800+ principaux benchmarks d'IA

Nous avons constitué une liste de plus de 800 benchmarks d'IA pour les LLMs, les GPUs, les cloud GPUs, les agents d'IA, l'IA tabulaire et la cybersécurité qui ne sont pas encore saturés.

Croissance des benchmarks d'IA

Notez que la majeure partie du pic de mai–juin correspond à la période pendant laquelle nous avons mené nos recherches. Les benchmarks mis à jour en continu sont datés de la dernière fois où nous les avons vérifiés, de sorte qu'ils ont tendance à se regrouper autour des mois où nous avons collecté les données plutôt que d'indiquer une véritable augmentation du nombre de nouveaux benchmarks.

Benchmarks d'IA par catégories

Nous avons répertorié les benchmarks d'IA en fonction de leurs principales catégories. Les benchmarks LLM arrivent en tête en termes de nombre le plus élevé.

Benchmarks d'IA par sous-catégories

Liste des benchmarks d'IA

Pour simplifier, nous avons inclus les 250 benchmarks les plus récents de notre liste complète de 809 benchmarks. Consultez notre méthodologie pour savoir comment nous avons constitué cette liste.

Remarques sur la lecture de la liste :

Les quatre colonnes contenant des indicateurs booléens (T = vrai, F = faux) indiquent quelle dimension d'évaluation chaque benchmark couvre. Chaque indicateur répond à une question oui/non sur le périmètre du benchmark :

• Performance (T/F) : Le benchmark évalue-t-il la capacité ou la qualité, par exemple l'exactitude des résultats, l'achèvement des tâches ou l'intelligence ? Cet indicateur est T pour presque tous les benchmarks, car la plupart évaluent les performances d'un model ou d'un système. Il est F pour les benchmarks qui se concentrent uniquement sur le coût ou la vitesse et n'évaluent pas la qualité des résultats.
• Prix (T/F) : Le benchmark inclut-il des facteurs liés au coût, tels que le coût en dollars par token, le prix par débit ou le coût par tâche ?
• Latence (T/F) : Le benchmark mesure-t-il la vitesse, par exemple les tokens par seconde, le délai avant le premier token, le débit ou le temps de réponse ? Il est F pour les benchmarks qui évaluent l'exactitude, quelle que soit la durée de la réponse.
• Fiabilité (T/F) : Le benchmark évalue-t-il la cohérence ou la fiabilité, par exemple la variance entre les exécutions, la stabilité des taux de réussite ou la robustesse ? C'est l'indicateur le moins courant. Il est T pour les benchmarks conçus à cet effet, notamment HAL Reliability, tau-bench/tau2-bench, METR Time Horizons et plusieurs benchmarks d'agents dans lesquels la cohérence du taux de réussite est essentielle. Il est F pour la plupart des classements qui rapportent un score global unique.
• Résistant à la contamination (T/F) : Indique si le benchmark est conçu pour réduire le risque de contamination des données, où les questions de test apparaissent dans les données d'entraînement d'un model et où le model obtient de bons scores par mémorisation plutôt que par une capacité réelle. T signifie que le benchmark dispose d'une défense significative, comme un jeu de test caché, des questions nouvellement générées ou renouvelées, des actualisations mensuelles, des éléments autogénérés ou des problèmes de concours publiés après la date limite d'entraînement d'un model. F signifie que le benchmark est un dataset public fixe en ligne depuis des années et qui a pu être absorbé dans les corpus d'entraînement. Dans ce cas, les scores élevés doivent être interprétés avec une plus grande prudence.

En pratique, une ligne marquée T/F/F/F représente un benchmark purement qualitatif. En revanche, un benchmark marqué T/T/T/T/F évalue à la fois la qualité, le coût et la vitesse. Ces indicateurs offrent une taxonomie compacte montrant lequel des quatre axes d'évaluation chaque benchmark couvre.

Pourquoi certaines cellules sont-elles vides ?

Résistant à la contamination et source de contamination : Ces deux champs sont généralement vides pour les mêmes types de lignes, en particulier les benchmarks de GPU, de cloud GPU, de vitesse et de prix. La résistance à la contamination est pertinente pour les benchmarks de connaissances et de raisonnement, où un model peut avoir mémorisé des questions de test issues des données d'entraînement. Pour les benchmarks de débit matériel, de latence ou de prix, il n'y a pas de questions de test à contaminer, de sorte que le champ est laissé vide plutôt que marqué T ou F.

Méthodologie des benchmarks d'IA

Nous avons collecté les données des benchmarks au moyen d'un processus de recherche et de validation en ligne. L'objectif était de construire une liste structurée de benchmarks technologiques qui restent utiles pour comparer les systèmes et infrastructures d'IA actuels, couvrant les LLMs, les GPUs, les cloud GPUs, les agents d'IA, l'IA tabulaire et la cybersécurité.

Nous avons commencé par définir le périmètre du dataset. Nous sommes concentrés sur les benchmarks qui mesurent la capacité des models, la performance de l'infrastructure, le coût, la latence, la fiabilité ou la résistance à la contamination. La liste initiale des sources comprenait les principaux fournisseurs de benchmarks et d'analyses, tels que Artificial Analysis, SemiAnalysis, Vals IA, LMArena, AIMultiple et Epoch IA, ainsi que les sites web officiels des benchmarks, les dépôts GitHub, les articles universitaires, les pages de classement et les agrégateurs tiers de benchmarks pertinents.

Pour chaque benchmark, nous avons enregistré des champs descriptifs et évaluatifs. Les champs descriptifs indiquent ce qu'est le benchmark, ce qu'il mesure, quels produits ou models sont évalués et à quelle fréquence il est mis à jour. Les champs évaluatifs indiquent si le benchmark mesure la performance, le prix, la latence ou la fiabilité. Nous avons également collecté des informations sur la structure du benchmark et l'intégrité des données.

Nous avons privilégié les sources primaires autant que possible. Celles-ci comprenaient les pages officielles de méthodologie des benchmarks, les pages de classement, les dépôts GitHub, les articles sur les benchmarks et la documentation des fournisseurs. Lorsqu'une source primaire ne fournissait pas un champ spécifique, nous avons utilisé des sources secondaires ou des agrégateurs réputés pour combler les lacunes, notamment pour les meilleurs scores, la couverture actuelle des models et les dates de mesure récentes. Des colonnes de source ont été incluses dans tout le dataset afin que la preuve de chaque valeur puisse être retracée jusqu'à sa source.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{800+ principaux benchmarks d'IA}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-benchmarks}},
  note   = {AIMultiple. Consulté le 13 Août 2026}
}

Sıla Ermut

Analyste sectoriel

Suivre

Sıla Ermut est une analyste sectorielle chez AIMultiple couvrant les modèles d'IA, l'infrastructure d'IA, la gouvernance de l'IA et les applications d'IA en entreprise. Ses recherches se concentrent principalement sur l'utilisation de l'IA dans le marketing, la santé, les chaînes d'approvisionnement et la durabilité. Elle a précédemment travaillé comme recruteuse dans des sociétés de gestion de projet et de conseil. Sıla est titulaire d'un Master en psychologie sociale et d'une Licence en Relations Internationales.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire