Retour à la tendance du jour: L'assistant IA de Meta qui fait vos tâches est désormais sur votre montre
Classement Poly · tiré de la tendance du jour

Benchmark des agents IA 2026 : le top 10 des agents par dollar dépensé

Dans les reprises indépendantes de l’Université de Princeton sur GAIA, Claude Opus 4.1 High a coûté 562 $ pour obtenir 68,48%, tandis que Claude Sonnet 4.5 a obtenu 74,55% pour 178 $.

  • N° 1 : Claude Sonnet 4.5 (HAL Generalist Agent)
  • 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

    Claude Sonnet 4.5 (HAL Generalist Agent)

    Meilleur score GAIA vérifié (74,55%) et meilleur score au niveau 3 (65,39%) pour 178,20 $ par exécution. HAL le classe optimal au sens de Pareto. Opus 4.1 High coûte 3 fois plus cher et obtient un score inférieur.

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

    Dans leurs listes: Claude: 1 · ChatGPT: 1 · Kimi: 1

    Ce qu'a noté chaque IA 3
    • Claudeplace 1

      Le seul passage à dépasser 74 % au total et 65 % au niveau 3, pour environ 1,45 $ par question résolue. HAL le marque comme optimal au sens de Pareto.

    • ChatGPTplace 1

      Il a résolu près des trois quarts du jeu de validation pour 178,20 $ sur l'ensemble du passage, tout en menant ce classement au niveau 3 avec 65,39 %.

      Source ↗
    • Kimiplace 1

      Meilleure précision vérifiée du classement (74,55 %) ET meilleur score au niveau le plus difficile (65,4 %) — pour environ 1 $ par tâche.

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

    Claude 3.7 Sonnet High (HAL Generalist Agent)

    Un modèle de février 2025 qui obtient 64,24% au total et 57,69% au niveau 3 pour 122,49 $. Il devance le plus récent Opus 4.1 High au niveau 3 pour environ un cinquième du coût.

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

    Dans leurs listes: Claude: 4 · ChatGPT: 2 · Kimi: 2

    Ce qu'a noté chaque IA 3
    • Claudeplace 4

      Un modèle de février 2025 obtient encore 57,69 % au niveau 3, devant les 46 % de GPT-5 Medium, pour environ 1,16 $ par question résolue.

      Source ↗
    • ChatGPTplace 2

      Il est à 10,31 points du leader global, mais coûte environ 31 % de moins par bonne réponse estimée et obtient 57,69 % au niveau 3.

      Source ↗
    • Kimiplace 2

      Un modèle de février 2025 qui bat l'Opus 4.1 High, plus récent, au niveau le plus difficile (57,7 % contre 53,8 %) pour un cinquième du coût.

      Source ↗
    3 IA l’ont placé ici
    Source ↗
  3. 3

    OpenAI o4-mini Low (HAL Generalist Agent)

    Optimal au sens de Pareto à 73,26 $ par exécution. Il fait jeu égal avec Opus 4.1 High (562 $) au niveau 3 (53,85%), mais accuse 16 points de retard sur le leader au total.

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

    Dans leurs listes: Claude: 2 · ChatGPT: 4 · Kimi: 3

    Ce qu'a noté chaque IA 3
    • Claudeplace 2

      Il atteint 58 % au total et 53,85 % au niveau le plus difficile, pour environ 0,76 $ par question résolue — le meilleur équilibre entre prix et force au niveau 3 dans le tableau de HAL.

      Source ↗
    • ChatGPTplace 4

      La réponse réussie estimée la moins chère parmi ces dix est d'environ 0,76 $, mais son score global est inférieur de 16,37 points à celui du leader.

      Source ↗
    • Kimiplace 3

      Fait jeu égal avec un passage Claude Opus 4.1 High à 562 $ au niveau le plus difficile (53,85 % exactement), alors que le passage complet coûte 73,26 $.

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

    Claude Sonnet 4.5 High, réflexion étendue (HAL Generalist Agent)

    La réflexion étendue coûte à peu près le même prix que Sonnet 4.5 standard (179,86 $ contre 178,20 $). Son score total est inférieur de 3,64 points, et son niveau 3 passe de 65,39% à 46,15%.

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

    Dans leurs listes: Claude: 7 · ChatGPT: 6 · Kimi: 9

    Ce qu'a noté chaque IA 3
    • Claudeplace 7

      La réflexion étendue a coûté presque autant (179,86 $ contre 178,20 $), mais a fait perdre 3,6 points de précision, et le niveau 3 est passé de 65 % à 46 %.

