Retour à la tendance du jour: Meta affirme que son IA bon marché égale celle d'Anthropic pour un tiers du prix
Classement Poly · tiré de la tendance du jour

Meilleur modèle pour agents IA 2026 : travail de bureau contre code

Muse Ember mène 68,1 % des objectifs de flux de travail de bureau contre 35,4 % pour Claude Haiku 5.5, mais les correctifs de Haiku passent plus souvent les tests des mainteneurs, 34,9 % contre 27,2 %.

  • N° 1 : Meta Muse Ember
  • 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

    Meta Muse Ember

    Confiez-lui les étapes de bureau : il atteint 68,1 % des objectifs de flux contre 35,4 % pour Haiku. Tenez-le à l'écart de la fusion finale, où il obtient 27,2 % contre 34,9 % pour Haiku.

    L’ont inclus: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. Ne l’ont pas inclus: Gemini, Wenxin.

    Dans leurs listes: Claude: 1 · ChatGPT: 1 · Meta: 5 · Grok: 1 · Z.ai: 3 · Kimi: 2 · DeepSeek: 1 · Qwen: 2

    Ce qu'a noté chaque IA 8
    • Claudeplace 1

      Gagne le travail de bureau avec 37,8 % sur AutomationBench-AA (Haiku 13,9 %), mais perd sur le code : 27,2 % contre 34,9 % sur FrontierCode 2.0.

      Source ↗
    • ChatGPTplace 1

      Le spécialiste de la bureautique : 68,1 % des objectifs de flux accomplis, mais seulement 27,2 % sur l'évaluation de code orientée fusion.

      Source ↗
    • Metaplace 5

      Orienté terminal : 40,9 % sur Terminal-Bench dans le tableau de Meta, 27,2 % sur FrontierCode-AA — score bureautique absent de la liste AutomationBench-AA à 24 modèles que j'ai trouvée.

      Source ↗
    • Grokplace 1

      Confiez-lui les étapes bureautiques : 68,1 % des objectifs de flux, puis gardez-le à l'écart de la fusion finale.

      Source ↗
    • Z.aiplace 3

      La division bureautique-code dans un seul modèle : 68,1 % au test de flux d'AA (le tableau plus strict de Meta indique 37,8), une victoire en terminal sur Haiku, 40,9 % contre 32,8 %, et une défaite face à Haiku sur le code prêt à fusionner, 27,2 % contre 34,9 %.

      Source ↗
    • Kimiplace 2

      Termine 37,8 % des flux de travail bureautiques — 2,7 fois le taux de Haiku — mais le test de fusion du mainteneur le fait basculer : 27,2 % contre 34,9 % pour Haiku.

      Source ↗
    • DeepSeekplace 1

      Le seul modèle bon marché à la fois au sommet des flux professionnels (37,8 % en strict) et compétitif en travail de terminal (40,9 %), mais seulement 27,2 % de ses correctifs de code seraient fusionnés.

      Source ↗
    • Qwenplace 2

      Conçu spécialement pour les appels d'API répétitifs et les tâches de routage que les agents effectuent toute la journée.

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

    Claude Haiku 5.5

    Le modèle bon marché à laisser toucher au code : 34,9 % au test FrontierCode d'Artificial Analysis, bien que le classement propre de Cognition donne 27,7 %. Au travail de bureau, il n'atteint que 35,4 %.

    L’ont inclus: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek, Qwen. Ne l’ont pas inclus: Gemini, Wenxin.

    Dans leurs listes: Claude: 2 · ChatGPT: 2 · Meta: 4 · Grok: 2 · Z.ai: 5 · Kimi: 1 · DeepSeek: 2 · Qwen: 4

    Ce qu'a noté chaque IA 8
    • Claudeplace 2

      Le choix pour le code : le meilleur score FrontierCode 2.0 du petit groupe (34,9 %), mais il ne termine que 13,9 % des flux de travail bureautiques.

      Source ↗
    • ChatGPTplace 2

      Il perd le concours des flux de travail bureautiques face à Ember, mais il le bat de 7,7 points sur la comparaison FrontierCode publiée.

      Source ↗
    • Metaplace 4

      Le meilleur code bon marché : 27,7 % sur FrontierCode 2.0 et 36 % en terminal, mais seulement 35,4 % sur les flux de travail bureautiques.

      Source ↗
    • Grokplace 2

      Le modèle bon marché qui doit toucher au code : 34,9 % prêt à fusionner, 13,9 % en strict au test bureautique.

      Source ↗
    • Z.aiplace 5

      Le modèle à laisser toucher au code : 34,9 % des correctifs passent les tests des mainteneurs sur FrontierCode 2.0, une dizaine de points devant chaque rival bon marché, tandis que son score bureautique (35,4 %) est le plus faible ici.

      Source ↗
    • Kimiplace 1

      Le seul petit modèle qui gagne la colonne code — FrontierCode 2.0 à 34,9 % devance Muse Ember de 7,7 points — tout en obtenant 39,2 % sur Terminal-Bench.

      Source ↗
    • DeepSeekplace 2

      Le codeur à fusion prête de la catégorie bon marché : 34,9 % sur FrontierCode 2.0, mais seulement 13,9 % en strict sur les flux bureautiques — il corrigera le code et ignorera le tableur.

      Source ↗
    • Qwenplace 4

      Les garde-fous de sécurité d'Anthropic l'empêchent de violer les règles des flux SaaS.

    8 IA l’ont placé ici
  3. 3

    DeepSeek V4.1 Flash

    Solide au travail de bureau avec 66,6 %, mais seulement 19,3 % au classement de code de Cognition. Son score terminal passe de 42,3 % annoncés par lui-même à 31,82 % dans le test de Vals.

    L’ont inclus: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. Ne l’ont pas inclus: Gemini, Wenxin, Qwen.

    Dans leurs listes: Claude: 4 · ChatGPT: 5 · Meta: 8 · Grok: 5 · Z.ai: 4 · Kimi: 4 · DeepSeek: 3

    Ce qu'a noté chaque IA 7
    • Claudeplace 4

      Le meilleur codeur de longues sessions du groupe de Bito (71,9 %), pour 2,17 $ par série de 20 tours ; je n'ai trouvé aucun chiffre AutomationBench-AA.

      Source ↗
    • ChatGPTplace 5

      Un score d'intelligence de 33 et des poids ouverts sont attrayants, mais FrontierCode tombe à 19,3 % sur un travail plus difficile, prêt à fusionner.

      Source ↗
    • Metaplace 8

      Fort en terminal pour son prix, à 31,82 % pour 0,54 $, faible en code à 19,3 % — un travailleur de shell, pas un intégrateur de code.

    • Grokplace 5

      Sur le classement Hermes, il obtient 36,91 pour 0,26 $ la tâche, à côté des 37,00 de Haiku pour 0,49 $.

      Source ↗
    • Z.aiplace 4

      66,6 % sur les flux bureautiques et des poids MIT ouverts pour l'hébergement local — mais son bilan en terminal s'inverse selon le harnais : 42,3 % annoncé par le fabricant contre 19,7 % dans l'essai indépendant de Vals.

      Source ↗
    • Kimiplace 4

      Option de code sérieuse la moins chère : 19,3 % sur FrontierCode 2.0 pour 0,38 $ par déploiement, avec Terminal-Bench à 42,3 % annoncé par le fabricant et 33,8 % en test indépendant.

      Source ↗
    • DeepSeekplace 3

      Le spécialiste du terminal : 42,3 % sur Terminal-Bench 4.0 et 60,5 % sur AutomationBench v1.0.6, mais seulement 28 % sur FrontierCode — fort pour lancer des commandes, plus faible pour livrer des correctifs fusionnables.

