Comparatif IA : modèles, sorties et scores depuis 2022

Le 14 mars 2023, trois éditeurs annoncent un modèle le même jour : OpenAI présente GPT-4, Anthropic ouvre Claude et Zhipu publie les poids de ChatGLM-6B. ChatGPT, sorti en novembre 2022, a ouvert la course quelques mois plus tôt. Ce comparatif range au même endroit les grandes sorties de dix éditeurs : ce que chacune a changé, et le score que l’éditeur a publié ce jour-là.

Dernière mise à jour : 8 octobre 2026. Le journal en fin d’article dit ce qui a changé à chaque passage.

En bref

• Dix éditeurs suivis : OpenAI, Anthropic, Google, Meta et xAI aux États-Unis, Mistral AI en France, DeepSeek, Alibaba (Qwen), Zhipu (GLM) et Moonshot AI (Kimi) en Chine.
• Chaque score vient de la page où l’éditeur a annoncé son modèle : il est mesuré par lui, dans ses conditions, et se compare surtout aux sorties de la même époque.
• Les épreuves s’usent : les meilleurs modèles dépassent 90 % sur MMLU, et des épreuves plus dures prennent le relais.
• Les écarts se resserrent et les prix baissent : le coût d’un niveau équivalent à GPT-3.5 a été divisé par plus de 280 entre novembre 2022 et octobre 2024, selon le rapport AI Index de Stanford.
• Pour choisir un modèle, rien ne remplace un test sur vos propres tâches.

Comment lire les scores annoncés

Un benchmark est une épreuve standardisée : les mêmes questions posées à chaque modèle, et une note à la clé. Les éditeurs n’en citent pas toujours les mêmes, parce qu’une épreuve que tous les modèles réussissent ne dit plus rien. Voici celles qui reviennent dans les tableaux ci-dessous.

Trois précautions avant de comparer deux chiffres

Chaque éditeur mesure chez lui, à sa façon. En décembre 2023, Google présentait Gemini Ultra comme le premier modèle à dépasser les experts humains sur MMLU, avec 90,04 %. Le tableau du rapport technique de Gemini montre comment : ce chiffre sort d’une méthode qui génère 32 raisonnements avant de retenir une réponse (CoT@32), quand celui de GPT-4, 86,4 %, sort d’une consigne à cinq exemples (5-shot). Avec cinq exemples, Gemini Ultra obtenait 83,7 %. Nombre d’essais, outils autorisés, temps de réflexion accordé : deux scores ne se comparent qu’à conditions égales.

Une épreuve publique finit par fuiter. Les sujets de l’AIME 2024 sont publics depuis l’épreuve, et l’équipe de MathArena (ETH Zurich et INSAIT) y relève « de forts signes de contamination » : un modèle peut avoir croisé les réponses pendant son entraînement, et s’en souvenir plutôt que les trouver. Sa parade consiste à évaluer les modèles sur les problèmes d’une compétition dès leur publication.

Un excellent score ne dit pas tout. Toujours selon MathArena, les meilleurs modèles de 2025 dépassaient le top 1 % des candidats humains à l’AIME, mais restaient sous 25 % quand il fallait rédiger des démonstrations, à l’olympiade américaine de 2025. Et d’après le rapport AI Index 2026 de Stanford, Gemini Deep Think a décroché une médaille d’or aux Olympiades internationales de mathématiques, alors que le meilleur modèle ne lit l’heure sur une horloge à aiguilles qu’une fois sur deux (50,1 %).

C’est pour cela qu’un score publié sert à repérer les candidats, et qu’on teste ensuite un modèle sur vos propres tâches avant de le mettre en production.

La chronologie en un coup d’œil

Les sorties qui ont compté chez les dix éditeurs, dans l’ordre où elles sont arrivées. Le détail de chacune, et le score annoncé à sa sortie, est dans la partie suivante, éditeur par éditeur.

L’étoile ★ marque une dizaine de sorties qui ont fait date : celles qui ont ouvert une voie que d’autres éditeurs ont suivie, servi de référence à leurs concurrents ou pris la tête à leur sortie, d’après les pages citées dans ce comparatif.

2022 et 2023

2024

2025

2026

Éditeur par éditeur

Pour chaque éditeur, un paragraphe sur sa façon de faire (poids ouverts ou non, licences, ce qu’il met en avant), puis ses étapes majeures. La colonne de droite donne le score que l’éditeur a publié à la sortie, avec le lien vers la page qui le publie ; quand un score n’a été publié que plus tard, la date est précisée.