      Source ↗
    • ChatGPTplace 6

      L'effort élevé ne coûte que légèrement plus que le passage Sonnet standard, mais il marque 3,64 points de moins au global et 18,08 de moins au niveau 3.

      Source ↗
    • Kimiplace 9

      Payer pour plus de raisonnement fait reculer : 4 points de moins au global et 19 points de moins au niveau le plus difficile que le même modèle en effort standard, au même prix.

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

    Claude Haiku 4.5 (HAL Generalist Agent)

    Le petit modèle obtient 61,54% au niveau 3, le deuxième meilleur score du classement, et dépasse son propre score de 51,16% au niveau 2. Cela revient à environ 1,41 $ par question résolue (estimation).

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

    Dans leurs listes: Claude: 5 · ChatGPT: 3 · Kimi: 5

    Ce qu'a noté chaque IA 3
    • Claudeplace 5

      Le modèle Claude bon marché obtient 61,54 % au niveau 3, ce qui dépasse son propre score de 51,16 % au niveau 2.

      Source ↗
    • ChatGPTplace 3

      Son score de 61,54 % au niveau 3 est le deuxième plus élevé de la liste, pour environ 1,41 $ par bonne réponse estimée.

      Source ↗
    • Kimiplace 5

      Le modèle « petit » de la famille réalise le deuxième meilleur score au niveau le plus difficile de tout le classement : 61,5 % au niveau 3.

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

    GPT-5 Medium (HF Open Deep Research)

    Obtient 3,41 points de plus que le même modèle dans l’agent HAL Generalist, mais coûte environ 3,4 fois plus cher (359,83 $). Le cadre d’exécution fait davantage varier le prix que le modèle lui-même.

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

    Dans leurs listes: Claude: 10 · ChatGPT: 9 · Kimi: 7

    Ce qu'a noté chaque IA 3
    • Claudeplace 10

      Il obtient 62,8 %, ce qui le place 7e au classement de HAL, mais à 359,83 $ il coûte environ 3,4 fois plus que le même modèle dans l'agent généraliste HAL.

      Source ↗
    • ChatGPTplace 9

      Il dépasse de 3,41 points de précision le passage GPT-5 Medium de HAL Generalist, mais le coût déclaré est environ 3,4 fois plus élevé.

      Source ↗
    • Kimiplace 7

      Sur l'index v5, plus récent et en grande partie privé, il termine 3 points derrière le leader à 10,04 $, pour 1,27 $ par tâche — un huitième du prix.

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

    GPT-5 Medium (HAL Generalist Agent)

    59,39% pour 104,75 $, soit environ 1,07 $ par question résolue (estimation). Le même modèle, intégré dans HF Open Deep Research, coûte 359,83 $.

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

    Dans leurs listes: Claude: 3 · Kimi: 4

    Ce qu'a noté chaque IA 2
    • Claudeplace 3

      Il coûte environ 1,07 $ par question résolue, alors que le même modèle dans HF Open Deep Research coûte environ 3,47 $. Le cadre d'exécution change le prix davantage que le modèle.

      Source ↗
    • Kimiplace 4

      Le moyen vérifié le moins cher au-delà de 59 % : 104,75 $ pour le passage complet, soit environ 0,63 $ par tâche.

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

    OpenAI o4-mini High (HAL Generalist Agent)

    Optimal au sens de Pareto à 59,39 $, et le moins cher par question résolue parmi les bons résultats, soit environ 0,66 $ (estimation). Son score de 46,15% au niveau 3 le place sous o4-mini Low.

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

    Dans leurs listes: Claude: 6 · Kimi: 6

    Ce qu'a noté chaque IA 2
    • Claudeplace 6

      C'est le moins cher par question résolue, à environ 0,66 $, mais son score de 46 % au niveau 3 explique surtout qu'il se classe derrière o4-mini Low.

      Source ↗
    • Kimiplace 6

      59,39 $ suffisent pour le passage complet des 165 tâches — l'entrée optimale au sens de Pareto la moins chère qui dépasse encore 54 %.

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

    Claude Opus 4.1 High (HAL Generalist Agent)

    562,24 $ pour 68,48%, soit environ 4,97 $ par question résolue (estimation). C’est environ 3,4 fois le coût par question résolue de Sonnet 4.5, et sa précision est plus faible.

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

    Dans leurs listes: Claude: 9 · ChatGPT: 7

    Ce qu'a noté chaque IA 2
    • Claudeplace 9

      Il obtient 68,5 % mais coûte 562 $, soit environ 5 $ par question résolue et environ 3,4 fois le coût par question résolue de Sonnet 4.5, avec une précision moindre.