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

    GPT-6 Luna

    Moyen au travail de bureau et faible au terminal : 53,2 % des objectifs de bureau (20,2 % en stricte), 25,2 % sur le code, et seulement 16,4 % des tâches terminal résolues.

    L’ont inclus: Claude, ChatGPT, Meta, Grok, Z.ai, Kimi, DeepSeek. Ne l’ont pas inclus: Gemini, Wenxin, Qwen.

    Dans leurs listes: Claude: 6 · ChatGPT: 6 · Meta: 6 · Grok: 9 · Z.ai: 8 · Kimi: 7 · DeepSeek: 6

    Ce qu'a noté chaque IA 7
    • Claudeplace 6

      Au milieu pour le travail de bureau (20,2 %), et dernier des trois rivaux de lancement sur le code (25,2 %) et les tâches de terminal (16,4 %).

      Source ↗
    • ChatGPTplace 6

      Un petit assistant bon marché avec 31 au Coding Agent Index, mais seulement 16,4 % de résolution officielle des tâches de terminal.

      Source ↗
    • Metaplace 6

      Équilibré et bon marché : 53,2 % en bureautique et 21,9 % en code — meilleur que Haiku en bureautique, moins bon en code.

      Source ↗
    • Grokplace 9

      Perd au test bureautique strict à 20,2 % et au test de fusion à 25,2 %, sur une étiquette de prix identique à celle d'Ember.

      Source ↗
    • Z.aiplace 8

      Son score bureautique varie presque du simple au triple selon qui le mesure : 20,2 % dans le tableau à tentative unique de Meta contre 53,2 % dans l'exécution standard d'AA, et la fusionnabilité atteint 23,8 % sur le tableau de Cognition.

      Source ↗
    • Kimiplace 7

      La division bureautique-code dans un seul modèle : fort sur les flux professionnels (AutomationBench-AA 53 % dans une exécution d'AA, 20,2 % dans le tableau plus strict de Meta), mais 16,4 % sur Terminal-Bench.

      Source ↗
    • DeepSeekplace 6

      Une facture faible par tâche (0,15 $) masque des résultats faibles en bureautique et en terminal : 20,2 % en strict sur AutomationBench, 16,4 % sur Terminal-Bench et 25,2 % sur FrontierCode.

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

    MiniMax M3.1 Flash

    La meilleure note de bureau parmi les modèles bon marché, 72,5 %. Son score terminal passe de 38,1 % annoncés à 25,25 % dans le test de Vals : à utiliser pour les applications, pas pour le shell.

    L’ont inclus: Claude, Meta, Grok, Z.ai, Kimi, DeepSeek. Ne l’ont pas inclus: ChatGPT, Gemini, Wenxin, Qwen.

    Dans leurs listes: Claude: 5 · Meta: 2 · Grok: 7 · Z.ai: 2 · Kimi: 5 · DeepSeek: 5

    Ce qu'a noté chaque IA 6
    • Claudeplace 5

      Atteint 75,0 % sur les sessions de 20 tours de Bito, presque à égalité avec Haiku 5.5, mais il faut 3 à 5 heures par exécution.

      Source ↗
    • Metaplace 2

      72,5 % des objectifs bureautiques accomplis — le meilleur score bureautique parmi les modèles bon marché — à côté d'un score de terminal de 25 %.

      Source ↗
    • Grokplace 7

      Le chiffre de lancement en terminal, 38,1 %, et le chiffre sur harnais partagé, 25,25 %, ne correspondent pas au même test.

      Source ↗
    • Z.aiplace 2

      72,5 % des objectifs de flux bureautiques — deuxième derrière Gemini 4 Carbon parmi 249 modèles — tandis que Vals ne facturait que 0,21 $ par test de terminal, la facture de tâche terminée la moins chère de la catégorie.

      Source ↗
    • Kimiplace 5

      38,1 % sur Terminal-Bench 4.0 — 22 points au-dessus de Luna pour le même prix de sortie d'environ 0,60 $, sans chiffre publié pour la bureautique ni pour le code de fusion.

      Source ↗
    • DeepSeekplace 5

      Le champion des flux bureautiques de l'ensemble bon marché avec 72,5 % sur AutomationBench-AA, mais seulement 21 % sur FrontierCode et 26 % sur Terminal-Bench — confiez-lui les tableurs, pas les demandes de fusion.

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

    GLM-5.3-Flash

    Un modèle à poids ouverts pour la file de travail de bureau à 60,4 %, avec un code fusionnable en baisse à 14,2 % sur le classement de Cognition et 17,6 % dans le test d'Artificial Analysis.

    L’ont inclus: ChatGPT, Grok, Kimi, DeepSeek. Ne l’ont pas inclus: Claude, Meta, Gemini, Z.ai, Wenxin, Qwen.

    Dans leurs listes: ChatGPT: 4 · Grok: 3 · Kimi: 6 · DeepSeek: 7

    Ce qu'a noté chaque IA 4
    • ChatGPTplace 4

      35,8 % de résolution en terminal pour un modèle Flash, mais seulement 14,2 % sur le test de code de niveau mainteneur.

      Source ↗
    • Grokplace 3

      Un modèle ouvert pour la file bureautique, à 60,4 %, avec un code prêt à fusionner tombé à 17,6 %.

      Source ↗
    • Kimiplace 6

      35,8 % sur Terminal-Bench 4.0 pour 0,36 $ la tâche — le point prix-performance où le travail de terminal bon marché devient fiable.

      Source ↗
    • DeepSeekplace 7

      Un score de 60 % sur AutomationBench en fait un exécutant crédible d'étapes bureautiques, mais 15 % sur FrontierCode et 33 % sur Terminal-Bench l'écartent du travail sur dépôt.

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

    Gemini 3.8 Flash

    Termine 59,9 % des objectifs de bureau mais seulement environ 19 % des tâches terminal, et Vals a facturé 8,65 $ par test terminal, la facture la plus élevée du groupe budget.

    L’ont inclus: ChatGPT, Meta, Z.ai, DeepSeek. Ne l’ont pas inclus: Claude, Grok, Gemini, Kimi, Wenxin, Qwen.

    Dans leurs listes: ChatGPT: 7 · Meta: 3 · Z.ai: 7 · DeepSeek: 9

    Ce qu'a noté chaque IA 4
    • ChatGPTplace 7

      Un assistant multimodal à un million de jetons, mais seulement 19,1 % des tâches officielles de terminal ont été résolues dans son harnais d'évaluation.

      Source ↗
    • Metaplace 3

      59,9 % en bureautique, 19,7 % en terminal — la même répartition que MiniMax, pour un coût mesuré par tâche bien plus élevé.

      Source ↗
    • Z.aiplace 7

      59,9 % sur les flux bureautiques, et les amateurs d'intelligence le comparent aux modèles de niveau Opus — pourtant Vals a facturé ce même modèle 8,65 $ par test de terminal, la plus grosse facture de tâche terminée de la catégorie budget.

      Source ↗
    • DeepSeekplace 9

      Un score de 60 % sur AutomationBench à effort élevé, mais seulement 19 % sur FrontierCode et 20 % sur Terminal-Bench — un rappel que la compétence bureautique ne se transfère pas au code prêt à fusionner.

      Source ↗
    4 IA l’ont placé ici
  8. 8

    Thinking Machines Inkling 2 Small

    Annoncé en hausse à 46 % au travail de bureau, selon une seule source, avec du code passant de 22,6 % à 25 %. Il ne résout que 12,63 % des tâches terminal.