OpenAI : GPT et o

OpenAI a ouvert la course avec ChatGPT, en novembre 2022. De septembre 2024 à l’été 2025, la maison mène deux gammes de front : les modèles GPT, et une série de modèles de raisonnement, o1 puis o3 et o4-mini, entraînés par apprentissage par renforcement pour des tâches de raisonnement complexes. GPT-5 les réunit en août 2025 dans un seul système : un modèle rapide pour la plupart des questions, un modèle qui réfléchit pour les plus difficiles, et un routeur qui choisit en temps réel. La même semaine, OpenAI publie des poids ouverts, gpt-oss, sous Apache 2.0. GPT-5.6 se décline en trois niveaux : Sol, le modèle phare ; Terra, moins cher ; Luna, le plus rapide et le plus économique ; GPT-6 garde Sol et Luna, et ajoute Astra au-dessus.

Côté sécurité, GPT-5.4 Thinking est le premier modèle généraliste d’OpenAI protégé pour une capacité « élevée » en cybersécurité, et GPT-6 Astra le premier à atteindre le niveau « critique » de son cadre de préparation. De GPT-4 Turbo à o3, les scores viennent du dépôt public d’évaluation d’OpenAI, simple-evals, qui ne suit plus les nouveaux modèles depuis juillet 2025 ; depuis, les fiches système publient peu de scores en texte, en dehors de HealthBench. Entre deux étapes, des versions intermédiaires (GPT-4o mini, o3-mini, GPT-5.1 à 5.5, GPT-6 Sol et Luna, GPT-6.1 Sol) ; le tableau ne garde que les étapes.

Anthropic : Claude

Anthropic ne publie pas les poids de ses modèles : Claude s’utilise par son application, par l’API et par les grandes plateformes cloud. La maison a misé sur le code et les agents : utilisation de l’ordinateur dès octobre 2024, puis un modèle présenté comme le premier modèle de raisonnement hybride du marché, livré avec Claude Code, en février 2025 ; SWE-bench Verified revient dans presque chaque annonce. Depuis 2026, la sécurité découpe la gamme : au-dessus d’Opus, la classe Mythos est d’abord restée réservée à des partenaires de la cybersécurité, puis s’est ouverte à tous sous le nom Fable, avec des garde-fous qui renvoient certaines questions vers un modèle moins puissant. Entre deux étapes, des versions intermédiaires sortent tous les deux ou trois mois (Opus 4.1, Haiku 4.5, Sonnet 4.6, Opus 4.7 et 4.8, Sonnet 5, Sonnet 5.5, Haiku 5.5) ; le tableau ne garde que les étapes.

Google : Gemini et Gemma

Google mène deux familles de front. Gemini est fermé, utilisable par l’application et par l’API ; Gemma publie ses poids, tirée de la même recherche que Gemini, sous licence Apache 2.0 depuis Gemma 4. La maison a misé tôt sur la multimodalité (Gemini 1.0 est entraîné dès le départ sur plusieurs types de données) et sur les contextes très longs (un million de jetons avec Gemini 1.5). Ses modèles sortent d’abord en version expérimentale ou en préversion : Gemini 3.1 Pro l’était encore en octobre 2026. En 2026, un nouveau Gemini Flash est sorti presque chaque mois (3.6 en juillet, 3.7 en août, 3.8 en septembre) ; le tableau ne garde que les familles.

Meta : Llama et Muse

Meta a publié les poids de toute la lignée Llama, sous des licences maison qui ont changé à chaque version : recherche seulement pour le premier LLaMA, usage commercial dès Llama 2, droit d’entraîner d’autres modèles avec les réponses de Llama 3.1. Avec Llama 3.2, la licence des modèles qui lisent les images excluait les personnes et les entreprises établies dans l’Union européenne. En 2026, les nouveaux modèles viennent de Meta Superintelligence Labs, sous le nom Muse : Muse Spark est fermé, servi dans l’assistant Meta AI puis par une API, tandis que Muse Glimmer publie ses poids sous Apache 2.0. Muse Spark a connu trois mises à jour (1.1 en juillet, 1.2 en août avec l’agent de code Muse Code, 1.3 en septembre), dont les scores ne sont publiés qu’en image ou en PDF.

xAI : Grok

xAI a lancé Grok en novembre 2023 avec un argument à lui : une connaissance du monde en temps réel par X. La maison a publié les poids de Grok-1 sous Apache 2.0 en mars 2024, puis ceux de Grok 2 en août 2025, sous une licence maison qui permet l’usage commercial dans le respect de sa politique d’usage, mais interdit de s’en servir, ou de ses réponses, pour entraîner d’autres modèles généralistes. Depuis Grok 3, les modèles de raisonnement sont entraînés par apprentissage par renforcement, à l’échelle du pré-entraînement avec Grok 4 ; en 2026, l’éditeur, qui signe désormais SpaceXAI, se concentre sur le code et les agents, avec Grok 4.5 entraîné aux côtés de Cursor et son propre agent de code, Grok Build, en bêta depuis mai. Entre deux étapes, des versions intermédiaires (Grok 4.1 Fast, Grok 4.20 et sa variante multi-agents en mars 2026, Grok Build 0.1 en mai) ; le tableau ne garde que les étapes.