      Source ↗
    • ChatGPTplace 7

      Il est à 5,06 points de précision sous Sonnet 4.5 et coûte plus de trois fois plus cher pour le passage complet.

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

    Gemini 2.0 Flash (HAL Generalist Agent)

    Un test GAIA complet pour 7,80 $, optimal au sens de Pareto, et environ 23 fois moins cher que le leader. Il s’effondre sur les tâches difficiles : 11,54% au niveau 3. Une seule IA l’a référencé.

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

    Dans leurs listes: Kimi: 10

    Ce qu'a noté chaque IA 1
    • Kimiplace 10

      Un passage GAIA complet pour 7,80 $ — un vingt-troisième du coût du leader — tout en gardant 44 % de sa précision.

      Source ↗
    1 IA l’ont placé ici
    Source ↗

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 proviennent d’un même tableau GAIA de l’Université de Princeton, mais ils diffèrent par le coût de chaque essai et par leurs résultats au niveau le plus difficile, si bien que le score global et le prix ne vont pas dans le même sens.

1Claude Sonnet 4.5 (HAL Generalist Agent)

N° 1 — Claude Sonnet 4.5 (HAL Generalist Agent). Dans les listes de 3 IA sur 9 ; place médiane : 1. Il a le meilleur score GAIA vérifié et le meilleur score au niveau le plus difficile, pour un coût bien inférieur à celui d’Opus 4.1 High.

Le saviez-vous ?

  • Sur le classement GAIA de HAL, Claude Sonnet 4.5 sans le réglage de réflexion renforcée (74,55%) devance sa version « High » (70,91%) : plus de réflexion n’a pas donné un meilleur score ici. Opus 4.1 High arrive troisième avec 68,48%.

    Source ↗
Ce que c'est
Claude Sonnet 4.5 d’Anthropic, utilisé comme agent généraliste sur le test GAIA de l’Université de Princeton.
Son atout
Score global le plus élevé (74,55%) et meilleur score au niveau 3 (65,39%) des trois.
Pour qui
Convient à qui veut le meilleur score, mais pas à qui cherche le moindre coût, à 178 $.
  • Précision GAIA par dollar74,55% pour 178,20 $

Wikidata

Pourquoi il est là

  • Il a obtenu 74,55% au global, le score le plus élevé du classement GAIA de HAL. — (voice only)

    Source ↗

  • Son score au niveau 3 est de 65,39%, devant les 57,69% de Claude 3.7 Sonnet High et les 53,85% de o4-mini Low. — (voice only)

    Source ↗
Histoire

  • En 2025, la sortie de Sonnet 4.5 a marqué un bond net dans l’utilisation de l’ordinateur : Anthropic annonçait 61,4% sur OSWorld, contre 42,2% pour Sonnet 4 quatre mois plus tôt. La version a aussi présenté une boîte à outils pour construire des agents, basée sur Claude Code. — (voice only)

    Source ↗
À garder en tête

  • Les 178,20 $ correspondent au coût d’un seul essai ; HAL indique que ces coûts ignorent la mise en cache et sont surestimés, si bien que les prix réels peuvent être plus bas. Un seul essai est listé, sur 165 questions publiques.

    Source ↗

  • Un autre utilisateur de Cursor a dit que le modèle laisse du code avec des erreurs et donne de mauvaises réponses sur certaines tâches. C’est l’avis d’une seule personne, mais cela rappelle qu’un score en tête ne garantit pas que chaque tâche se passe bien.

    Source ↗
Ce que disent les gens

  • "This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder

    Source ↗

Vidéo: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (en anglais) · Eliot Prince

Comparer le trio de tête ↓

2Claude 3.7 Sonnet High (HAL Generalist Agent)

N° 2 — Claude 3.7 Sonnet High (HAL Generalist Agent). Dans les listes de 3 IA sur 9 ; place médiane : 2. Ce modèle plus ancien devance Opus 4.1 High, bien plus cher, au niveau le plus difficile, pour environ un cinquième du coût.

Le saviez-vous ?

  • En février 2025, Claude 3.7 Sonnet jouant à Pokémon Red a commencé à être diffusé en direct sur Twitch, rassemblant des milliers de spectateurs. Le modèle qui réussit ce test d’agent a donc aussi joué à un jeu vidéo en public.