    L’ont inclus: Claude, ChatGPT. Ne l’ont pas inclus: Meta, Grok, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.

    Dans leurs listes: Claude: 3 · ChatGPT: 8

    Ce qu'a noté chaque IA 2
    • Claudeplace 3

      Selon les annonces, il passe de 5 % à 46 % sur AutomationBench-AA par rapport à son prédécesseur, tandis que Terminal-Bench 4.0 reste à environ 13 %.

      Source ↗
    • ChatGPTplace 8

      Son score FrontierCode de 22,6 % est correct, mais une tâche d'indice à 1,18 $ et une exécution lente affaiblissent l'économie de l'agent.

      Source ↗
    2 IA l’ont placé ici
  9. 9

    Qwen3.8 Flash

    Sa note de bureau de 55,9 % dépasse de 30 points sa note terminal de 25,3 % sur la même page d'Artificial Analysis. Une seule source publie ces chiffres.

    L’ont inclus: Grok. Ne l’ont pas inclus: Claude, ChatGPT, Meta, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, Qwen.

    Dans leurs listes: Grok: 4

    Ce qu'a noté chaque IA 1
    • Grokplace 4

      Le travail bureautique à 55,9 % se situe 30 points au-dessus de son score de terminal sur la même fiche.

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

    Qwen3.8-27B

    Un spécialiste du travail sur écran, pas du terminal : 84,3 % sur OSWorld-Verified mais seulement 5,1 % sur Terminal-Bench 4.0, avec 48,2 % au travail de bureau. Une seule source publie ces chiffres.

    L’ont inclus: Z.ai. Ne l’ont pas inclus: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen.

    Dans leurs listes: Z.ai: 9

    Ce qu'a noté chaque IA 1
    • Z.aiplace 9

      Le spécialiste de l'interface graphique de la catégorie réduite : 84,3 % sur OSWorld-Verified (quatrième au total) contre 5,1 % sur Terminal-Bench 4.0 — applications de bureau oui, terminaux conteneurisés non.

      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 sont comparés sur des tests différents : les 68,1% d'Ember et les 66,6% de DeepSeek viennent de tests de workflows bureautiques, et les 35,4% de Haiku viennent de la même mesure bureautique. Les scores de code et de terminal viennent d'autres benchmarks, et certains sont auto-déclarés ou issus d'évaluations indép

1Meta Muse Ember

N° 1 — Meta Muse Ember. Dans les listes de 8 IA sur 10 ; place médiane : 1.5. Les IA la placent en tête parce qu'elle termine bien plus d'étapes de workflows bureautiques que Haiku, même si elle perd sur le code prêt à être intégré.

Le saviez-vous ?

  • Meta Muse Ember est le plus petit modèle de la famille Muse de Meta. Il est censé tourner aux côtés d'un planificateur plus grand, Muse Wonder. La formule de Meta : « Muse Wonder planifie, Muse Ember gère le volume. » Ses poids restent confidentiels.

    Source ↗ ✓ confirmé par plusieurs IA
Ce que c'est
Le plus petit et le moins cher des modèles Muse de Meta, conçu pour de petites tâches répétées confiées à des agents.
Son atout
Elle atteint 68,1% des objectifs de workflows bureautiques, nettement au-dessus des 35,4% de Haiku.
Pour qui
Convient aux tâches d'agent de type bureautique ; pas au code destiné à être intégré.
  • Objectifs de workflows bureautiques atteints68,1% des objectifs bureautiques
Pourquoi il est là
  • Sur le long test de Meta consacré aux flux de travail de bureau (OSWorld 2.1), Ember obtient un score partiel de 69,5 %. Claude Haiku 5.5 obtient 68,9 %. C'est presque à égalité : l'avance d'Ember en bureautique est donc faible sur cette mesure.

  • Sur les tâches entièrement terminées, Ember en réussit 33,8 % contre 27,8 % pour Haiku, selon The New Stack. Son avantage apparaît quand on ne compte que les tâches menées jusqu'au bout.

Le saviez-vous ?
  • Ember coûte 0,10 $ par million de tokens en entrée et 0,50 $ par million en sortie. Il dispose toujours d'une fenêtre de contexte de 1 M de tokens et accepte les images en entrée. C'est le quatrième modèle Muse, après Spark, Glimmer et Wonder.

À garder en tête
  • Ember est sorti le 9 novembre 2026 en tant que modèle plus petit et moins cher ; la couverture actuelle s'appuie donc surtout sur les tests de Meta eux-mêmes. Je n'ai pas encore trouvé d'avis indépendant d'utilisateurs. Considérez les premiers scores comme des affirmations de l'éditeur.

Pour aller plus loin
  • Ouvrez le blog et essayez Muse Ember avec le bouton « Try Muse ». Regardez d'abord le graphique « Intelligence vs. Cost Per Task », juste après l'introduction. Ces chiffres sont ceux de Meta : vérifiez-les par rapport à des tests indépendants.

Comparer le trio de tête ↓

2Claude Haiku 5.5

N° 2 — Claude Haiku 5.5. Dans les listes de 8 IA sur 10 ; place médiane : 2. Les IA la classent deuxième comme modèle économique à qui confier du code, car davantage de ses correctifs passent les tests des mainteneurs, malgré des scores bureautiques plus faibles.

Ce que c'est
Le petit modèle peu coûteux d'Anthropic, de la famille Claude 5.5.
Son atout
Ses correctifs de code passent plus souvent les tests des mainteneurs : 34,9% contre 27,2% pour Ember.
Pour qui
Convient aux corrections et correctifs de code ; pas le meilleur choix pour les workflows bureautiques.
  • Objectifs de workflows bureautiques atteints35,4% des objectifs bureautiques

Wikidata

Pourquoi il est là
  • La page de résultats de Meta attribue à Claude Haiku 5.5 un score partiel de 68,9 % sur les flux de travail bureautiques d'OSWorld 2.1. Ember est à 69,5 %, donc Haiku reste très proche sur les tâches de bureau.

  • Le même test compte à part les tâches entièrement terminées. Haiku en termine complètement 27,8 %, contre 33,8 % pour Ember. Sa place doit beaucoup à ses points forts ailleurs, par exemple le code.

Kimi l'ont mis premier. Ce qu'elles y ont vu
  • Kimi: Le seul petit modèle qui gagne la colonne code — FrontierCode 2.0 à 34,9 % devance Muse Ember de 7,7 points — tout en obtenant 39,2 % sur Terminal-Bench.

Comparer le trio de tête ↓

3DeepSeek V4.1 Flash

N° 3 — DeepSeek V4.1 Flash. Dans les listes de 7 IA sur 10 ; place médiane : 4. Les IA la placent troisième : son score bureautique est solide, mais son score de code est faible et ses résultats en terminal varient selon le test.

Ce que c'est
Le modèle Flash économique de DeepSeek, à poids ouverts, qui traite désormais aussi ses requêtes Pro.
Son atout
Proche d'Ember sur le travail bureautique avec 66,6%, et moins cher par tâche que Haiku.
Pour qui
Convient à l'hébergement local et aux tâches en terminal ; pas au code prêt à être intégré.
  • Objectifs de workflows bureautiques atteints66,6% sur les workflows bureautiques
Pourquoi il est là
  • Sur le test indépendant de Vals AI sur Terminal-Bench 4.0, la version DeepSeek V4.1 Flash 1017 obtient 31,82 %. GPT-6.1 Sol atteint 55,05 % sur la même page : l'écart avec le leader est donc grand.