Mistral AI

La française Mistral AI alterne trois régimes. Des poids ouverts sous Apache 2.0, utilisables sans restriction (Mistral 7B, Mixtral, Mistral 3, Small 4) ; des poids publiés sous une licence qui limite l’usage (recherche seulement pour Large 2, hors production pour Codestral, MIT modifiée pour Medium 3.5) ; et des modèles réservés à son API (Large de 2024, Medium 3). Elle met en avant le rapport entre performance et coût, et a levé 3 milliards d’euros en septembre 2026 pour porter une IA « souveraine » et à poids ouverts au niveau des meilleurs. Premier jalon financé par cette levée, Mistral Large 4 a été entraîné dans ses propres centres de données en Europe ; en préversion depuis le 6 octobre 2026, ses poids sont annoncés pour la fin du mois.

DeepSeek

DeepSeek publie les poids de ses modèles généralistes depuis le premier, DeepSeek LLM 67B : d’abord sous une licence maison qui autorise l’usage commercial, puis sous licence MIT à partir de R1 (« Distill & commercialize freely! »), et jusqu’à V4. La maison mise sur l’efficacité : un mélange d’experts dès V2, qui économise 42,5 % du coût d’entraînement par rapport au modèle précédent ; V3 entraîné en 2,788 millions d’heures de GPU H800 ; une attention parcimonieuse avec V3.2-Exp, accompagnée d’une baisse de plus de moitié des prix de son API ; puis un million de jetons de contexte par défaut avec V4. Entre deux étapes, des mises à jour datées (V3-0324, R1-0528, V3.1-Terminus) ; le tableau ne garde que les étapes.

Alibaba : Qwen

Alibaba publie la plupart de ses modèles Qwen en poids ouverts : d’abord sous sa propre licence, puis surtout sous Apache 2.0 à partir de Qwen2. Ses modèles « Max » sont longtemps restés réservés à l’API, jusqu’à Qwen3.8, dont le modèle phare a publié ses poids sous une licence maison qui permet l’usage commercial sous conditions. La maison met en avant le multilinguisme (201 langues et dialectes avec Qwen3.5, contre 119 pour Qwen3), la multimodalité native depuis Qwen3.5, et les agents en 2026. Entre deux étapes, d’autres sorties s’intercalent (Qwen1.5, Qwen3-Coder, Qwen3.6, Qwen3.7-Plus) ; le tableau ne garde que les étapes. Fin septembre 2026, Qwen 4 était en cours d’entraînement.

Zhipu : GLM

Zhipu AI, qui publie sous le nom Z.ai à l’international, ouvre ses poids depuis son premier modèle de conversation : ChatGLM-6B est sorti en open source le jour même du lancement de ChatGLM, le 14 mars 2023. D’abord sous des licences maison qui permettaient l’usage commercial après inscription, puis sous licence MIT, du modèle de raisonnement GLM-Z1 en avril 2025 jusqu’à GLM-5.2. GLM-5.3 passe à une licence propre, qui impose une revue de sécurité aux plus gros opérateurs de modèles en service, au-delà de 10 milliards de dollars de chiffre d’affaires sur douze mois. La maison mise sur les agents et le code : depuis GLM-5.1, ses fiches ne publient plus SWE-bench Verified mais SWE-bench Pro, Terminal-Bench et des tests d’agents. Entre deux étapes sortent des modèles de vision (GLM-4.5V, GLM-4.6V), des déclinaisons Flash et Turbo, et GLM-5.3-Flash, premier modèle nativement multimodal de la série GLM-5 ; le tableau ne garde que les étapes.