    Source ↗
Ce que c'est
Claude 3.7 Sonnet, modèle de février 2025, utilisé comme agent généraliste.
Son atout
Coûte moins que le leader (122,49 $) et obtient un meilleur score que o4-mini au niveau 3.
Pour qui
Convient à qui cherche un juste milieu entre prix et capacité sur les tâches difficiles.
  • Précision GAIA par dollar64,24% pour 122,49 $
Pourquoi il est là

  • Il a obtenu 64,24% au global pour 122,49 $, contre 68,48% pour Opus 4.1 High à 562,24 $. — (voice only)

    Source ↗

  • Son score au niveau 3 est de 57,69%, supérieur aux 53,85% d’Opus 4.1 High, tout en coûtant moins d’un quart : 122,49 $ contre 562,24 $. — (voice only)

    Source ↗
Histoire

  • En 2025, Anthropic a présenté Claude 3.7 Sonnet en même temps que Claude Code, une version de recherche précoce qui permettait aux développeurs de confier des tâches de programmation à Claude depuis un terminal. Le lancement a aussi introduit une réflexion étendue, visible, pas à pas. — Anthropic

    Source ↗
Pour aller plus loin

  • Ouvrez le classement GAIA et repérez la ligne Claude 3.7 Sonnet High sous HAL Generalist Agent. Regardez d’abord la colonne du niveau 3, puis comparez son coût avec la ligne Opus 4.1 High.

    Source ↗
Comparer le trio de tête ↓

3OpenAI o4-mini Low (HAL Generalist Agent)

N° 3 — OpenAI o4-mini Low (HAL Generalist Agent). Dans les listes de 3 IA sur 9 ; place médiane : 3. C’est l’essai le moins cher, et il égale Opus 4.1 High au niveau le plus difficile, même s’il est derrière le leader au global.

Le saviez-vous ?

  • Sam Altman, d’OpenAI, envisageait d’abord d’intégrer o4-mini à GPT-5 au lieu de le sortir comme modèle à part. Il a été lancé le 16 avril 2025, et les utilisateurs gratuits y ont eu accès le 24 avril.

    Source ↗
Ce que c'est
o4-mini d’OpenAI, utilisé sur son réglage Low comme agent généraliste.
Son atout
Coût le plus bas des trois (73,26 $), tout en égalant Opus 4.1 High au niveau 3.
Pour qui
Convient à qui surveille son budget, pas à qui vise le score global le plus élevé.
  • Précision GAIA par dollar58,18% pour 73,26 $
Pourquoi il est là

  • HAL le qualifie d’« optimal au sens de Pareto » : il a obtenu 58,18% au global pour 73,26 $, le coût le plus bas des trois. — (voice only)

    Source ↗

  • Son score au niveau 3 est de 53,85%, égal à celui d’Opus 4.1 High, qui coûtait 562,24 $ ; o4-mini Low coûtait 73,26 $. — (voice only)

    Source ↗
Le saviez-vous ?

  • o4-mini pouvait travailler avec des images en plus du texte. L’article prend pour exemple l’analyse de croquis au tableau blanc pendant sa phase de « chaîne de pensée », c’est-à-dire le raisonnement pas à pas qu’il effectue avant de répondre.

    Source ↗
À garder en tête

  • Au test PersonQA d’OpenAI, o4-mini a inventé des réponses dans 48% des cas. Ce test porte sur des faits concernant des personnes, pas sur les tâches d’agent GAIA, mais c’est une raison de vérifier ses réponses.

    Source ↗
Pour aller plus loin

  • Sur le même classement GAIA, repérez la ligne o4-mini Low sous HAL Generalist Agent, marquée optimale au sens de Pareto. Comparez son coût et son score au niveau 3 avec la ligne Opus 4.1 High pour voir le compromis.

    Source ↗
Comparer le trio de tête ↓

Le trio de tête côte à côte

Claude Sonnet 4.5 (HAL Generalist Agent)Claude 3.7 Sonnet High (HAL Generalist Agent)OpenAI o4-mini Low (HAL Generalist Agent)
Dans les listes des IA3 / 93 / 93 / 9
Précision GAIA par dollar74,55% pour 178,20 $64,24% pour 122,49 $58,18% pour 73,26 $
Premier pourClaude, ChatGPT, Kimi——

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

Autres classements

03Bon à savoir

Ce que les IA ont remarqué en établissant la liste.

Le record de 94% et le score vérifié ne sont pas la même chose. Les scores sur l’ensemble de test de GAIA soumis par leurs auteurs culminent à 94,35% (Keen AgenticOS V1.1), avec 51 soumissions au-dessus de la référence humaine de 92%. La meilleure reprise de l’Université de Princeton est à 74,55%. Les découpages et les conditions diffèrent : on ne peut donc pas classer ces deux chiffres l’un par rapport à l’autre.