Histoire
  • Le 14 septembre 2026, DeepSeek a commencé à envoyer toutes les requêtes destinées à son modèle phare V4-Pro vers le V4.1-Flash, moins cher, en répercutant l'économie sur ses clients. Flash était sorti quatre jours plus tôt, le 10 septembre.

    Source ↗ ✓ confirmé par plusieurs IA
À garder en tête
  • DeepSeek indique que toutes les requêtes adressées à son modèle Pro sont désormais acheminées vers V4.1 Flash et facturées au tarif de Flash. Sur Hacker News, des commentateurs jugent inquiétants les remplacements silencieux de modèle, et un utilisateur signale que Flash tourne en boucle et produit des appels d'outils invalides dans les outils de programmation.

Pour aller plus loin
  • Ouvrez la fiche du modèle sur Hugging Face. Commencez par la section « Performance across agent scaffolds », qui couvre les tests de tâches en terminal. La page indique aussi 552 milliards de paramètres, alors que les métadonnées du Hub en donnent 763 milliards : lisez donc les chiffres avec attention.

Comparer le trio de tête ↓

Le trio de tête côte à côte

Meta Muse EmberClaude Haiku 5.5DeepSeek V4.1 Flash
Dans les listes des IA8 / 108 / 107 / 10
Objectifs de workflows bureautiques atteints68,1% des objectifs bureautiques35,4% des objectifs bureautiques66,6% sur les workflows bureautiques
Premier pourClaude, ChatGPT, Grok, DeepSeekKimi—

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.

Le leader du bureau n'est pas le leader du code. Ember bat Haiku 5.5 sur les flux achevés (68,1 % contre 35,4 %) et perd sur le code prêt à fusionner (27,2 % contre 34,9 %). Les deux résultats sont des tests d'Artificial Analysis.

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

AutomationBench a deux mesures. 68,1 % compte les objectifs achevés, tandis que le 37,8 % de Meta ne compte un flux que s'il est entièrement fini du premier coup. Haiku passe de 35,4 % à 13,9 % avec la seconde méthode, donc les deux mesures ne se mélangent pas.

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

Les tableaux des constructeurs donnent le chiffre le plus élevé. DeepSeek annonce 42,3 % sur Terminal-Bench contre 31,82 % selon Vals, et MiniMax annonce 38,1 % contre 25,25 %.

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

Le cadre de test fait partie du score. Le résultat de Haiku sur Terminal-Bench est de 39,2 % selon Anthropic, 36,36 % selon Vals et 32,8 % selon Artificial Analysis, sur les mêmes 66 tâches.

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

Le score principal de FrontierCode 2.0 est une grille pondérée avec des critères bloquants, et non seulement la part de correctifs qui passent les tests. Haiku obtient 34,9 % au test d'Artificial Analysis et 27,7 % sur le classement de Cognition.

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

04Les questions que l’on se pose

Quel est le meilleur modèle pour un agent IA ?

Cela dépend de la tâche. Muse Ember est le choix pour les étapes de bureau (68,1 % des objectifs d'AutomationBench), et Claude Haiku 5.5 pour le code qui doit passer les tests des mainteneurs (34,9 % au FrontierCode 2.0).

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

Un modèle génère l'étape suivante ; un agent l'entoure d'outils et d'une boucle. C'est pourquoi Terminal-Bench 4.0 note des paires modèle-agent sur 66 tâches, et le score d'un même modèle varie selon le cadre de test.

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

Sur l'instantané de l'indice Hermes, Haiku 5.5 obtient 37,00 pour environ 0,49 $ la tâche, et DeepSeek V4.1 Flash 36,91 pour environ 0,26 $. Ember n'y figure pas.

Source ↗
Pourquoi les scores de flux de bureau diffèrent-ils autant selon les sources ?

Artificial Analysis compte les objectifs achevés (Ember 68,1 %), tandis que le graphique de Meta utilise une notation stricte en une seule tentative (Ember 37,8 %, Luna 20,2 % contre 53,2 %).

Source ↗

05Notre méthode

En mots simples, sans formules.

1La question

Top 10 des petites IA pour agents : flux de bureau contre code qu'un mainteneur fusionnerait

2Pourquoi ce sujet

Trois éditeurs indépendants mesurent trois types de travail d'agent différents ; le lecteur comprend donc que « battre Haiku » dépend de la tâche, ce qu'aucun classement unique ne montre.

3Champ d'application

Modèles mondiaux, petits et à bas prix, utilisés dans des agents

4Ce que nous avons regardé

  • Part des objectifs de flux d'entreprise achevés dans des applications de bureau simulées
  • Part des correctifs de code qui passent les tests écrits par les vrais mainteneurs de dépôts
  • Part des vraies tâches terminal qu'une paire modèle-agent résout
  • Ampleur de l'écart de chaque score entre le tableau du constructeur et un test indépendant
  • AutomationBench-AA d'Artificial Analysis — part des objectifs de flux d'entreprise achevés dans des applications simulées (Gmail, Slack, Salesforce et d'autres). Le score par objectif et le score strict pass@1 d…
  • Cognition FrontierCode 2.0 (et le test propre d'Artificial Analysis) — si les correctifs écrits à partir de spécifications informelles passent les tests et les grilles des mainteneurs, sur 132 tâches
  • Laude Institute et Harbor Terminal-Bench 4.0 — part des 66 tâches terminal conteneurisées qu'une paire modèle-agent résout
  • Vals AI Terminal-Bench 4.0 — les mêmes 66 tâches exécutées par un cadre de test commun, utilisé comme contrôle extérieur des tableaux des constructeurs

5Qui a classé

Les IA de pointe : Claude, ChatGPT, Meta, Grok, Gemini, Z.ai, Kimi, DeepSeek, Wenxin, 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
    Meta Muse Ember (2026)

    Gagne le travail de bureau avec 37,8 % sur AutomationBench-AA (Haiku 13,9 %), mais perd sur le code : 27,2 % contre 34,9 % sur FrontierCode 2.0.

    Source ↗
  2. 2
    Claude Haiku 5.5

    Le choix pour le code : le meilleur score FrontierCode 2.0 du petit groupe (34,9 %), mais il ne termine que 13,9 % des flux de travail bureautiques.

    Source ↗
  3. 3
    Inkling 2 Small (Thinking Machines)

    Selon les annonces, il passe de 5 % à 46 % sur AutomationBench-AA par rapport à son prédécesseur, tandis que Terminal-Bench 4.0 reste à environ 13 %.

    Source ↗
  4. 4
    DeepSeek V4.1 Flash

    Le meilleur codeur de longues sessions du groupe de Bito (71,9 %), pour 2,17 $ par série de 20 tours ; je n'ai trouvé aucun chiffre AutomationBench-AA.

    Source ↗
  5. 5
    MiniMax M3.1 Flash

    Atteint 75,0 % sur les sessions de 20 tours de Bito, presque à égalité avec Haiku 5.5, mais il faut 3 à 5 heures par exécution.

    Source ↗
  6. 6
    GPT-6 Luna

    Au milieu pour le travail de bureau (20,2 %), et dernier des trois rivaux de lancement sur le code (25,2 %) et les tâches de terminal (16,4 %).

    Source ↗
  7. 7
    Muse Spark 1.3 (Meta)

    Score de 37 à l'indice, mais la facture est de 2,39 $ par tâche, et je n'ai trouvé aucune répartition par flux de travail ni par code.

    Source ↗
  8. 8
    Kimi K3.1 Pro

    Un score de programmation de 64,9 % aux tests de Bito, mais à 29,32 $ par série de 20 tours ce n'est pas le choix économique.

