Classement Poly · tiré de la tendance du jour

Meilleure IA pour les agents (à poids ouverts, octobre 2026)

Mistral Large 4 se classe 6e sur 75 au test d'agent juridique de Harvey avec seulement 15,83 %, et 32e sur 44 sur l'Indice Vals plus large, où DeepSeek V4.1 Flash atteint 61,26 % pour 0,66 $ par test.

  • N° 1 : Mistral Large 4
  • 10 places

01Liste finale

Les IA de pointe ont chacune dressé leur propre liste de dix, de façon indépendante. Voici un résultat facile à vérifier : chaque place a une raison, une source et la liste des IA qui l'ont retenue.

Ordre : du plus grand au plus faible accord entre les IA.

Une pastille vive signifie que cette IA a mis l'élément dans sa liste. Une pastille terne, qu'elle ne l'a pas fait.

  1. 1

    Mistral Large 4

    L'écart le plus faible en cybersécurité : Mistral annonce environ 82 %, et des tests indépendants mesurent 79 à 81,7 %. Vals mesure 26,26 % sur Terminal-Bench 4.0 et 15,83 % au test d'agent juridique de Harvey.

    L’ont inclus: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. Ne l’ont pas inclus: Nova.

    Dans leurs listes: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    Ce qu'a noté chaque IA 7
    • Claudeplace 2

      Son affirmation sur la cyber a le plus petit écart visible : Mistral annonce environ 82 % sur CyberGym-E2E, un indice indépendant mesure 81,7 %.

      Source ↗
    • ChatGPTplace 10

      Apache 2.0 offre un avantage opérationnel quand une entreprise veut héberger les agents de ses clients sans l'exception MaaS de Large 4.

      Source ↗
    • Metaplace 5

      Fournisseur : 93 % sur Cybench, 82 % de correction de vulnérabilités, 61,7 % sur DeepSWE v1.1 – en indépendant, 41 % sur Terminal-Bench 4.0 et 48 % sur Coding Agent Index, avec 47 % de jetons en moins

      Source ↗
    • Geminiplace 5

      Il revendique 82 % sur CyberGym-E2E et 61,7 % sur DeepSWE v1.1, mais tombe à 15,83 % sur le Legal Agent Benchmark indépendant de Harvey.

      Source ↗
    • Wenxinplace 3

      Les scores d'agent de 123B font bonne figure sur le papier — les tests indépendants montrent un écart de 20 points

      Source ↗
    • DeepSeekplace 3

      Les annonces de lancement de Mistral affichent 82 % sur CyberGym-E2E, 93 % sur Cybench et 61,7 % sur DeepSWE — mais les tests indépendants de l'indice Cyber le situent vers 51 %, un écart de confiance d'environ 31 points, qui est le chiffre décisif pour les acheteurs d'agents de sécurité.

      Source ↗
    • Qwenplace 3

      Mistral annonce 82 % sur CyberGym et 61,7 % sur DeepSWE, mais des testeurs indépendants mesurent 81,7 % et 60 %, ce qui révèle un écart de confiance rare et « honnête ».

      Source ↗
    7 IA l’ont placé ici
  2. 2

    DeepSeek V4.1 Flash

    Meilleur modèle ouvert sur l'Indice Vals avec 61,26 % pour 0,66 $ par test, et meilleur modèle publié sur FrontierCode avec 28 %. Ses résultats indépendants sur Terminal-Bench 4.0 divergent : 19,7 % contre 31,8 %.

    L’ont inclus: Claude, ChatGPT, Meta, DeepSeek, Qwen. Ne l’ont pas inclus: Gemini, Nova, Wenxin.

    Dans leurs listes: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    Ce qu'a noté chaque IA 5
    • Claudeplace 3

      Le graphique de Mistral l'a laissé de côté, et le tableau de Reflection le place au-dessus de Large 4 sur DeepSWE (74,2 % contre 61,7 %).

      Source ↗
    • ChatGPTplace 1

      Ses 28 % de réussite indépendante sur FrontierCode devancent les poids ouverts publiés, et un fournisseur mesuré facture 0,37 $ par tentative de test d'intelligence composite.

      Source ↗
    • Metaplace 1

      Leader ouvert de Vals Index à 61,26 % pour 0,66 $ par test, contre 18,70 $ pour Sonnet 5.5 – 28 fois moins cher ; 90,6 sur Terminal-Bench 2.1 selon le fournisseur, mais 31,8 en indépendant

      Source ↗
    • DeepSeekplace 1

      Un score indépendant de 61,26 % sur Vals Index à 0,66 $ par test — mais son 74,2 DeepSWE annoncé par le fournisseur s'effondre à 19,7 % sur le Terminal-Bench 4.0 indépendant de Vals, l'un des écarts de confiance les plus larges du domaine.

    • Qwenplace 2

      Le cheval de trait sous licence MIT mène à bien des agents de code multifichiers complexes pour une fraction du coût des modèles de pointe américains.

    5 IA l’ont placé ici
  3. 3

    Xiaomi MiMo-V2.6-Pro

    Score de 57,81 à 59,5 % sur l'Indice Vals, pour 0,13 $ à 0,24 $ par tentative de test. Son 89,9 sur Terminal-Bench 2.1 et son 71,9 sur DeepSWE sont des chiffres propres à Xiaomi.

    L’ont inclus: Claude, ChatGPT, Meta, DeepSeek, Qwen. Ne l’ont pas inclus: Gemini, Nova, Wenxin.

    Dans leurs listes: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    Ce qu'a noté chaque IA 5
    • Claudeplace 7

      Un article de Vals le présente comme environ 100 fois moins cher que Claude Opus 5.5.

    • ChatGPTplace 3

      Il combine une précision professionnelle Vals de 57,81 % et un coût signalé de 0,24 $ par tentative de test d'intelligence chez GMI.

      Source ↗
    • Metaplace 2

      89,9 sur Terminal-Bench 2.1, juste au-dessus de Claude Opus 5 (89,1) ; 71,9 sur DeepSWE v1.1 ; 94 % sur CyberGym ; 0,13 $ par tâche Intelligence

      Source ↗
    • DeepSeekplace 5

      Un score indépendant de 59,5 % sur Vals avec une licence MIT complète et 0,435 $/0,87 $ par million de jetons — la meilleure option de coût par tâche terminée parmi les modèles réellement permissifs.

      Source ↗
    • Qwenplace 8

      Un agent de raisonnement spécialisé qui bat les modèles généraux sur les tâches de code riches en maths, sans avoir besoin d'une empreinte de 100 milliards de paramètres.