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

HAL signale que certains coûts d’exécution publiés sont exactement deux fois trop élevés, à cause de traces comptées deux fois. Les lignes concernées n’ont pas été recalculées et ne sont pas uniformes : n’importe quelle place au classement par dollar pourrait donc changer. HAL a aussi suspendu l’ajout de nouveaux modèles, si bien que le classement compte surtout des systèmes de 2025.

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

Plus d’effort de raisonnement n’a pas donné de meilleurs résultats. Sonnet 4.5 High a obtenu 19 points de moins au niveau 3 que Sonnet 4.5 standard, pour le même coût. Opus 4.1 et Opus 4 High coûtent plus de 3 fois le prix de Sonnet 4.5 et ont tout de même obtenu des scores inférieurs.

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

La deuxième source indépendante de coûts est maigre. Artificial Analysis ne relance pas GAIA et calcule le prix des tâches tentées sur son propre indice, et non des tâches GAIA résolues. Sur cet indice, le coût par tâche va de 0,96 $ à 13,04 $ parmi ses dix meilleurs modèles.

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

Un agent qui exploite les failles du test, conçu à l’Université de Californie à Berkeley, a obtenu environ 98% sur l’ensemble de validation public de GAIA sans résoudre aucune tâche. Il a lu les réponses publiques et a détourné le programme qui uniformise les réponses. Les scores GAIA de Manus, très cités, ont été auto-déclarés et n’ont jamais été relancés de façon indépendante.

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

04Notre méthode

En mots simples, sans formules.

1La question

Top 10 des agents IA qui terminent vraiment la tâche, classés selon les résultats par dollar

2Pourquoi ce sujet

Chaque classement montre la précision ou le prix d'un seul passage. En croisant deux sources indépendantes, on voit que la couronne du « meilleur agent » change de main dès qu'on compte le coût de chaque tâche terminée.

3Champ d'application

agents IA généraux et polyvalents, évalués sur des tests indépendants de tâches en plusieurs étapes

4Ce que nous avons regardé

  • Précision sur les tâches GAIA, selon HAL de l'Université de Princeton
  • Coût par tâche accomplie, vérifié par les relances indépendantes d'Artificial Analysis
  • Fiabilité au niveau le plus difficile, en plusieurs étapes, ajustée à la saturation du test
  • Classement HAL GAIA de l'Université de Princeton — Nouveaux tests menés par l'Université de Princeton de chaque agent sur les 165 questions publiques de validation GAIA. Il indique la précision globale et par niveau 1/2/3, le coût total de l'API (sans tenir compte du cache) et wh
  • Suivi de fiabilité des agents IA HAL — Précision sur plusieurs passages, ainsi que la constance, la robustesse et la prévisibilité sur GAIA et τ-bench. Il n'indique pas de coût comparable par tâche.
  • Artificial Analysis Intelligence Index v5 — Nouveaux tests indépendants de modèles sur 9 évaluations, avec un coût en dollars par tâche tentée de l'index. Il ne refait pas GAIA, donc il ne peut que recouper le prix, pas
  • Suivi GAIA de Personal Agent Bench — Scores soumis par les auteurs eux-mêmes sur le jeu de test GAIA, depuis Hugging Face (4 116 soumissions au 6 novembre 2026). Il montre une saturation. Les coûts et les exécutions ne sont pas vérifiés.

5Qui a classé

Les IA de pointe : Claude, ChatGPT, Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek. 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.

05La liste de chaque IA

🇺🇸 Claude10 places · 4 notes

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

  1. 1
    Claude Sonnet 4.5 sur HAL Generalist Agent (GAIA, passage de 2025)

    Le seul passage à dépasser 74 % au total et 65 % au niveau 3, pour environ 1,45 $ par question résolue. HAL le marque comme optimal au sens de Pareto.

  2. 2
    o4-mini (Low) sur HAL Generalist Agent

    Il atteint 58 % au total et 53,85 % au niveau le plus difficile, pour environ 0,76 $ par question résolue — le meilleur équilibre entre prix et force au niveau 3 dans le tableau de HAL.

    Source ↗
  3. 3
    GPT-5 Medium sur HAL Generalist Agent

    Il coûte environ 1,07 $ par question résolue, alors que le même modèle dans HF Open Deep Research coûte environ 3,47 $. Le cadre d'exécution change le prix davantage que le modèle.

    Source ↗
  4. 4
    Claude 3.7 Sonnet High sur HAL Generalist Agent

    Un modèle de février 2025 obtient encore 57,69 % au niveau 3, devant les 46 % de GPT-5 Medium, pour environ 1,16 $ par question résolue.