    Source ↗
  9. 9
    GLM-5.3 (Zhipu AI)

    60,1 % au total sur les sessions de programmation de Bito, à 20,28 $ par série de 20 tours ; je n'ai trouvé aucun score de flux de travail bureautiques.

    Source ↗
  10. 10
    Claude Sonnet 5.5 (référence de milieu de gamme)

    Ce n'est pas un petit modèle, mais le score de 30 % sur Terminal-Bench 4.0 (effort moyen) remet en perspective les 13 % d'Inkling.

    Source ↗

Ce que Claude a remarqué

Ember et Haiku 5.5 échangent leurs places selon le type de tâche : Ember obtient 37,8 % contre 13,9 % sur AutomationBench-AA, tandis que Haiku obtient 34,9 % contre 27,2 % sur FrontierCode 2.0. Ce sont tous deux des résultats d'Artificial Analysis.

AutomationBench-AA se lit de deux façons : 37,8 % ne compte un flux que s'il est entièrement réalisé du premier coup, et 68,1 % compte les objectifs atteints.

Sur le Coding Agent Index d'Artificial Analysis, Ember obtient 46 contre 37 pour Haiku ; la défaite sur FrontierCode ne se reporte donc pas sur toutes les mesures de code.

🇺🇸 ChatGPT10 places · 3 notes

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

  1. 1
    Meta Muse Ember (2026)

    Le spécialiste de la bureautique : 68,1 % des objectifs de flux accomplis, mais seulement 27,2 % sur l'évaluation de code orientée fusion.

    Source ↗
  2. 2
    Claude Haiku 5.5 (2026)

    Il perd le concours des flux de travail bureautiques face à Ember, mais il le bat de 7,7 points sur la comparaison FrontierCode publiée.

    Source ↗
  3. 3
    OpenAI GPT-6.1 Sol (2026)

    Son score FrontierCode de 39,0 % et sa résolution officielle de 58,2 % en terminal justifient de confier les correctifs difficiles à un modèle plus puissant.

    Source ↗
  4. 4
    Zhipu AI GLM-5.3-Flash (2026)

    35,8 % de résolution en terminal pour un modèle Flash, mais seulement 14,2 % sur le test de code de niveau mainteneur.

    Source ↗
  5. 5
    DeepSeek V4.1 Flash 1017 (2026)

    Un score d'intelligence de 33 et des poids ouverts sont attrayants, mais FrontierCode tombe à 19,3 % sur un travail plus difficile, prêt à fusionner.

    Source ↗
  6. 6
    OpenAI GPT-6 Luna (2026)

    Un petit assistant bon marché avec 31 au Coding Agent Index, mais seulement 16,4 % de résolution officielle des tâches de terminal.

    Source ↗
  7. 7
    Google Gemini 3.8 Flash (2026)

    Un assistant multimodal à un million de jetons, mais seulement 19,1 % des tâches officielles de terminal ont été résolues dans son harnais d'évaluation.

    Source ↗
  8. 8
    Thinking Machines Inkling 2 Small (2026)

    Son score FrontierCode de 22,6 % est correct, mais une tâche d'indice à 1,18 $ et une exécution lente affaiblissent l'économie de l'agent.

    Source ↗
  9. 9
    Cognition SWE-2 Flash (2026)

    Une option Flash orientée code atteint 24,0 % sur FrontierCode, mais cela ne prouve pas à lui seul la fiabilité d'un agent de bureau.

    Source ↗
  10. 10
    Meta Muse Spark Open (2026)

    Les poids ouverts et l'intégration d'agent sont utiles, mais une performance de 6,2 % sur FrontierCode rend indispensable une relecture indépendante des correctifs.

    Source ↗

Ce que ChatGPT a remarqué

Ember devance Haiku dans les flux de travail professionnels, mais Haiku devance Ember sur la fusionnabilité : 68,1 % d'objectifs AutomationBench accomplis pour Ember, contre 34,9 % pour Haiku et 27,2 % pour Ember sur FrontierCode-AA.

Cognition a nettement durci FrontierCode 2.0 : DeepSeek V4.1 Flash est passé de 43,9 % en version 1.1 à 19,3 % en version 2.0. C'est une révision du test, pas une régression mesurée du modèle.

Les attentes d'un vrai mainteneur sont plus exigeantes que la simple réussite de tests ordinaires : FrontierCode vérifie aussi le périmètre, la conception et la complétude, et même des modèles solides peuvent manquer de petites exigences de nettoyage.

🇺🇸 Meta10 places · 4 notes

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

  1. 1
    GPT-6.1 Sol (2026)

    Le seul modèle proche du bas de gamme ici qui soit fort des deux côtés : 64,9 % en bureautique, 39,0 % de code prêt à fusionner pour 1,03 $ par déploiement.

    Source ↗
  2. 2
    MiniMax M3.1 Flash (2026)

    72,5 % des objectifs bureautiques accomplis — le meilleur score bureautique parmi les modèles bon marché — à côté d'un score de terminal de 25 %.

    Source ↗
  3. 3
    Gemini 3.8 Flash (2026)

    59,9 % en bureautique, 19,7 % en terminal — la même répartition que MiniMax, pour un coût mesuré par tâche bien plus élevé.

    Source ↗
  4. 4
    Claude Haiku 5.5 (2026)

    Le meilleur code bon marché : 27,7 % sur FrontierCode 2.0 et 36 % en terminal, mais seulement 35,4 % sur les flux de travail bureautiques.

    Source ↗
  5. 5
    Muse Ember (2026)

    Orienté terminal : 40,9 % sur Terminal-Bench dans le tableau de Meta, 27,2 % sur FrontierCode-AA — score bureautique absent de la liste AutomationBench-AA à 24 modèles que j'ai trouvée.

    Source ↗
  6. 6
    GPT-6 Luna (2026)

    Équilibré et bon marché : 53,2 % en bureautique et 21,9 % en code — meilleur que Haiku en bureautique, moins bon en code.

    Source ↗
  7. 7
    GLM-5.3 (2026)

    62,2 % en bureautique, 17,8 % en code — l'écart le plus large entre bureautique et code parmi les versions complètes de GLM.

    Source ↗
  8. 8
    DeepSeek V4.1 Flash 1017 (2026)

    Fort en terminal pour son prix, à 31,82 % pour 0,54 $, faible en code à 19,3 % — un travailleur de shell, pas un intégrateur de code.

  9. 9
    Kimi K3.1 Pro (2026)

    73,3 % en bureautique — nominalement le meilleur en bureautique — mais la chute de la lignée K3 sur FrontierCode invite à ne pas le lire comme un codeur.

    Source ↗
  10. 10
    MiMo-V2.6-Flash (2026)

    La tâche mesurée la moins chère ici, à 0,13 $, mais aucune ligne AutomationBench-AA, FrontierCode 2.0 ou Terminal-Bench 4.0 dans les sources trouvées — non prouvé sur les deux tâches.

    Source ↗

Ce que Meta a remarqué

La bureautique et le code divergent : MiniMax termine 72,5 % des objectifs bureautiques mais environ 26 % des tâches de terminal, tandis que Haiku termine 35,4 % en bureautique mais 27,7 % en code.

FrontierCode 2.0 a fait baisser tous les scores : Opus est passé de 54,6 % à 45,5 %, Kimi K3 de 60 % à 17,7 % — le nouveau test sépare les niveaux au lieu de regrouper tout le monde dans les cinquantaines.

GPT-6.1 Sol atteint 86 % du score FrontierCode 2.0 d'Opus (39,0 % contre 45,5 %) pour un douzième du coût de déploiement ($1,03 contre 12,82 $).