      Source ↗
    5 IA l’ont placé ici
  4. 4

    GLM-5.3 (Z.ai)

    Score de 48 à 49 sur le Coding Agent Index d'Artificial Analysis et 40 % sur Terminal-Bench 4.0. Son score de 84,5 % sur CyberGym vient de Z.ai, qui a publié sa méthode, mais personne ne l'a encore reproduit.

    L’ont inclus: Claude, ChatGPT, Meta, DeepSeek. Ne l’ont pas inclus: Gemini, Nova, Wenxin, Qwen.

    Dans leurs listes: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    Ce qu'a noté chaque IA 4
    • Claudeplace 1

      Z.ai a publié sa méthode de test (Claude Code 2.1.207, pass@1 sur 1 507 tâches CyberGym) afin que chacun puisse contester son 84,5, mais aucun organisme indépendant ne l'a encore fait.

    • ChatGPTplace 2

      Il égale l'indice d'intelligence de DeepSeek (32), mais coûte 2,53 $ par tentative de test d'intelligence chez un fournisseur mesuré de façon indépendante.

      Source ↗
    • Metaplace 3

      84,5 % sur CyberGym en boîte blanche – techniquement devant Claude Mythos 5 (83,8 %) ; DeepSWE 66,9 % contre 46,2 précédemment ; 40 % sur Terminal-Bench 4.0

      Source ↗
    • DeepSeekplace 2

      La catégorie code de Vals lui attribue 64,3 — le meilleur score d'agent de code à poids ouverts — et ses chiffres indépendants tiennent mieux que la plupart, mais son litige de licence compte pour quiconque héberge des agents pour des clients.

      Source ↗
    4 IA l’ont placé ici
  5. 5

    Kimi K3 (Moonshot AI)

    Environ 57 à 58 % sur l'Indice Vals. Son 88,3 sur Terminal-Bench 2.1 est un chiffre de Moonshot AI lui-même, la table de Meta indique 85,0, et les poids pèsent 1,4 To.

    L’ont inclus: Claude, ChatGPT, Meta, DeepSeek. Ne l’ont pas inclus: Gemini, Nova, Wenxin, Qwen.

    Dans leurs listes: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    Ce qu'a noté chaque IA 4
    • Claudeplace 4

      Son 88,3 sur Terminal-Bench 2.1 est le chiffre de Moonshot lui-même, tandis que le tableau de Meta indique 85,0, et les poids pèsent 1,4 To.

      Source ↗
    • ChatGPTplace 8

      Ses bons résultats auprès des préférences humaines justifient de le tester comme agent de planification ou de relecture, mais cela ne prouve pas qu'il mène à bien des flux d'outils.

    • Metaplace 6

      Premier ouvert sur Vals Index à 57 %, 1 488 sur Arena ; K3.1 Pro obtient 67 % sur Terminal-Bench 4.0 en v5 – meilleur score terminal ouvert

      Source ↗
    • DeepSeekplace 4

      Un score indépendant de 57,8 % sur Vals et un Elo de 1 487 sur LMArena pour les modèles ouverts, mais le déclencheur de revenus de 20 M$ et le plafond de 100 M d'utilisateurs mensuels obligent les plateformes d'agents à prévoir un accord commercial, pas seulement des GPU.

      Source ↗
    4 IA l’ont placé ici
  6. 6

    Qwen3.8 Max (2.4T-A95B)

    Ses chiffres d'éditeur sur Terminal-Bench 2.1 se contredisent (86,6 contre 67,4) et il n'a aucun score indépendant en tant qu'agent. Avec 2,4 T de paramètres, il est soumis à un seuil de 50 millions de dollars pour les services et les entreprises d'assistance au code.

    L’ont inclus: Claude, Meta, DeepSeek, Qwen. Ne l’ont pas inclus: ChatGPT, Gemini, Nova, Wenxin.

    Dans leurs listes: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    Ce qu'a noté chaque IA 4
    • Claudeplace 6

      L'affirmation de 92,6 sur GPQA concerne la version Max, pas le point de contrôle téléchargeable.

    • Metaplace 8

      2,4 T au total, 95 milliards actifs, seuil MaaS de 50 M$ sur mesure, 68,89 % sur IOI ; la version Apache de 27B sert de licence de repli propre

      Source ↗
    • DeepSeekplace 6

      De bons chiffres d'agent de code (67,4 sur Terminal-Bench 2.1 selon les tests du fournisseur), mais un seuil de revenus de 50 M$ pour les entreprises MaaS et d'assistants de code concurrentes — la plateforme d'agents qui l'héberge pour des clients doit prévoir un accord commercial.

      Source ↗
    • Qwenplace 5

      L'orchestrateur d'agents d'Alibaba domine les flux de travail juridiques et financiers en Asie, mais son plafond de licence de 50 M$ de revenus ralentit l'adoption par les SaaS mondiaux.

    4 IA l’ont placé ici
  7. 7

    Meta Muse Spark Open

    1er au test d'agent juridique de Harvey avec 25,00 % et 3e sur 79 aux agents financiers de Vals, mais seulement 46,61 % sur l'Indice Vals, pour 4,08 $ par test (selon une seule source).

    L’ont inclus: Claude, Meta, DeepSeek. Ne l’ont pas inclus: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    Dans leurs listes: Claude: 5 · Meta: voir la liste · DeepSeek: 7

    Ce qu'a noté chaque IA 3
    • Claudeplace 5

      Meta affirme qu'il bat Kimi K3 sur l'utilisation d'outils, mais il est derrière sur le code : 76,4 contre 85,0 sur Terminal-Bench 2.1.

      Source ↗
    • Meta

      Nommé autrement dans sa propre liste : ouvrez la liste complète.

      voir la liste
    • DeepSeekplace 7

      Premier au Legal Agent Benchmark de Harvey de Vals AI avec 25,00 %, mais son déclencheur MaaS de revente de 20 M$ oblige les plateformes de legal tech à conclure un accord distinct avant de l'héberger pour leurs clients.

    3 IA l’ont placé ici
  8. 8

    GLM-5.3 Flash (Z.ai)

    Un agent budgétaire sous licence MIT : 47,22 % sur l'Indice Vals pour 0,15 $ / 0,50 $ par million de jetons. Son 84,3 sur Terminal-Bench 2.1 est le chiffre de l'éditeur lui-même.