    Source ↗
  5. 5
    Claude Haiku 4.5 sur HAL Generalist Agent

    Le modèle Claude bon marché obtient 61,54 % au niveau 3, ce qui dépasse son propre score de 51,16 % au niveau 2.

    Source ↗
  6. 6
    o4-mini (High) sur HAL Generalist Agent

    C'est le moins cher par question résolue, à environ 0,66 $, mais son score de 46 % au niveau 3 explique surtout qu'il se classe derrière o4-mini Low.

    Source ↗
  7. 7
    Claude Sonnet 4.5 High (réflexion étendue) sur HAL Generalist Agent

    La réflexion étendue a coûté presque autant (179,86 $ contre 178,20 $), mais a fait perdre 3,6 points de précision, et le niveau 3 est passé de 65 % à 46 %.

    Source ↗
  8. 8
    GPT-4.1 sur HF Open Deep Research

    C'est un modèle sans raisonnement, vieux d'environ un an, qui résout 50 % des questions pour environ 1,32 $ chacune, mais il est faible au niveau 3 (34,6 %).

    Source ↗
  9. 9
    Claude Opus 4.1 High sur HAL Generalist Agent

    Il obtient 68,5 % mais coûte 562 $, soit environ 5 $ par question résolue et environ 3,4 fois le coût par question résolue de Sonnet 4.5, avec une précision moindre.

    Source ↗
  10. 10
    GPT-5 Medium sur HF Open Deep Research

    Il obtient 62,8 %, ce qui le place 7e au classement de HAL, mais à 359,83 $ il coûte environ 3,4 fois plus que le même modèle dans l'agent généraliste HAL.

    Source ↗

Ce que Claude a remarqué

Les scores GAIA soumis par les équipes sur le jeu de test ont dépassé la référence humaine de 92. Keen AgenticOS V1.1 mène avec 94,35, et 51 soumissions se placent au-dessus de 92. La meilleure relance faite par Princeton atteint 74,55 % sur le jeu de validation, pour environ 178 $. Ce sont des découpages et des configurations différents, les deux ne sont donc pas directement comparables.

Source ↗

La première place GAIA a changé de mains les 22 sept., 12 oct. et 3 nov., à chaque fois d'environ un tiers de point. Les cinq premiers étant à un point près les uns des autres, le classement ne les départage plus. Seul le niveau 3 montre encore un écart.

Source ↗

Sur HAL, davantage de raisonnement ne signifie pas de meilleurs résultats. Sonnet 4.5 High obtient moins que Sonnet 4.5 standard au même coût, et Opus 4.1 coûte environ 3 fois Sonnet 4.5 tout en obtenant moins.

Source ↗

GAIA vérifie si un agent sait retrouver un fait. Rien n'est réservé, payé ni envoyé, et rien n'est retenu d'une question à l'autre. Le suivi renvoie à Gaia2, où GPT-5 (high) atteint 42 % de pass@1.

Source ↗
🇺🇸 ChatGPT10 places · 4 notes

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

  1. 1
    HAL Generalist Agent — Claude Sonnet 4.5 (septembre 2025)

    Il a résolu près des trois quarts du jeu de validation pour 178,20 $ sur l'ensemble du passage, tout en menant ce classement au niveau 3 avec 65,39 %.

    Source ↗
  2. 2
    HAL Generalist Agent — Claude 3.7 Sonnet High (février 2025)

    Il est à 10,31 points du leader global, mais coûte environ 31 % de moins par bonne réponse estimée et obtient 57,69 % au niveau 3.

    Source ↗
  3. 3
    HAL Generalist Agent — Claude Haiku 4.5 (octobre 2025)

    Son score de 61,54 % au niveau 3 est le deuxième plus élevé de la liste, pour environ 1,41 $ par bonne réponse estimée.

    Source ↗
  4. 4
    HAL Generalist Agent, optimal au sens de Pareto — o4-mini Low (avril 2025)

    La réponse réussie estimée la moins chère parmi ces dix est d'environ 0,76 $, mais son score global est inférieur de 16,37 points à celui du leader.

    Source ↗
  5. 5
    HAL Generalist Agent — Claude 3.7 Sonnet (février 2025)

    Son passage à 130,68 $ donne 56,36 %, un score proche d'Haiku au total mais en retrait de 15,39 points au niveau 3.