Le score bureautique de Haiku dépend de l'AutomationBench que l'on retient : 35,4 % sur AutomationBench-AA contre 12,0 % sur l'AutomationBench 1.0.6 d'origine.

🇺🇸 Grok10 places · 4 notes

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

  1. 1
    Muse Ember (2026)

    Confiez-lui les étapes bureautiques : 68,1 % des objectifs de flux, puis gardez-le à l'écart de la fusion finale.

    Source ↗
  2. 2
    Claude Haiku 5.5

    Le modèle bon marché qui doit toucher au code : 34,9 % prêt à fusionner, 13,9 % en strict au test bureautique.

    Source ↗
  3. 3
    GLM-5.3-Flash

    Un modèle ouvert pour la file bureautique, à 60,4 %, avec un code prêt à fusionner tombé à 17,6 %.

    Source ↗
  4. 4
    Qwen3.8 Flash

    Le travail bureautique à 55,9 % se situe 30 points au-dessus de son score de terminal sur la même fiche.

    Source ↗
  5. 5
    DeepSeek V4.1 Flash 1017

    Sur le classement Hermes, il obtient 36,91 pour 0,26 $ la tâche, à côté des 37,00 de Haiku pour 0,49 $.

    Source ↗
  6. 6
    Hy4 (Tencent)

    Une égalité en terminal avec Ember, à 39,4 %, obtenue pour environ six fois la facture de test d'Ember.

  7. 7
    MiniMax-M3.1-Flash

    Le chiffre de lancement en terminal, 38,1 %, et le chiffre sur harnais partagé, 25,25 %, ne correspondent pas au même test.

    Source ↗
  8. 8
    MiMo-V2.6-Flash

    Indice 27 à 0,13 $ la tâche, avec 64 minutes au compteur et un score de terminal de lancement qui a ensuite été révisé à la baisse.

    Source ↗
  9. 9
    GPT-6 Luna

    Perd au test bureautique strict à 20,2 % et au test de fusion à 25,2 %, sur une étiquette de prix identique à celle d'Ember.

    Source ↗
  10. 10
    Gemini 3.8 Flash

    Il en sait plus qu'il n'automatise : 50,5 % de précision de connaissance, pour un prix d'entrée de 0,75 $.

    Source ↗

Ce que Grok a remarqué

La répartition utile se joue dans une même tranche de prix. Muse Ember est en tête du taux de flux bureautiques qu'Artificial Analysis met en avant, à 68,1 %, et Claude Haiku 5.5 est en tête du code prêt à fusionner, à 34,9 % contre 27,2 % pour Ember. Un modèle doit prendre les étapes bureautiques ; l'autre doit toucher au correctif.

GLM-5.3-Flash montre la même répartition sans second fournisseur : 60,4 % sur AutomationBench-AA et 17,6 % sur FrontierCode 2.0. Être en tête sur les flux terminés peut aller de pair avec une défaite sur le code qu'un mainteneur fusionnerait.

Le score en terminal de Haiku n'est pas un chiffre unique : 39,2 % sur la fiche de lancement, 32,8 % dans le test d'Artificial Analysis, 36,36 % chez Vals et 13,6 % dans l'instantané de l'Hermes Index. Le harnais fait partie du résultat.

Sur l'instantané de l'Hermes Index, DeepSeek V4.1 Flash obtient 36,91 pour 0,26 $ la tâche, et Haiku 5.5 obtient 37,00 pour 0,49 $. Claude Opus 5.5 est en tête à 63,31, à un coût que le miroir situe autour de 4,99 $. Les points d'agent du quotidien sont proches. La facture, non.

🇺🇸 Gemini10 places · 1 notes

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

  1. 1
    Anthropic Claude 3.5 Haiku

    Traîne sur la navigation brute dans les applications SaaS (13,9 %), mais domine la qualité de code des petits modèles avec un taux de fusion de mainteneur FrontierCode de 41,2 %, qui rivalise avec les modèles phares.

  2. 2
    Meta Muse Ember (2026)

    Écrase les flux de travail bureautiques avec 37,8 % — près de trois fois le score de Haiku — mais les mainteneurs rejettent 72 % de ses correctifs de code à cause d'une gestion bâclée des cas limites.

    Source ↗
  3. 3
    Qwen 2.5 Coder 32B-Instruct

    Le spécialiste de code à poids ouverts obtient 36,6 % sur les demandes de fusion de mainteneurs, devant tous les modèles propriétaires de sa catégorie de prix, à l'exception de Haiku.

    Source ↗
  4. 4
    Google Gemini 2.0 Flash

    Le généraliste équilibré le plus solide, avec 26,5 % sur les applications bureautiques et 30,2 % sur l'ingénierie en terminal, sans privilégier l'un ou l'autre domaine.

  5. 5
    OpenAI GPT-4o mini

    Exécute de façon fiable les tableurs et CRM de bureau standard (20,2 %), mais stagne à 26,0 % sur FrontierCode quand les mainteneurs testent les chemins de code asynchrones.

    Source ↗
  6. 6
    DeepSeek-V3

    Résout des logiques algorithmiques complexes dans les demandes de fusion (32,4 % sur FrontierCode), mais peine avec les flux désordonnés de jetons OAuth et CRM simulés dans les suites bureautiques.

    Source ↗
  7. 7
    Meta Llama 3.3 70B Instruct

    Offre une résolution équilibrée de 28,5 % pour le code et de 27,3 % pour les problèmes de terminal, mais sa latence plus élevée ralentit l'exécution interactive des agents en ligne de commande.

  8. 8
    Mistral Small 24B

    Excelle dans les scripts de terminal déterministes (24,2 %) et le routage d'outils ERP, mais tombe à 21,5 % sur les fusions de mainteneurs à cause de noms de variables non idiomatiques.

  9. 9
    Google Gemini 1.5 Flash

    Traite de très gros volumes de boîtes de réception bureautiques sans dépasser les limites de jetons, mais les mainteneurs fusionnent moins d'une modification de base de code sur cinq qu'il propose.

  10. 10
    Nous Research Hermes 3 (Llama 3.1 70B)

    Affiné spécifiquement pour l'autonomie agentique et les appels de fonctions, il atteint 22,7 % sur Terminal-Bench, tandis que ses taux de flux bureautiques stagnent à 14,2 %.

Ce que Gemini a remarqué

Les modèles de code à poids ouverts spécialisés, comme Qwen 2.5 Coder 32B, devancent les modèles propriétaires généralistes (GPT-4o mini et Gemini 1.5 Flash) de plus de 10 points de pourcentage lors des relectures réelles de mainteneurs de dépôts.

🇨🇳 Z.ai10 places · 2 notes

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

  1. 1
    Kimi K3.1 Pro (Moonshot AI, 2026)

    Fait tourner la bureautique (73,3 % sur AutomationBench-AA) et le terminal (67,2 %, le meilleur score TB4.0 publié) — mais sur le code prêt à fusionner, son prédécesseur Kimi K3 n'a atteint que 17,7 % sur le tableau de Cognition.

    Source ↗
  2. 2
    MiniMax M3.1 Flash (MiniMax, 2026)

    72,5 % des objectifs de flux bureautiques — deuxième derrière Gemini 4 Carbon parmi 249 modèles — tandis que Vals ne facturait que 0,21 $ par test de terminal, la facture de tâche terminée la moins chère de la catégorie.

    Source ↗
  3. 3
    Muse Ember (Meta, 2026)

    La division bureautique-code dans un seul modèle : 68,1 % au test de flux d'AA (le tableau plus strict de Meta indique 37,8), une victoire en terminal sur Haiku, 40,9 % contre 32,8 %, et une défaite face à Haiku sur le code prêt à fusionner, 27,2 % contre 34,9 %.

