Benchmark LLM : classement des modèles, scores et prix

Mode d'emploi

Le tableau liste les 164 modèles de langage pour lesquels Epoch AI publie au moins un score, avec leur prix public relevé sur OpenRouter le 25 octobre 2026. Commencez par choisir la mesure qui correspond à votre usage : l'indice de capacité global pour une vue d'ensemble, SWE-bench Verified ou Terminal-Bench si vous cherchez un modèle pour un agent de code, GPQA Diamond pour le raisonnement scientifique, ARC-AGI pour la capacité d'adaptation à des problèmes jamais vus.

• Filtrez ensuite par éditeur, par type de licence (poids ouverts que vous pouvez faire tourner vous-même, ou modèles propriétaires accessibles par API), par taille de contexte minimale et par prix moyen maximal.
• Le graphique se redessine à chaque changement. Survolez ou touchez un point pour lire le nom, le prix et le score ; cliquez pour ouvrir la fiche du modèle.
• Cliquez sur un en-tête du tableau pour trier (une seconde fois pour inverser). La dernière colonne affiche toujours la mesure choisie.

Tout se passe dans votre navigateur : aucune donnée n'est envoyée, la page fonctionne même hors connexion une fois chargée.

Ce que mesurent les benchmarks retenus

L'indice de capacité d'Epoch AI (ECI) agrège de nombreux benchmarks en un seul nombre, sur une échelle qui permet de comparer des modèles qui n'ont pas tous passé les mêmes tests. 125 modèles du tableau en ont un ; le plus élevé au 25 octobre 2026 est celui de Claude Opus 5.5 (168,8). Les benchmarks pris un par un disent des choses plus précises :

• GPQA Diamond : questions de sciences de niveau doctorat (124 modèles notés)
• SWE-bench Verified : correction de vrais tickets GitHub (28 modèles notés)
• Terminal-Bench : tâches réelles dans un terminal (37 modèles notés)
• ARC-AGI-1 : puzzles visuels de raisonnement abstrait (73 modèles notés)
• ARC-AGI-2 : version plus difficile des puzzles ARC (73 modèles notés)
• FrontierMath : problèmes de mathématiques de recherche (niveaux 1-3) (85 modèles notés)
• OTIS Mock AIME : problèmes de compétition de mathématiques (124 modèles notés)
• SimpleQA Verified : exactitude des faits simples (80 modèles notés)
• Aider Polyglot : exercices de code en plusieurs langages (25 modèles notés)
• OSWorld : utilisation d'un ordinateur de bureau (6 modèles notés)

Les scores sont des pourcentages de réussite. Un écart de deux ou trois points entre deux modèles est souvent dans la marge d'erreur du test : regardez plutôt les écarts nets et la cohérence sur plusieurs benchmarks proches de votre usage. Pour comprendre pourquoi ARC-AGI reste difficile pour les modèles, voyez la définition du glossaire.

Lire le graphique score / prix

Le prix moyen pondère trois tokens d'entrée pour un token de sortie, ce qui correspond à l'usage courant d'un assistant ou d'un agent : on envoie beaucoup de contexte (fichiers, historique, résultats d'outils) et on reçoit une réponse plus courte. L'échelle horizontale est logarithmique, car les prix vont de quelques centimes à plusieurs dizaines de dollars par million de tokens.

Les points orange forment la frontière de Pareto : pour chacun, aucun autre modèle affiché n'est à la fois moins cher et mieux noté sur la mesure choisie. C'est parmi eux qu'il faut chercher le meilleur rapport qualité-prix. Un modèle loin sous la frontière coûte plus cher qu'un autre qui fait mieux ; il peut rester intéressant pour une raison absente du graphique (contexte plus long, poids ouverts, hébergement en Europe, outil intégré).

Pour passer du prix au million de tokens à un budget mensuel réel, utilisez le calculateur de prix du Labo, et le guide Prix des API LLM pour comprendre la facturation.

D'où viennent les données

Les scores et l'indice ECI viennent de la base publique d'Epoch AI (licence CC BY 4.0), qui exécute elle-même une partie des évaluations et reprend les autres de classements publics. Les prix viennent de l'API publique d'OpenRouter : c'est le prix affiché par le fournisseur principal du modèle, en dollars par million de tokens. Les deux sources sont relevées à chaque mise à jour du site ; le dernier relevé date du 25 octobre 2026. Le tableau compte 68 modèles à poids ouverts et 96 modèles propriétaires.

Les limites à garder en tête

• Couverture inégale. Tous les modèles n'ont pas passé tous les tests : un modèle absent d'une mesure n'est pas mauvais, il n'a simplement pas de score publié.
• Contamination. Une partie des questions publiques finit dans les données d'entraînement ; les tests gardés en partie secrets (comme ARC-AGI-2 ou FrontierMath) y résistent mieux.
• Réglages. Le même modèle peut obtenir des scores différents selon l'effort de raisonnement, le nombre d'essais ou l'outillage autorisé. Epoch AI indique ses conditions de test sur chaque résultat.
• Prix variables. Un modèle à poids ouverts est souvent proposé par plusieurs hébergeurs à des tarifs différents, et les prix changent souvent. Le cache de prompt et le traitement par lots peuvent diviser la facture.
• Un benchmark n'est pas votre tâche. Avant de choisir, testez deux ou trois modèles de la frontière sur une dizaine de vos propres cas réels.

La démarche complète est détaillée dans le guide Choisir un modèle.