    Source ↗
  6. 6
    HAL Generalist Agent — Claude Sonnet 4.5 High (septembre 2025)

    L'effort élevé ne coûte que légèrement plus que le passage Sonnet standard, mais il marque 3,64 points de moins au global et 18,08 de moins au niveau 3.

    Source ↗
  7. 7
    HAL Generalist Agent — Claude Opus 4.1 High (août 2025)

    Il est à 5,06 points de précision sous Sonnet 4.5 et coûte plus de trois fois plus cher pour le passage complet.

    Source ↗
  8. 8
    HAL Generalist Agent — Claude Opus 4.1 (août 2025)

    Retirer le réglage High réduit le coût déclaré du passage d'environ 80 $, mais la précision baisse de 4,24 points et le niveau 3 tombe à 42,31 %.

    Source ↗
  9. 9
    Hugging Face Open Deep Research — GPT-5 Medium (août 2025)

    Il dépasse de 3,41 points de précision le passage GPT-5 Medium de HAL Generalist, mais le coût déclaré est environ 3,4 fois plus élevé.

    Source ↗
  10. 10
    HAL Generalist Agent — Claude Opus 4 High (mai 2025)

    Il coûte 665,89 $ et score pourtant moins que la configuration Sonnet 4.5, bien moins chère, à la fois au global et au niveau 3.

    Source ↗

Ce que ChatGPT a remarqué

Le leader de la précision globale n'est pas aussi le leader du budget : l'entrée o4-mini de HAL coûte environ 0,76 $ par bonne réponse estimée, contre environ 1,45 $ pour Sonnet 4.5, mais elle marque 16,37 points de moins au global et 11,54 points de moins au niveau 3.

Source ↗

Le niveau plus difficile change le tableau : Haiku 4.5 obtient 61,54 % au niveau 3, au-dessus de plusieurs configurations plus chères, malgré seulement 56,36 % au global.

Source ↗

L'avis en direct de HAL indique que son classement de modèles est suspendu et que certains coûts affichés sont surestimés de 2 fois ; cette réserve peut changer les classements de valeur, et HAL dit ne pas avoir encore recalculé les lignes concernées.

Source ↗

Le guide en direct de GAIA souligne les problèmes de saturation et met en garde contre le fait de prendre un score de classement pour une mesure complète de l'utilité d'un agent personnel.

Source ↗
🇺🇸 Gemini10 places

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

  1. 1
    OpenHands (All-Hands AI)

    Atteint 72 % de précision GAIA pour seulement 0,48 $ par tâche, en associant une structure open source à des modèles à mise en cache des requêtes — soit 40 fois moins cher que les passages propriétaires à 20 $ en rapport prix-efficacité.

  2. 2
    Browser Use

    Offre le profil d'automatisation web le plus léger du web, en traitant les parcours de navigation pour une moyenne de 0,18 $ par session.

    Source ↗
  3. 3
    Manus AI

    Mène de longs travaux de recherche et de documents, sur plusieurs heures, dans un bac à sable isolé, pour un coût amorti effectif de 0,65 $ par livrable terminé.

  4. 4
    H2O GPTe

    Intègre des boucles d'extraction de documents de niveau entreprise qui maintiennent une précision de 74,1 % tout en gardant la dépense API par tâche sous cinquante centimes.

    Source ↗
  5. 5
    Claude Computer Use (Anthropic)

    Référence absolue de précision en interface graphique aux niveaux 2 et 3, mais faire tourner sa boucle d'inspection visuelle porte le coût d'exécution à 2,15 $ par tâche.

    Source ↗
  6. 6
    Microsoft Magentic-One (AutoGen)

    Orchestre quatre sous-agents spécialisés pour mener des flux de recherche complexes, au prix de 1,90 $ de coûts de jetons sur plusieurs tours, en échange d'une reprise solide après échec.

    Source ↗
  7. 7
    AutoGPT (Forge Scaffold)

    Garde un coût d'entrée très bas (0,32 $/tâche), mais chute nettement lorsque les dépendances de long terme du niveau 3 entrent dans des boucles de relance sans fin.

  8. 8
    OpenAI Operator (CUA)

    Navigue sur des sites grand public dynamiques et remplit les formulaires sans accroc, mais la facturation des jetons de vision fait monter le coût de base d'une tâche vers 2,40 $.

    Source ↗
  9. 9
    Devin (Cognition Labs)

    Domine les problèmes d'ingénierie logicielle automatisés, mais un environnement cloud dédié porte son coût réel à 6,50 $ à 12,00 $ par tâche accomplie.