Moonshot AI : Kimi

Depuis Kimi K2, en juillet 2025, Moonshot AI publie les poids de ses modèles phares, après des modèles ouverts plus petits (Moonlight, Kimi-VL). La licence est une MIT modifiée, avec une seule condition : afficher « Kimi K2 » dans l’interface d’un produit qui dépasse 100 millions d’utilisateurs actifs par mois ou 20 millions de dollars de revenus mensuels. Kimi K3 passe à une licence propre, qui exige en plus un accord séparé des opérateurs de modèles en service au-delà de 20 millions de dollars de chiffre d’affaires sur douze mois. La maison mise sur les agents : K2 Thinking enchaîne 200 à 300 appels d’outils d’affilée, K2.5 dirige jusqu’à 100 sous-agents en parallèle ; le contexte passe de 128 000 à 256 000 jetons avec la mise à jour de septembre 2025, puis à un million avec K3. Entre deux étapes, des mises à jour datées (K2-Instruct-0905) et des modèles spécialisés (Kimi-Dev, Kimi-Linear) ; le tableau ne garde que les étapes.

Ce que quatre ans de sorties ont changé

Les prix se sont effondrés. Selon le rapport AI Index 2025 de Stanford, faire tourner un système du niveau de GPT-3.5 coûtait plus de 280 fois moins cher en octobre 2024 qu’en novembre 2022. Une tâche qui n’était pas rentable il y a deux ans peut l’être aujourd’hui, à condition de choisir le bon modèle pour chaque tâche.

Les modèles ouverts ont rattrapé leur retard. Le même rapport mesure l’écart entre modèles à poids ouverts et modèles fermés : de 8 % à 1,7 % en un an, sur certains benchmarks. Un modèle qu’on peut faire tourner sur son propre serveur n’est plus un choix au rabais.

La Chine est au même niveau. D’après l’AI Index 2026, les modèles américains et chinois se sont disputé la tête plusieurs fois depuis début 2025 : DeepSeek-R1 a brièvement égalé le meilleur modèle américain en février 2025, et en mars 2026 le meilleur modèle d’Anthropic ne menait plus que de 2,7 %.

Les modèles ont appris à réfléchir avant de répondre. En septembre 2024, OpenAI présente o1-preview, entraîné par apprentissage par renforcement pour des tâches de raisonnement complexes. Les autres suivent en quelques mois : QwQ-32B-Preview chez Alibaba fin novembre, à poids ouverts, puis le même jour, le 20 janvier 2025, DeepSeek-R1, à poids ouverts sous licence MIT, et Kimi k1.5 chez Moonshot AI, tous deux annoncés au niveau d’o1. L’idée se fond ensuite dans les modèles généralistes : Claude 3.7 Sonnet, Qwen3 et DeepSeek-V3.1 répondent tout de suite ou réfléchissent plus longtemps, au choix. Aujourd’hui, on règle souvent l’effort de réflexion, donc la facture, tâche par tâche.

Le code et les agents ont fait le plus grand saut. En 2023, le meilleur modèle testé corrigeait 1,96 % des bugs de SWE-bench. Sur la version Verified, l’AI Index 2026 relève un passage de 60 % à presque 100 % en un an. Sur OSWorld, qui fait faire à des agents de vraies tâches sur un ordinateur, sous plusieurs systèmes d’exploitation, le taux de réussite est passé de 12 % à environ 66 %, mais les agents échouent encore à peu près une fois sur trois sur ces épreuves.

L’industrie a pris la main. Toujours selon l’AI Index 2026, plus de 90 % des modèles de pointe notables de 2025 viennent de l’industrie, et non de la recherche publique.

Quel modèle choisir, alors ?

Aucun tableau ne désigne le meilleur modèle pour vous, parce qu’il n’existe pas dans l’absolu. Un modèle de pointe facturé cher se justifie pour rédiger une page de vente ou piloter un agent complexe ; pour trier des milliers de messages, un petit modèle, bien moins cher, suffit, et il répond plus vite.

Pour se faire une première idée, Arena (anciennement Chatbot Arena, créée par des chercheurs de l’université de Berkeley) classe les modèles d’après les votes du public : deux modèles anonymes répondent à la même question, la personne choisit la meilleure réponse, et les noms ne sont révélés qu’après le vote. C’est une mesure de préférence, utile, mais qui ne connaît ni vos documents ni vos contraintes.

Trois questions font le reste :

1. La tâche. Un modèle par usage, essayé sur une vingtaine de vos vrais exemples : c’est la méthode de notre article sur l’évaluation d’un modèle avant la production.
2. Le volume et le prix. Ce que coûte une tâche répétée dix mille fois par mois, et les remises disponibles : voir comment se calcule une facture d’IA.
3. L’endroit où vont vos données. API d’un éditeur, hébergeur européen ou modèle ouvert sur votre serveur : les quatre niveaux d’une IA privée aident à trancher.