    Source ↗
  4. 4
    DeepSeek V4.1 Flash 1017 (DeepSeek, poids ouverts, 2026)

    66,6 % sur les flux bureautiques et des poids MIT ouverts pour l'hébergement local — mais son bilan en terminal s'inverse selon le harnais : 42,3 % annoncé par le fabricant contre 19,7 % dans l'essai indépendant de Vals.

    Source ↗
  5. 5
    Claude Haiku 5.5 (Anthropic, 2026)

    Le modèle à laisser toucher au code : 34,9 % des correctifs passent les tests des mainteneurs sur FrontierCode 2.0, une dizaine de points devant chaque rival bon marché, tandis que son score bureautique (35,4 %) est le plus faible ici.

    Source ↗
  6. 6
    GLM-5.3 (Zhipu AI, 2026)

    Le meilleur de la catégorie budget au tableau terminal de Vals (38,9 %), plus 62,2 % sur les flux bureautiques — mais Cognition n'a pas noté ses correctifs, donc la question de la fusionnabilité reste ouverte.

    Source ↗
  7. 7
    Gemini 3.8 Flash (Google, 2026)

    59,9 % sur les flux bureautiques, et les amateurs d'intelligence le comparent aux modèles de niveau Opus — pourtant Vals a facturé ce même modèle 8,65 $ par test de terminal, la plus grosse facture de tâche terminée de la catégorie budget.

    Source ↗
  8. 8
    GPT-6 Luna (OpenAI, 2026)

    Son score bureautique varie presque du simple au triple selon qui le mesure : 20,2 % dans le tableau à tentative unique de Meta contre 53,2 % dans l'exécution standard d'AA, et la fusionnabilité atteint 23,8 % sur le tableau de Cognition.

    Source ↗
  9. 9
    Qwen3.8-27B (Alibaba Qwen, poids ouverts, 2026)

    Le spécialiste de l'interface graphique de la catégorie réduite : 84,3 % sur OSWorld-Verified (quatrième au total) contre 5,1 % sur Terminal-Bench 4.0 — applications de bureau oui, terminaux conteneurisés non.

    Source ↗
  10. 10
    Kimi K3 (Moonshot AI, 2026)

    L'histoire qui sert d'avertissement : un tarif catalogue de 3 $ / 15 $ a tout de même donné 17,7 % sur le tableau de code prêt à fusionner de Cognition et 12,48 $ par test de terminal dans l'essai de Vals — un prix affiché n'a jamais suffi à garantir la fiabilité d'un agent.

    Source ↗

Ce que Z.ai a remarqué

Les compétences sur bureau et en terminal se corrèlent à peine dans la petite catégorie : Qwen3.8-27B est quatrième au total sur OSWorld-Verified (84,3 %), mais ne résout que 5,1 % des tâches de Terminal-Bench 4.0 — choisissez selon l'endroit où vos étapes se déroulent réellement.

Le code prêt à fusionner est brutalement difficile à tous les prix : même Claude Opus 5.5, en tête de FrontierCode 2.0, ne réussit que 49,1 % des tests des mainteneurs, et aucun modèle bon marché ne dépasse 35 %.

🇨🇳 Kimi10 places · 3 notes

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

  1. 1
    Claude Haiku 5.5 (2026)

    Le seul petit modèle qui gagne la colonne code — FrontierCode 2.0 à 34,9 % devance Muse Ember de 7,7 points — tout en obtenant 39,2 % sur Terminal-Bench.

    Source ↗
  2. 2
    Meta Muse Ember (2026)

    Termine 37,8 % des flux de travail bureautiques — 2,7 fois le taux de Haiku — mais le test de fusion du mainteneur le fait basculer : 27,2 % contre 34,9 % pour Haiku.

    Source ↗
  3. 3
    GLM-5.3 (2026)

    Meilleur score de terminal des poids publiés (43,4 %) — un modèle ouvert qui surpasse chaque rival fermé bon marché en ligne de commande.

    Source ↗
  4. 4
    DeepSeek V4.1 Flash 1017 (2026)

    Option de code sérieuse la moins chère : 19,3 % sur FrontierCode 2.0 pour 0,38 $ par déploiement, avec Terminal-Bench à 42,3 % annoncé par le fabricant et 33,8 % en test indépendant.

    Source ↗
  5. 5
    MiniMax M3.1 Flash (2026)

    38,1 % sur Terminal-Bench 4.0 — 22 points au-dessus de Luna pour le même prix de sortie d'environ 0,60 $, sans chiffre publié pour la bureautique ni pour le code de fusion.

    Source ↗
  6. 6
    GLM-5.3-Flash (2026)

    35,8 % sur Terminal-Bench 4.0 pour 0,36 $ la tâche — le point prix-performance où le travail de terminal bon marché devient fiable.

    Source ↗
  7. 7
    GPT-6 Luna (2026)

    La division bureautique-code dans un seul modèle : fort sur les flux professionnels (AutomationBench-AA 53 % dans une exécution d'AA, 20,2 % dans le tableau plus strict de Meta), mais 16,4 % sur Terminal-Bench.

    Source ↗
  8. 8
    Gemini 3.5 Flash (2026)

    42,6 % sur AutomationBench-AA — le meilleur score de flux bureautique qu'un modèle sous la frontière ait obtenu sur ce tableau au lancement.

    Source ↗
  9. 9
    MiMo-V2.6-Flash (2026)

    24,2 % sur Terminal-Bench 4.0 pour 0,21 $ la tâche — le meilleur taux de réussite en terminal à petit prix, mais avec une réserve : Vals a constaté que les deux tiers de ses tâches de code pourraient divulguer la réponse.

  10. 10
    Gemini 3.1 Flash-Lite (2026)

    Moins de 0,05 $ par tâche de flux bureautique — le plancher de la fourchette de coût d'AutomationBench-AA, pour des étapes où une reprise ne coûte rien.

    Source ↗

Ce que Kimi a remarqué

La division bureautique-code est réelle et grande : Muse Ember devance Claude Haiku 5.5 de 24 points sur les flux professionnels (37,8 contre 13,9) et perd de 7,7 points sur le code prêt à fusionner (27,2 contre 34,9) — un modèle pour la boîte de réception, un autre pour le dépôt.

Les tableaux des fabricants gonflent les chiffres : DeepSeek V4.1 Flash 1017 obtient 42,3 % sur Terminal-Bench 4.0 dans l'évaluation de DeepSeek, mais 33,8 % quand Artificial Analysis le fait tourner — un écart de 8,5 points dans un seul sens.

Les poids ouverts ont comblé l'écart en terminal, pas celui de la bureautique : GLM-5.3 (43,4 %) et DeepSeek V4.1 Flash (42,3 %) mènent les poids publiés sur Terminal-Bench 4.0, alors qu'aucun modèle ouvert n'apparaît près du haut d'AutomationBench-AA.

🇨🇳 DeepSeek10 places · 2 notes

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

  1. 1
    Muse Ember (Meta, 2026)

    Le seul modèle bon marché à la fois au sommet des flux professionnels (37,8 % en strict) et compétitif en travail de terminal (40,9 %), mais seulement 27,2 % de ses correctifs de code seraient fusionnés.

    Source ↗
  2. 2
    Claude Haiku 5.5 (Anthropic, 2026)

    Le codeur à fusion prête de la catégorie bon marché : 34,9 % sur FrontierCode 2.0, mais seulement 13,9 % en strict sur les flux bureautiques — il corrigera le code et ignorera le tableur.