    L’ont inclus: Meta, DeepSeek. Ne l’ont pas inclus: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    Dans leurs listes: Meta: 4 · DeepSeek: 9

    Ce qu'a noté chaque IA 2
    • Metaplace 4

      MIT, 0,15 $/0,50 $, 84,3 sur Terminal-Bench 2.1 selon le fournisseur ; le meilleur coût d'exploitation d'un agent ouvert sur un seul hôte

      Source ↗
    • DeepSeekplace 9

      Seulement 23 sur AA v5, mais OpenMDW-1.1 ouvre les poids, les données d'entraînement et les recettes — le modèle d'agent longue durée le plus transparent, à 0,60 $/2,60 $ par million de jetons.

    2 IA l’ont placé ici
  9. 9

    Nvidia Nemotron 3.5 Bolt 74B

    L'option la plus légère : 74 milliards de paramètres, dont 9 milliards actifs, qui tient sur une carte GPU de 24 Go en 2 bits. Son 50,98 sur Terminal-Bench 2.1 est le chiffre de Nvidia lui-même, sans score indépendant pour l'instant.

    L’ont inclus: Claude, Meta. Ne l’ont pas inclus: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    Dans leurs listes: Claude: 8 · Meta: 10

    Ce qu'a noté chaque IA 2
    • Claudeplace 8

      Le plus léger du groupe : 74B dont 9B actifs, qui tient dans 24 Go en 2 bits.

    • Metaplace 10

      Le meilleur ajustement matériel américain : Gemma, 1 452 sur Arena avec 31B ; Nemotron, 74B au total, 9B actifs, tient sur un GPU de 24 Go ; Apache 2.0 + licence ouverte Nvidia

      Source ↗
    2 IA l’ont placé ici
  10. 10

    DeepSeek V4 Pro

    76 % sur CyberGym-E2E, sans aucun refus sur 840 tâches adverses, proche des 79 % de Mistral, sous licence MIT. Une seule source rapporte ce résultat.

    L’ont inclus: Meta. Ne l’ont pas inclus: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    Dans leurs listes: Meta: 7

    Ce qu'a noté chaque IA 1
    • Metaplace 7

      MIT, zéro refus sur 840 tâches de sécurité adverses, 76 % sur CyberGym-E2E contre 79 % pour Mistral Large 4, moitié moins cher par succès

      Source ↗
    1 IA l’ont placé ici

Plus sur le trio de tête ↓

02Plus sur le trio de tête

Le classement est ci-dessus. Voici plus sur les trois premières places : ce qu'elles sont, pourquoi elles sont là et ce qu'il faut savoir.

Les trois ne sont pas mesurés de la même façon : la place de Mistral repose sur la proximité entre son annonce cyber et les tests indépendants, tandis que les deux autres sont jugés sur leurs scores Vals Index et leurs prix par test, qui varient selon le fournisseur.

1Mistral Large 4

N° 1 — Mistral Large 4. Dans les listes de 7 IA sur 8 ; place médiane : 3. Les IA l'ont placé en premier parce que son annonce cyber est la plus proche de ce que les tests indépendants ont mesuré, même si ses autres scores sont plus faibles.

Le saviez-vous ?

  • Mistral 7B a été publié le 27 septembre 2023 sous forme de lien magnet BitTorrent, et non d'une page de téléchargement classique. Mixtral 8x7B (décembre 2023) et Mixtral 8x22B (avril 2024) ont aussi été partagés sous forme de liens torrent sur Twitter.

Ce que c'est
Un grand modèle Mistral utilisable pour des agents, avec des poids ouverts promis.
Son atout
Son annonce cyber, d'environ 82%, est la plus proche des résultats indépendants.
Pour qui
Convient aux équipes attentives à la sécurité qui apprécient des annonces honnêtes ; pas à celles qui cherchent un faible coût ou la rapidité.
  • Score Vals Indexn° 32 sur 44 dans Vals Index
Le saviez-vous ?
  • La première levée de fonds de Mistral, en juin 2023, s'élevait à 105 millions d'euros (117 millions de dollars). Le Financial Times estimait la valeur de l'entreprise à 240 millions d'euros, alors qu'elle n'avait qu'environ deux mois.

Histoire
  • Le 6 octobre 2026, Mistral a ouvert un aperçu public de Mistral Large 4. L'entreprise a indiqué que les poids téléchargeables suivraient d'ici la fin octobre, après des travaux de sécurité supplémentaires. L'article précise que cette étape de sécurité n'était pas encore terminée.

À garder en tête
  • Il réfléchit beaucoup avant de répondre, et utilise donc beaucoup de mots. Un test a compté environ 200 M de jetons, contre une médiane d'environ 81 M. Le premier jeton est arrivé après environ 18,7 secondes sur une longue requête.

  • Il obtient 38,4 à l'Artificial Analysis Intelligence Index, derrière Kimi K3 et Qwen 3.8 Max. Son taux d'hallucinations est de 41,9%. Des modèles moins chers, comme DeepSeek V4.1 Flash, obtiennent à peu près le même score pour bien moins cher par tâche.

Pour aller plus loin
  • Ouvrez l'annonce de Mistral Large 4 et lisez d'abord la liste des résultats de tests fournie par l'éditeur, en commençant par l'annonce cyber de 82%. La page indique que les poids ouverts devaient sortir d'ici la fin du mois : vérifiez s'ils sont disponibles.

Comparer le trio de tête ↓

2DeepSeek V4.1 Flash

N° 2 — DeepSeek V4.1 Flash. Dans les listes de 5 IA sur 8 ; place médiane : 1. Les IA l'ont classé deuxième pour le meilleur score Vals Index parmi les modèles ouverts, à bas prix par test, malgré des résultats Terminal-Bench irréguliers.

Le saviez-vous ?

  • Malgré son nom « Flash », le modèle compte environ 552 milliards de paramètres au total. Seuls environ 8 milliards sont actifs par jeton lors de la lecture d'une requête, et environ 16 milliards lors de la rédaction de la réponse, ce qui le rend peu coûteux à faire tourner.

Ce que c'est
Un modèle DeepSeek peu cher et rapide, avec une très grande mémoire pour les longs textes.
Son atout
Il est en tête des modèles ouverts sur Vals Index et coûte bien moins cher par test.
Pour qui
Convient aux développeurs qui veulent de bons résultats à petit prix ; pas à ceux qui ont besoin de résultats constants sur chaque test.
  • Score Vals Index61,26% à 0,66 $ le test
Le saviez-vous ?
  • DeepSeek V4.1 Flash peut lire environ 1 million de jetons d'un coup, soit plusieurs longs romans. Il peut aussi rédiger jusqu'à 384 K jetons dans une seule réponse, bien que les limites exactes varient selon le fournisseur.