Les noms changent tous les trois mois, la méthode reste : repérer les candidats sur les scores publiés, les essayer sur vos propres exemples, puis choisir un modèle par tâche plutôt qu’un modèle pour tout. Si vous devez faire ce choix, ou faire baisser une facture d’IA qui grimpe, c’est l’objet de notre offre IA au juste coût : un banc d’essai sur vos tâches, puis une table de routage datée que vous gardez.

Comment nous tenons ce comparatif à jour

Chaque matin, la routine qui prépare les brouillons de ce blog vérifie les pages officielles des dix éditeurs : blog, notes de version, fiche du modèle. Une sortie majeure, c’est-à-dire un nouveau modèle phare ou une nouvelle famille, ajoute une ligne à la chronologie et au tableau de son éditeur, avec le score publié et le lien vers la page qui le publie. Une personne relit la mise à jour avant qu’elle ne soit mise en ligne, et le journal ci-dessous en garde la trace.

Ce suivi nourrit notre propre façon de travailler. La table qui attribue un modèle à chaque tâche de nos automatisations est datée et se revalide chaque trimestre : on rejoue le banc d’essai sur les tâches en cours, on relève les tarifs et les nouveautés des fournisseurs, puis on met la table à jour. Sur la chaîne de traduction de Palmora, un site d’annonces immobilières en six langues que nous opérons, passer de DeepL à Gemini a divisé le coût par 60, et 95 % des segments sortent du cache sans rappeler l’IA. Pour les données sensibles, un modèle ouvert tourne sur notre propre serveur, avec Ollama : rien ne sort.

Journal des mises à jour

• 8 octobre 2026 : Claude Haiku 5.5, sorti le 7 octobre, rejoint les versions intermédiaires d’Anthropic ; pas de nouvelle étape chez les huit autres éditeurs relus ce jour-là.
• 7 octobre 2026 : ajout de Mistral Large 4, en préversion publique depuis le 6 octobre.
• 5 octobre 2026 : première version. Dix éditeurs, sorties de novembre 2022 à fin septembre 2026.

Questions fréquentes

Quelle est la meilleure IA aujourd’hui ?

Il n’y en a pas une seule. Les meilleurs modèles se tiennent de près sur les épreuves publiques : en mars 2026, selon l’AI Index de Stanford, le meilleur modèle d’Anthropic ne devançait le meilleur modèle chinois que de 2,7 %. Le bon choix dépend de la tâche, du volume, du prix et de l’endroit où vos données peuvent aller. Un essai sur vos propres exemples tranche mieux qu’un classement.

Les scores publiés par les éditeurs sont-ils fiables ?

Ils sont exacts dans les conditions que l’éditeur a choisies, qui ne sont pas toujours celles de son concurrent : nombre d’essais, outils autorisés, version de l’épreuve. Ils montrent surtout qu’un modèle progresse par rapport au précédent de la même maison. Pour comparer deux éditeurs, regardez des évaluations indépendantes, et surtout testez sur vos propres tâches.

Qu’est-ce qu’un modèle à poids ouverts ?

C’est un modèle dont l’éditeur publie les paramètres : on peut le télécharger et le faire tourner sur son serveur, sans envoyer ses données ailleurs. Meta, Mistral AI, DeepSeek, Alibaba, Zhipu et Moonshot AI en publient, comme Google avec Gemma, OpenAI avec gpt-oss et xAI avec Grok-1 et Grok 2 ; Anthropic, non. La licence change d’un modèle à l’autre et peut poser des conditions, jusqu’à un accord séparé au-delà d’un certain chiffre d’affaires (GLM-5.3, Kimi K3) : lisez-la avant de construire dessus.

Les modèles chinois sont-ils au niveau ?

Sur les épreuves publiques, oui, à peu de chose près : selon l’AI Index 2026, DeepSeek-R1 a brièvement égalé le meilleur modèle américain en février 2025. Plusieurs publient leurs poids, ce qui permet de les faire tourner chez soi. Pour des données personnelles, nous n’utilisons jamais l’API d’un fournisseur hors de l’Union sans cadre contractuel ; un modèle ouvert sur votre serveur règle la question.

À quelle fréquence ce comparatif est-il mis à jour ?

Les pages officielles des dix éditeurs sont vérifiées chaque matin. Une sortie majeure entre dans les tableaux après relecture, avec sa date, ce qu’elle change et le score publié par l’éditeur, lien à l’appui. Le journal en fin d’article garde la trace de chaque mise à jour, et la date de dernière mise à jour figure en tête.