3.8-27B tiennent sur un seul DGX Spark doté de 128 Go de mémoire. GLM-5.3-Flash n'y tient que dans des versions qui stockent chaque poids sur moins de quatre bits, et nous n'avons trouvé aucune version complète de DeepSeek V4.1 Flash qui y tienne. Les modèles fermés d'OpenAI et d'Anthropic ne peuvent pas fonctionner sur votre propre matériel.
Dans quelle mesure les modèles ouverts se rapprochent-ils des modèles fermés ?
Cela dépend de l'évaluation. Sur Arena, DeepSeek V4.1 Flash et GLM-5.3-Flash obtiennent des scores proches de ceux de GPT-6 Astra et de GPT-5.6 Sol, et sur GDPval-AA, GLM-5.3-Flash obtient un score supérieur à celui des deux. Sur l'Intelligence Index, tous les modèles fermés du tableau obtiennent un score supérieur à celui de tous les modèles ouverts. Le Stanford AI Index a constaté que l'écart entre le meilleur modèle fermé et le meilleur modèle ouvert sur Arena s'est de nouveau creusé en 2025, après s'être presque refermé en 2024.
Les scores publics posent la question. Vos propres tâches y répondent.
Choisissez une configuration, connectez les outils que vous utilisez déjà et exécutez le travail qui compte pour vous sur le modèle et la machine que vous achèteriez. En une heure ou deux, vous saurez si cette configuration répond à vos besoins.
Demander un point d'accès