Histoire
  • DeepSeek V4.1 Flash a été publié le 10 septembre 2026. Sa fiche indique qu'il « succède » à V4 Flash et V4 Pro. La fiche ne précise pas si ces anciens modèles ont été retirés.

À garder en tête
  • Les grands scores sont ceux de DeepSeek eux-mêmes et ne sont pas vérifiés de manière indépendante. Sur Humanity's Last Exam, un test académique difficile, il obtient 36,8 contre 56,3 pour Opus 5. Il reste aussi derrière les modèles américains sur Terminal-Bench 3.0.

Pour aller plus loin
  • Ouvrez la page Vals AI et regardez d'abord le score Terminal-Bench 4.0. Il indique 19,70% à ce test ; comparez-le au résultat 2.1 sur la même page pour comprendre pourquoi les chiffres diffèrent.

ChatGPT, Meta, DeepSeek l'ont mis premier. Ce qu'elles y ont vu
  • ChatGPT: Ses 28 % de réussite indépendante sur FrontierCode devancent les poids ouverts publiés, et un fournisseur mesuré facture 0,37 $ par tentative de test d'intelligence composite.

  • Meta: Leader ouvert de Vals Index à 61,26 % pour 0,66 $ par test, contre 18,70 $ pour Sonnet 5.5 – 28 fois moins cher ; 90,6 sur Terminal-Bench 2.1 selon le fournisseur, mais 31,8 en indépendant

  • DeepSeek: Un score indépendant de 61,26 % sur Vals Index à 0,66 $ par test — mais son 74,2 DeepSWE annoncé par le fournisseur s'effondre à 19,7 % sur le Terminal-Bench 4.0 indépendant de Vals, l'un des écarts de confiance les plus larges du domaine.

Comparer le trio de tête ↓

3Xiaomi MiMo-V2.6-Pro

N° 3 — Xiaomi MiMo-V2.6-Pro. Dans les listes de 5 IA sur 8 ; place médiane : 5. Les IA l'ont placé troisième pour un score Vals Index solide à un prix très bas, ses meilleurs chiffres ne venant que de Xiaomi.

Le saviez-vous ?

  • MiMo-V2.6-Pro compte environ 1,02 billion de paramètres, mais seuls 42 milliards sont actifs par jeton. Ses poids sont disponibles sur Hugging Face sous licence MIT, qui autorise l'usage commercial.

Ce que c'est
Un énorme modèle Xiaomi aux poids ouverts sous licence MIT, conçu pour le travail d'agents.
Son atout
C'est le moins cher par test des trois, à 0,13–0,24 $.
Pour qui
Convient aux équipes qui veulent un modèle ouvert et bon marché ; pas à celles qui n'ont pas de gros serveurs GPU.
  • Score Vals Index57,81–59,5% à 0,13–0,24 $
Le saviez-vous ?
  • Selon les informations, la publication inclut le code d'entraînement et les environnements d'apprentissage par renforcement, et pas seulement les poids. C'est plus rare qu'un simple téléchargement de modèle.

Histoire
  • Après la sortie de MiMo-V2.6 en 2026, des utilisateurs d'agents ont constaté qu'il renvoyait parfois le même appel d'outil encore et encore, donnant l'impression de travailler sans avancer. Le point de contrôle MOPD, publié plus tard par Xiaomi, est mesuré par rapport à ce problème.

À garder en tête
  • L'installer soi-même est lourd : « Il faut environ 573 Go de poids en mémoire GPU avant tout cache KV. » Le guide précise qu'en pratique cela signifie 8 cartes H200.

  • Les bons scores pour les agents sont ceux de Xiaomi, mesurés dans ses propres environnements de test. Le guide indique que « personne en dehors de Xiaomi ne peut reproduire » les résultats internes. Le modèle est aussi bavard : 140 M de jetons en sortie sur l'ensemble des évaluations.

Pour aller plus loin
  • Lisez d'abord le tableau des résultats de la fiche du modèle, puis les réglages recommandés. Les scores qui y figurent sont ceux de Xiaomi : comparez-les à des résultats indépendants, comme ceux de Vals AI, avant de vous y fier.

Comparer le trio de tête ↓

Le trio de tête côte à côte

Mistral Large 4DeepSeek V4.1 FlashXiaomi MiMo-V2.6-Pro
Dans les listes des IA7 / 85 / 85 / 8
Score Vals Indexn° 32 sur 44 dans Vals Index61,26% à 0,66 $ le test57,81–59,5% à 0,13–0,24 $
Premier pour—ChatGPT, Meta, DeepSeek—

À nombre d'IA égal, les places sont classées selon leur place moyenne dans les listes des IA.

03Bon à savoir

Ce que les IA ont remarqué en établissant la liste.

L'environnement de l'agent fait bouger les scores autant que le modèle : un modèle a obtenu 45,9 % sur SWE-Bench Pro avec un cadre standard, et 55,4 % avec l'agent de son propre éditeur.

Remarqué par:
L’ont inclus: Claude, DeepSeek. Ne l’ont pas inclus: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
Source ↗

Les éditeurs annoncent des scores Terminal-Bench 2.1 de 76 à 90, alors que les tests indépendants Terminal-Bench 4.0 tombent autour de 20 à 41 %. Les versions diffèrent, donc l'écart est un avertissement, pas une mesure.

Remarqué par:
L’ont inclus: Claude, Meta, DeepSeek. Ne l’ont pas inclus: ChatGPT, Gemini, Nova, Wenxin, Qwen.
Source ↗

Mistral Large 4 obtient 81,56 % sur Vibe Code mais 26,26 % sur Terminal-Bench 4.0, et 67,68 % sur l'Indice juridique Vals mais 15,83 % comme agent juridique. Connaître la matière ne signifie pas savoir mener la tâche à bout.

Remarqué par:
L’ont inclus: ChatGPT, Gemini. Ne l’ont pas inclus: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
Source ↗

L'annonce cyber de Mistral est un rare cas de quasi-concordance entre le chiffre du lancement et le test indépendant (environ 82 % contre 81,7 %), mais une partie de son avance vient de modèles fermés qui refusent les tâches.