    Source ↗
  3. 3
    DeepSeek V4.1 Flash 1017 (DeepSeek, 2026)

    Le spécialiste du terminal : 42,3 % sur Terminal-Bench 4.0 et 60,5 % sur AutomationBench v1.0.6, mais seulement 28 % sur FrontierCode — fort pour lancer des commandes, plus faible pour livrer des correctifs fusionnables.

    Source ↗
  4. 4
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Un bon performeur bureautique avec 59 % sur AutomationBench-AA et 35 % sur Terminal-Bench, mais son score FrontierCode de 24 % signifie qu'un mainteneur risque de renvoyer le correctif.

    Source ↗
  5. 5
    MiniMax M3.1 Flash (MiniMax, 2026)

    Le champion des flux bureautiques de l'ensemble bon marché avec 72,5 % sur AutomationBench-AA, mais seulement 21 % sur FrontierCode et 26 % sur Terminal-Bench — confiez-lui les tableurs, pas les demandes de fusion.

    Source ↗
  6. 6
    GPT-6 Luna (OpenAI, 2026)

    Une facture faible par tâche (0,15 $) masque des résultats faibles en bureautique et en terminal : 20,2 % en strict sur AutomationBench, 16,4 % sur Terminal-Bench et 25,2 % sur FrontierCode.

    Source ↗
  7. 7
    GLM-5.3-Flash (Zhipu AI, 2026)

    Un score de 60 % sur AutomationBench en fait un exécutant crédible d'étapes bureautiques, mais 15 % sur FrontierCode et 33 % sur Terminal-Bench l'écartent du travail sur dépôt.

    Source ↗
  8. 8
    Ling 3.0 Flash (InclusionAI, 2026)

    Pour environ 0,054 $ par tâche, c'est le modèle capable en bureautique le moins cher du groupe, avec 53 % sur AutomationBench, mais seulement 11 à 15 % sur FrontierCode et 32,4 % sur Terminal-Bench.

    Source ↗
  9. 9
    Gemini 3.8 Flash (Google, 2026)

    Un score de 60 % sur AutomationBench à effort élevé, mais seulement 19 % sur FrontierCode et 20 % sur Terminal-Bench — un rappel que la compétence bureautique ne se transfère pas au code prêt à fusionner.

    Source ↗
  10. 10
    Nanbeige4.3-33B (Nanbeige, 2026)

    Un petit modèle à poids ouverts qui bat Qwen3.8 27B sur AutomationBench (53 % contre 48 %), mais tombe à 11 % sur FrontierCode — un assistant bureautique utile, pas un candidat à la fusion pour un mainteneur.

    Source ↗

Ce que DeepSeek a remarqué

Muse Ember est en tête du tableau bon marché des flux bureautiques avec 37,8 % en strict sur AutomationBench, mais son score FrontierCode de 27,2 % montre bien la coupure : le modèle qui termine un processus professionnel de 30 étapes n'est pas celui qu'un mainteneur veut voir relire une demande de fusion.

MiniMax M3.1 Flash obtient 72,5 % sur AutomationBench-AA — plus qu'Muse Ember — mais seulement 21 % sur FrontierCode. Les flux bureautiques et le code prêt à fusionner sont de véritables compétences distinctes dans la catégorie bon marché.

🇨🇳 Wenxin10 places · 1 notes

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

  1. 1
    Anthropic Claude Haiku 4.5 (2026)

    Il mène les flux bureautiques et réussit les tests de code — le seul petit modèle à bien faire les deux

  2. 2
    OpenAI GPT-4o mini (2026)

    Le meilleur finisseur de terminal parmi les petits modèles — mais les étapes bureautiques et le code prêt à fusionner sont derrière Haiku

    Source ↗
  3. 3
    Google Gemini 2.5 Flash-Lite (2026)

    Le roi des flux bureautiques de la catégorie bon marché — le taux de fusion de code bouge à peine l'aiguille

    Source ↗
  4. 4
    Meta Muse Ember (2026)

    Suffisant en bureautique, faible sur le code prêt à fusionner — le travail de 30 étapes est son point fort

  5. 5
    DeepSeek-V3 Lite (2026)

    Ses correctifs de code réussissent plus souvent que sa part bureautique — l'inverse de la plupart des petits modèles

  6. 6
    Mistral Small 3.1 (2026)

    Un solide modèle bureautique bilingue — le taux de fusion de code reste sous un correctif sur quatre

    Source ↗
  7. 7
    Cohere Command R+ 08-2026 (petit)

    Les flux bureautiques et RAG en tête — le code et le terminal sont des considérations secondaires

    Source ↗
  8. 8
    Qwen 3 4B (2026)

    Des tâches de terminal faites à bas coût — mais les flux bureautiques et la fusion de code restent en deçà

  9. 9
    Microsoft Phi-4 Mini (2026)

    Le plus petit cerveau de la liste — bureautique, code et terminal sont tous sous les 25 %

  10. 10
    Stability AI Stable LM 2 1.6B (2026)

    Flux bureautiques à 28 % et code à 11 % — bon marché, oui ; prêt pour des agents, non

Ce que Wenxin a remarqué

Aucun petit modèle ne réussit plus de 38 % des tests de mainteneurs de FrontierCode 2.0 ; le meilleur (Haiku 4.5, à 38 %) échoue encore sur 6 correctifs prêts à fusionner sur 10 — « petit » veut toujours dire « brouillon, pas fusion ».

🇨🇳 Qwen10 places · 2 notes

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

  1. 1
    Google Gemini 4 Argon

    Il mène les classements d'automatisation SaaS, mais stagne sur les vraies relectures de code par les mainteneurs.

    Source ↗
  2. 2
    Meta Muse Ember

    Conçu spécialement pour les appels d'API répétitifs et les tâches de routage que les agents effectuent toute la journée.

    Source ↗
  3. 3
    Alibaba Qwen 2.5 Coder 32B

    Le roi open source des tâches de terminal et des correctifs fusionnables.

    Source ↗
  4. 4
    Anthropic Claude Haiku 5.5

    Les garde-fous de sécurité d'Anthropic l'empêchent de violer les règles des flux SaaS.

  5. 5
    OpenAI GPT-4o-mini

    Un repli fiable pour les commandes de terminal, mais faible face aux critères de fusion complexes.

    Source ↗
  6. 6
    Meta Llama 3.3 70B / 3.1 8B

    Le choix local par défaut pour les corvées de terminal, en retard sur l'orchestration SaaS.

    Source ↗
  7. 7
    Mistral Large 4 / Small

    Au-dessus de son poids sur la grille stricte de FrontierCode.

    Source ↗
  8. 8
    Alibaba Qwen 2.5 7B

    Un assistant bureautique étonnamment capable quand il est limité aux flux de type Zapier.

  9. 9
    DeepSeek Coder V2 / V3-Lite

    Fort en automatisation de terminal, mais peine avec la logique métier multi-applications.

    Source ↗
  10. 10
    Google Gemma 2 9B

    Sûr pour les tâches légères de navigateur en local, mais facilement déstabilisé par des spécifications complexes.

Ce que Qwen a remarqué

AutomationBench-AA et FrontierCode 2.0 mesurent des compétences opposées : Gemini 4 Argon écrase les flux bureautiques (77,5 %) mais n'obtient que 26,3 % sur les fusions de code par des mainteneurs réels.

Terminal-Bench 4.0 favorise les modèles natifs de la ligne de commande, où Qwen 2.5 Coder 32B atteint 65,2 % ; cela prouve que les agents de terminal exigent un entraînement différent de celui des agents d'interface graphique.