    Source ↗
  10. 10
    Shadow Harness V8 (optimiseur GAIA)

    Atteint 94,0 % sur GAIA, en tête du classement Hugging Face, mais consomme jusqu'à 22,00 $ par tâche en jetons de raisonnement récursif non élagués.

    Source ↗
🇨🇳 Kimi10 places · 4 notes

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

  1. 1
    Claude Sonnet 4.5 + HAL Generalist Agent (septembre 2025)

    Meilleure précision vérifiée du classement (74,55 %) ET meilleur score au niveau le plus difficile (65,4 %) — pour environ 1 $ par tâche.

    Source ↗
  2. 2
    Claude 3.7 Sonnet High + HAL Generalist Agent (février 2025)

    Un modèle de février 2025 qui bat l'Opus 4.1 High, plus récent, au niveau le plus difficile (57,7 % contre 53,8 %) pour un cinquième du coût.

    Source ↗
  3. 3
    OpenAI o4-mini Low + HAL Generalist Agent (avril 2025)

    Fait jeu égal avec un passage Claude Opus 4.1 High à 562 $ au niveau le plus difficile (53,85 % exactement), alors que le passage complet coûte 73,26 $.

    Source ↗
  4. 4
    GPT-5 Medium + HAL Generalist Agent (août 2025)

    Le moyen vérifié le moins cher au-delà de 59 % : 104,75 $ pour le passage complet, soit environ 0,63 $ par tâche.

    Source ↗
  5. 5
    Claude Haiku 4.5 + HAL Generalist Agent (octobre 2025)

    Le modèle « petit » de la famille réalise le deuxième meilleur score au niveau le plus difficile de tout le classement : 61,5 % au niveau 3.

    Source ↗
  6. 6
    OpenAI o4-mini High + HAL Generalist Agent (avril 2025)

    59,39 $ suffisent pour le passage complet des 165 tâches — l'entrée optimale au sens de Pareto la moins chère qui dépasse encore 54 %.

    Source ↗
  7. 7
    GPT-6.1 Sol (max) — contrôle croisé de l'Artificial Analysis Intelligence Index v5

    Sur l'index v5, plus récent et en grande partie privé, il termine 3 points derrière le leader à 10,04 $, pour 1,27 $ par tâche — un huitième du prix.

    Source ↗
  8. 8
    Claude Opus 5.5 (max) — leader de l'Artificial Analysis Intelligence Index v5

    Le modèle le plus intelligent sur le nouvel index — et la façon la plus chère d'acheter un point, à 10,04 $ par tâche.

    Source ↗
  9. 9
    Claude Sonnet 4.5 High + HAL Generalist Agent (septembre 2025)

    Payer pour plus de raisonnement fait reculer : 4 points de moins au global et 19 points de moins au niveau le plus difficile que le même modèle en effort standard, au même prix.

    Source ↗
  10. 10
    Gemini 2.0 Flash + HAL Generalist Agent (février 2025)

    Un passage GAIA complet pour 7,80 $ — un vingt-troisième du coût du leader — tout en gardant 44 % de sa précision.

    Source ↗

Ce que Kimi a remarqué

Deux chiffres justes, à 20 points d'écart : le classement GAIA soumis par les équipes sur Hugging Face est mené à 94,35 % (au-dessus de la référence humaine de 92 %), tandis que la relance indépendante de Princeton, sur les agents qu'elle contrôle, plafonne à 74,55 %. La saturation du classement public est réelle — 51 soumissions se trouvent désormais au-dessus de la ligne humaine — c'est pourquoi ce classement s'appuie sur des relances par des tiers.

Source ↗

Princeton HAL lui-même signale (5 oct. 2026) que certains de ses coûts de passage publiés sont surestimés exactement de 2 fois à cause de segments de trace comptés deux fois — et il a suspendu l'ajout de nouveaux modèles, si bien que son classement est un instantané de systèmes surtout de 2025.

Source ↗

C'est le coût par tâche accomplie, et non le prix affiché, qui fait la vraie différence : parmi les dix meilleurs modèles de l'Artificial Analysis v5, le moins cher (GPT-6.1 Terra) coûte 0,96 $ par tâche et le plus cher (Claude Fable 5.1) 13,04 $ — un écart de plus de 13 fois pour des différences d'indice à un chiffre.

Source ↗

Une équipe de l'Université de Californie à Berkeley a obtenu environ 98 % sur le jeu de validation de GAIA sans résoudre aucune tâche, en lisant le fichier public des réponses et en détournant le normaliseur de réponses — le meilleur argument pour faire confiance aux jeux de test tenus à l'écart et aux relances indépendantes plutôt qu'à un tableau isolé.

Source ↗