Remarqué par:
L’ont inclus: Claude, Meta, Qwen. Ne l’ont pas inclus: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
Source ↗

DeepSeek V4.1 Flash coûte 0,66 $ par test Vals, contre 18,70 $ pour Claude Sonnet 5.5, soit environ 28 fois moins cher pour environ 9 points de précision de moins.

Remarqué par:
L’ont inclus: Meta, DeepSeek. Ne l’ont pas inclus: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
Source ↗

04Les questions que l’on se pose

Modèles d'IA ou agents d'IA : quelle différence ?

Un modèle est le réseau entraîné ; un agent est ce modèle associé à un environnement, des outils et une mémoire qui tournent en boucle. Le seul environnement peut faire passer un score de 45,9 % à 55,4 %.

Source ↗
Quel est le meilleur modèle d'IA pour les agents ?

Parmi les poids ouverts, DeepSeek V4.1 Flash prend la tête de l'Indice Vals avec 61,26 % pour 0,66 $ par test. Pour les agents juridiques, Muse Spark Open domine le test de Harvey avec 25,00 %.

Source ↗
Quel est le meilleur modèle d'IA pour Hermes Agent ?

Nous Research ne désigne aucun modèle par défaut officiel, et les guides ne s'accordent pas (Kimi K3, GLM-5.2, MiniMax M3, un petit Qwen pour un usage local). Testez dans votre propre environnement Hermes.

Source ↗
Pourquoi les scores d'agents annoncés par les éditeurs et les scores indépendants diffèrent-ils ?

Les éditeurs annoncent leur meilleur environnement et leurs réglages, souvent sur une version plus ancienne du test. Le chiffre Terminal-Bench 4.0 annoncé par DeepSeek est de 42,3 %, alors que Vals a mesuré 31,8 %.

Source ↗

05Notre méthode

En mots simples, sans formules.

1La question

Top 10 des modèles à poids ouverts pour agents d'IA : qui mène la tâche à bien, et pas seulement qui gagne le communiqué de presse

2Pourquoi ce sujet

Une personne qui construit des agents voit quels modèles ouverts tiennent hors du laboratoire de leur éditeur, et où une annonce et un test indépendant divergent.

3Champ d'application

Modèles à poids ouverts du monde entier utilisés comme agents pour le code, la cybersécurité et le travail juridique

4Ce que nous avons regardé

  • Taux de réussite des agents sur des tests indépendants
  • Écart entre le score d'agent annoncé par l'éditeur et le score indépendant le plus proche
  • Coût d'une tâche menée à bien
  • Taille du modèle et matériel nécessaire pour le faire tourner
  • Vals AI (Indice Vals, Harvey Legal Agent Benchmark, Terminal-Bench 4.0, Finance Agent) — précision indépendante sur des tâches professionnelles d'agents, avec le coût par test
  • Artificial Analysis (FrontierCode 2.0, Coding Agent Index, Cyber Index) — réalisation indépendante de tâches d'agents de code et de cybersécurité, avec le coût par tentative de test
  • Scores d'agents annoncés par les éditeurs — résultats autodéclarés le jour du lancement (CyberGym, Cybench, DeepSWE, Terminal-Bench 2.1), mesurés avec le propre environnement de chaque éditeur
  • Taille du modèle et matériel — paramètres totaux et actifs, et GPU nécessaires pour le faire tourner

5Qui a classé

Les IA de pointe : Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen. Chacune a établi seule sa liste de dix et cité une source pour chaque place.

6Comment les places ont été fixées

Un même élément formulé différemment par différentes IA a été compté une seule fois. Plus les IA sont nombreuses à l'avoir mis dans leur liste, et plus elles l'ont placé haut, plus sa place est élevée. « Accord des IA » indique combien d'IA l'avaient dans leur propre liste. Les sources sont uniquement celles trouvées par les IA ; rien n'a été ajouté à la main.

06La liste de chaque IA

🇺🇸 Claude10 places · 3 notes

La même question, à laquelle Claude a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    GLM-5.3 (Z.ai, 2026)

    Z.ai a publié sa méthode de test (Claude Code 2.1.207, pass@1 sur 1 507 tâches CyberGym) afin que chacun puisse contester son 84,5, mais aucun organisme indépendant ne l'a encore fait.

  2. 2
    Mistral Large 4 (2026)

    Son affirmation sur la cyber a le plus petit écart visible : Mistral annonce environ 82 % sur CyberGym-E2E, un indice indépendant mesure 81,7 %.

    Source ↗
  3. 3
    DeepSeek V4.1 Flash (2026)

    Le graphique de Mistral l'a laissé de côté, et le tableau de Reflection le place au-dessus de Large 4 sur DeepSWE (74,2 % contre 61,7 %).

    Source ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Son 88,3 sur Terminal-Bench 2.1 est le chiffre de Moonshot lui-même, tandis que le tableau de Meta indique 85,0, et les poids pèsent 1,4 To.

    Source ↗
  5. 5
    Muse Spark Open (Meta, 2026)

    Meta affirme qu'il bat Kimi K3 sur l'utilisation d'outils, mais il est derrière sur le code : 76,4 contre 85,0 sur Terminal-Bench 2.1.

    Source ↗
  6. 6
    Qwen3.8-2.4T-A95B (Alibaba, 2026)

    L'affirmation de 92,6 sur GPQA concerne la version Max, pas le point de contrôle téléchargeable.

  7. 7
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Un article de Vals le présente comme environ 100 fois moins cher que Claude Opus 5.5.

  8. 8
    Nemotron 3.5 Bolt 74B-A9B (Nvidia, 2026)

    Le plus léger du groupe : 74B dont 9B actifs, qui tient dans 24 Go en 2 bits.

  9. 9
    Qwen3.8 27B (Alibaba, 2026)

    Un cerveau d'agent de classe portable, à 34 sur l'ancien indice, mais seulement 20 sur la v5.

    Source ↗
  10. 10
    Kolibri-1 (Aleph Alpha, 2026)

    Il tourne sur deux A100 de 80 Go, mais n'obtient que 27,7 sur Terminal-Bench 2.1, selon son propre chiffre.

Ce que Claude a remarqué

L'affirmation de Mistral sur la cyber est le seul endroit où un chiffre du jour de lancement est presque identique à un chiffre indépendant (environ 82 % annoncés, 81,7 % mesurés). Mais l'argument repose en partie sur le fait que les modèles fermés refusent les tâches, et cet écart pourrait se réduire une fois les poids publics.

Le choix du harnais modifie les scores des agents autant que le choix du modèle. Un modèle a obtenu 45,9 % sur SWE-Bench Pro avec une structure standard et 55,4 % avec l'agent propre à son fournisseur ; Scale AI a relevé un écart de 5,2 points entre trois agents.

Les scores Terminal-Bench 2.1 annoncés par les fournisseurs pour les modèles ouverts vont de 76 à 88, tandis que le meilleur résultat avec un harnais ouvert sur Terminal-Bench 2 est de 51,9 %. Les deux utilisent des versions et des harnais différents : l'écart est un avertissement, pas une mesure.

🇺🇸 ChatGPT10 places · 2 notes

La même question, à laquelle ChatGPT a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Ses 28 % de réussite indépendante sur FrontierCode devancent les poids ouverts publiés, et un fournisseur mesuré facture 0,37 $ par tentative de test d'intelligence composite.

    Source ↗
  2. 2
    GLM-5.3 (2026, Z.ai)

    Il égale l'indice d'intelligence de DeepSeek (32), mais coûte 2,53 $ par tentative de test d'intelligence chez un fournisseur mesuré de façon indépendante.

    Source ↗
  3. 3
    MiMo-V2.6-Pro (2026, Xiaomi)

    Il combine une précision professionnelle Vals de 57,81 % et un coût signalé de 0,24 $ par tentative de test d'intelligence chez GMI.

    Source ↗
  4. 4
    Mistral Large 4 OSS (2026, France)

    Son résultat indépendant de 81,56 % sur Vibe Code contraste avec 26,26 % seulement sur Terminal-Bench 4.0 : le choix des tâches change radicalement le récit.

  5. 5
    MiMo-V2.6-Flash (2026, Xiaomi)

    À 0,11 $ par tentative de test d'intelligence chez GMI, c'est un candidat à faible coût pour des nouvelles tentatives répétées d'agent.

    Source ↗
  6. 6
    Ling 3.1 Flash 1019 (2026)

    Son résultat d'intelligence de 29 points et ses 25 milliards de paramètres actifs en font l'un des agents efficaces les plus solides.

    Source ↗
  7. 7
    Step 5 Preview (2026, StepFun)

    Son indice de 29 points égale celui de Ling, mais son prix mélangé d'environ 0,50 $ par jeton affaiblit l'économie des tentatives répétées.

    Source ↗
  8. 8
    Kimi K3 (2026, Moonshot AI)

    Ses bons résultats auprès des préférences humaines justifient de le tester comme agent de planification ou de relecture, mais cela ne prouve pas qu'il mène à bien des flux d'outils.

  9. 9
    MiniMax-M3.1-Flash (2026)

    Un score d'intelligence de 29 points et un coût mesuré de 0,42 $ par tentative de test le rendent intéressant, même si les droits de déploiement restent flous.

    Source ↗
  10. 10
    Mistral Large 3 (2025–2026)

    Apache 2.0 offre un avantage opérationnel quand une entreprise veut héberger les agents de ses clients sans l'exception MaaS de Large 4.

    Source ↗

Ce que ChatGPT a remarqué

Sur FrontierCode 2.0, le meilleur modèle à poids ouverts publié atteint 28 %, contre 46 % pour Claude Opus 5.5. Cet écart de 18 points met en garde contre l'assimilation de l'intelligence générale à la fiabilité du codage autonome.

Une tentative à 0,11 $ n'est pas automatiquement moins chère qu'une tentative à 0,37 $ si le modèle le moins cher échoue beaucoup plus souvent. L'économie d'une tâche terminée exige de mesurer les nouvelles tentatives et les corrections humaines.

🇺🇸 Meta10 places · 4 notes

La même question, à laquelle Meta a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026, Chine)

    Leader ouvert de Vals Index à 61,26 % pour 0,66 $ par test, contre 18,70 $ pour Sonnet 5.5 – 28 fois moins cher ; 90,6 sur Terminal-Bench 2.1 selon le fournisseur, mais 31,8 en indépendant

    Source ↗
  2. 2
    Xiaomi MiMo-V2.6-Pro (2026, Chine)

    89,9 sur Terminal-Bench 2.1, juste au-dessus de Claude Opus 5 (89,1) ; 71,9 sur DeepSWE v1.1 ; 94 % sur CyberGym ; 0,13 $ par tâche Intelligence

    Source ↗
  3. 3
    Z.ai GLM-5.3 (2026, Chine)

    84,5 % sur CyberGym en boîte blanche – techniquement devant Claude Mythos 5 (83,8 %) ; DeepSWE 66,9 % contre 46,2 précédemment ; 40 % sur Terminal-Bench 4.0

    Source ↗
  4. 4
    Z.ai GLM-5.3 Flash (2026, Chine)

    MIT, 0,15 $/0,50 $, 84,3 sur Terminal-Bench 2.1 selon le fournisseur ; le meilleur coût d'exploitation d'un agent ouvert sur un seul hôte

    Source ↗
  5. 5
    Mistral Large 4 Le Chonk (2026, France)

    Fournisseur : 93 % sur Cybench, 82 % de correction de vulnérabilités, 61,7 % sur DeepSWE v1.1 – en indépendant, 41 % sur Terminal-Bench 4.0 et 48 % sur Coding Agent Index, avec 47 % de jetons en moins

    Source ↗
  6. 6
    Moonshot Kimi K3 (2026, Chine)

    Premier ouvert sur Vals Index à 57 %, 1 488 sur Arena ; K3.1 Pro obtient 67 % sur Terminal-Bench 4.0 en v5 – meilleur score terminal ouvert

    Source ↗
  7. 7
    DeepSeek V4 Pro 0813 (2026, Chine)

    MIT, zéro refus sur 840 tâches de sécurité adverses, 76 % sur CyberGym-E2E contre 79 % pour Mistral Large 4, moitié moins cher par succès

    Source ↗
  8. 8
    Alibaba Qwen3.8-2.4T-A95B Max (2026, Chine)

    2,4 T au total, 95 milliards actifs, seuil MaaS de 50 M$ sur mesure, 68,89 % sur IOI ; la version Apache de 27B sert de licence de repli propre

    Source ↗
  9. 9
    MiniMax M3.1 Flash (2026, Chine)

    MoE de 428 milliards au total, 23 milliards actifs, 0,075 $/0,30 $ : l'agent de pointe le moins cher ; 43 sur Intelligence Index ; poids sur Hugging Face le 23 octobre

    Source ↗
  10. 10
    Google Gemma 4 31B / Nvidia Nemotron 3.5 Bolt 74B (2026, États-Unis)

    Le meilleur ajustement matériel américain : Gemma, 1 452 sur Arena avec 31B ; Nemotron, 74B au total, 9B actifs, tient sur un GPU de 24 Go ; Apache 2.0 + licence ouverte Nvidia

    Source ↗

Ce que Meta a remarqué

L'écart de confiance dépasse 10 points : DeepSeek V4.1 Flash, 42,3 % sur Terminal-Bench 4.0 selon le fournisseur contre 31,8 % chez Vals en indépendant ; Mistral Large 4, 82 % de correction de vulnérabilités selon le fournisseur contre 41 % sur Terminal-Bench 4.0 en indépendant – les annonces de lancement dépassent de 20 points les reproductions indépendantes.

Coût par tâche terminée : DeepSeek V4.1 Flash, 1 017 à 0,66 $ par test Vals, contre 18,70 $ pour Claude Sonnet 5.5 et 28,12 $ pour Opus 5.5 – 28 et 42 fois moins cher, pour 9 points de précision en moins.

CyberGym est saturé – GLM-5.3 à 84,5 % contre Claude Mythos 5 à 83,8 % et GPT-5.6 Sol à 83,6 %, dans un écart de 7,3 points – l'écart de capacités n'apparaît pas dans le pourcentage annoncé.

Terminal-Bench fait la différence : le meilleur modèle ouvert, Kimi K3.1 Pro, est à 67 %, contre 28 % pour DeepSeek V4.1 Flash, le meilleur modèle publié, sur FrontierCode, et 13 % sur Terminal-Bench-Science ; la plupart des modèles ouverts sont sous les 10 %.

🇺🇸 Gemini10 places

La même question, à laquelle Gemini a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Qwen 2.5 Coder 32B Instruct (Alibaba, Chine)

    Il présente le plus faible écart de confiance de l'industrie (moins de 4 points de pourcentage) et exécute des tâches complexes de codage pour quelques centimes sur du matériel grand public.

    Source ↗
  2. 2
    DeepSeek-V3 (Chine, 2024–2026)

    Il combine une puissante capacité d'appel d'outils MoE de 671 milliards de paramètres avec un écart de confiance agressivement inférieur à 5 % et un prix d'appel d'API négligeable.

    Source ↗
  3. 3
    Llama 3.3 70B Instruct (Meta, États-Unis)

    Il réussit 92 % des séquences d'appel de fonctions sans dégradation de syntaxe, avec un écart serré de 5,1 % par rapport aux affirmations du livre blanc de Meta.

  4. 4
    Nous Hermes 3 - 70B (Nous Research, États-Unis)

    Conçu uniquement pour piloter des agents autonomes et exécuter des fonctions JSON, il maintient une dérive de prompt quasi nulle sur des séries de 50 étapes.

    Source ↗
  5. 5
    Mistral Large 4 (Mistral AI, France, 2026)

    Il revendique 82 % sur CyberGym-E2E et 61,7 % sur DeepSWE v1.1, mais tombe à 15,83 % sur le Legal Agent Benchmark indépendant de Harvey.

    Source ↗
  6. 6
    Llama 3.1 405B Instruct (Meta, États-Unis)

    La plus grande marge de raisonnement brut parmi les poids ouverts, mais il faut un nœud de centre de données à 8 GPU pour faire tourner un seul fil d'agent.

  7. 7
    DeepSeek-Coder-V2.5 (Chine)

    Un chasseur de bugs automatisé fiable, dont la conception MoE de 16 milliards de paramètres actifs fait tomber le coût des correctifs de code terminés à 0,05 $.

    Source ↗
  8. 8
    Qwen 2.5 72B Instruct (Alibaba, Chine)

    Un agent général fiable qui alimente des orchestrateurs multi-agents avec une stabilité sur 128 k de contexte et très peu d'erreurs d'analyse.

    Source ↗
  9. 9
    Devstral 24B / Mistral NeMo (Mistral AI, France)

    L'agent local agile de Mistral, qui exécute les commandes de terminal de l'IDE de façon fiable sans consommer les crédits cloud de l'entreprise.

    Source ↗
  10. 10
    GLM-4 9B Chat (Zhipu AI, Chine)

    Le billet d'entrée pour les configurations d'agents mobiles et en périphérie, capable d'analyser des actions de navigation web dans la limite de 16 Go de RAM.

    Source ↗
🇨🇳 Wenxin10 places · 1 notes

La même question, à laquelle Wenxin a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Meta Llama 4 Maverick 405B (2026)

    Un agent géant de 405B — mais il faut 8 H100 et 12 000 $ de matériel pour qu'il termine une tâche

  2. 2
    DeepSeek-V3.2 671B (2025/2026)

    Une astuce MoE ramène les paramètres actifs à environ 37B — l'agent qui pense grand et dépense peu

  3. 3
    Mistral Large 4 123B (Mistral AI, France, 2026)

    Les scores d'agent de 123B font bonne figure sur le papier — les tests indépendants montrent un écart de 20 points

    Source ↗
  4. 4
    Qwen3 235B-A22B MoE (Alibaba, 2026)

    22B actifs à l'inférence — l'agent que vous pouvez réellement faire tourner 24 h/24

    Source ↗
  5. 5
    Falcon 3 180B (TII, Émirats arabes unis, 2026)

    Généraliste de 180B — un agent correct, mais pas le spécialiste dont vous avez besoin pour le code ou le droit

  6. 6
    Nvidia Nemotron 4 340B (2025/2026)

    Le propre modèle d'agent de Nvidia — conçu pour mettre en valeur ses puces, pas votre budget

  7. 7
    Microsoft Phi-4 14B (2025/2026)

    14B sur un portable — l'agent qui tourne pendant que votre café infuse

  8. 8
    Cohere Command R+ 104B (2025/2026)

    Conçu pour les agents RAG d'entreprise — mais « ouvert » seulement si vous ne voulez pas le vendre

    Source ↗
  9. 9
    Stability AI Stable Code 3 15B (2026)

    Agent de code de 15B — excellent sur les tickets GitHub, incapable de faire votre déclaration d'impôts

  10. 10
    Google Gemma 3 27B (2026)

    Agent généraliste de 27B — suffisant pour 80 % des tâches, pour un dixième du coût

    Source ↗

Ce que Wenxin a remarqué

DeepSeek-V3.2 coûte moins de 1 $ par million de jetons en auto-hébergement, ce qui en fait l'agent de type top 5 le moins cher — et c'est un MoE, donc seulement environ 37 milliards de paramètres sont actifs par jeton

🇨🇳 DeepSeek10 places · 1 notes

La même question, à laquelle DeepSeek a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Un score indépendant de 61,26 % sur Vals Index à 0,66 $ par test — mais son 74,2 DeepSWE annoncé par le fournisseur s'effondre à 19,7 % sur le Terminal-Bench 4.0 indépendant de Vals, l'un des écarts de confiance les plus larges du domaine.

  2. 2
    GLM-5.3 (2026)

    La catégorie code de Vals lui attribue 64,3 — le meilleur score d'agent de code à poids ouverts — et ses chiffres indépendants tiennent mieux que la plupart, mais son litige de licence compte pour quiconque héberge des agents pour des clients.

    Source ↗
  3. 3
    Mistral Large 4 (Le Chonk, 2026)

    Les annonces de lancement de Mistral affichent 82 % sur CyberGym-E2E, 93 % sur Cybench et 61,7 % sur DeepSWE — mais les tests indépendants de l'indice Cyber le situent vers 51 %, un écart de confiance d'environ 31 points, qui est le chiffre décisif pour les acheteurs d'agents de sécurité.

    Source ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Un score indépendant de 57,8 % sur Vals et un Elo de 1 487 sur LMArena pour les modèles ouverts, mais le déclencheur de revenus de 20 M$ et le plafond de 100 M d'utilisateurs mensuels obligent les plateformes d'agents à prévoir un accord commercial, pas seulement des GPU.

    Source ↗
  5. 5
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Un score indépendant de 59,5 % sur Vals avec une licence MIT complète et 0,435 $/0,87 $ par million de jetons — la meilleure option de coût par tâche terminée parmi les modèles réellement permissifs.

    Source ↗
  6. 6
    Qwen 3.8 Max (Alibaba, 2026)

    De bons chiffres d'agent de code (67,4 sur Terminal-Bench 2.1 selon les tests du fournisseur), mais un seuil de revenus de 50 M$ pour les entreprises MaaS et d'assistants de code concurrentes — la plateforme d'agents qui l'héberge pour des clients doit prévoir un accord commercial.

    Source ↗
  7. 7
    Muse Spark Open (Meta, 2026)

    Premier au Legal Agent Benchmark de Harvey de Vals AI avec 25,00 %, mais son déclencheur MaaS de revente de 20 M$ oblige les plateformes de legal tech à conclure un accord distinct avant de l'héberger pour leurs clients.

  8. 8
    Step 5 Preview (StepFun, 2026)

    29 sur AA v5 avec un contexte de 1 M de jetons et une conception MoE de 600 milliards, mais la StepFun Model License 1.0 impose des conditions OEM et MaaS qui peuvent bloquer le déploiement d'agents, même si les poids se téléchargent.

  9. 9
    Nemotron 3 Ultra (Nvidia, 2026)

    Seulement 23 sur AA v5, mais OpenMDW-1.1 ouvre les poids, les données d'entraînement et les recettes — le modèle d'agent longue durée le plus transparent, à 0,60 $/2,60 $ par million de jetons.

  10. 10
    Beam 1.0 (Reflection, 2026)

    30 sur AA v5 et 48,5 % sur AutomationBench-AA — solide pour les flux agentiques — mais seulement 3,0 % sur Terminal-Bench 4.0 : il mène à bien des agents de travail intellectuel, pas des agents de terminal.

Ce que DeepSeek a remarqué

Les agents à poids ouverts peuvent égaler les modèles fermés pour moins d'un dixième du coût, à condition de disposer de suffisamment de tours — une conclusion qui change le calcul achat-ou-développement pour les équipes d'agents de sécurité et de droit.

🇨🇳 Qwen10 places · 2 notes

La même question, à laquelle Qwen a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Kimi K3.1 Pro

    L'agent de Moonshot réussit 94,7 % des tâches de piratage réelles, avec un écart énorme entre son score indépendant et le communiqué de presse de tous les autres.

    Source ↗
  2. 2
    DeepSeek V4.1

    Le cheval de trait sous licence MIT mène à bien des agents de code multifichiers complexes pour une fraction du coût des modèles de pointe américains.

  3. 3
    Mistral Large 4

    Mistral annonce 82 % sur CyberGym et 61,7 % sur DeepSWE, mais des testeurs indépendants mesurent 81,7 % et 60 %, ce qui révèle un écart de confiance rare et « honnête ».

    Source ↗
  4. 4
    GLM-5.1

    Spécifiquement entraîné pour le Legal Agent Benchmark de Harvey, il rédige et relit des contrats plus vite que tout modèle généraliste.

  5. 5
    Qwen 3.8 Max

    L'orchestrateur d'agents d'Alibaba domine les flux de travail juridiques et financiers en Asie, mais son plafond de licence de 50 M$ de revenus ralentit l'adoption par les SaaS mondiaux.

  6. 6
    Llama 3.3 405B

    La très grande fenêtre de contexte de Meta lui permet de garder des bases de code entières en mémoire pour des agents de refactorisation à long terme.

  7. 7
    Yi-Lightning

    L'agent léger de 01.AI tourne sur des GPU cloud bon marché, ce qui en fait le choix par défaut des start-up qui construisent des boucles de support client automatisées.

    Source ↗
  8. 8
    MiMo

    Un agent de raisonnement spécialisé qui bat les modèles généraux sur les tâches de code riches en maths, sans avoir besoin d'une empreinte de 100 milliards de paramètres.

    Source ↗
  9. 9
    Phi-4

    Le petit agent de Microsoft excelle dans les balayages de sécurité locaux, sur l'appareil, là où envoyer le code dans le cloud serait une violation de conformité.

    Source ↗
  10. 10
    InternLM 3

    Le cadre d'agents du Laboratoire d'IA de Shanghai intègre un traçage de l'usage des outils, ce qui en fait le favori pour l'orchestration financière auditée.

    Source ↗

Ce que Qwen a remarqué

L'« écart de confiance » des agents IA se résorbe : les affirmations du fournisseur de Mistral Large 4 (82 % sur CyberGym) étaient presque identiques aux tests indépendants (81,7 %), un moment rare de transparence dans un domaine encombré de benchmarks choisis.

L'efficacité matérielle devient le nouveau fossé pour les agents : Phi-4 et Yi-Lightning permettent aux start-up de faire tourner 24 h/24 des balayages de sécurité autonomes sur une seule RTX 4090, en contournant entièrement les limites de débit des API cloud.