L'avenir des grands modèles de langage

Découvrez l'avenir des grands modèles de langage en explorant des approches prometteuses, telles que l'auto-apprentissage, la vérification des faits et l'expertise parcimonieuse, qui pourraient remédier aux limites des LLM.

Comparaison des taux de réussite des LLM

Claude Sonnet 4.6 a dominé le benchmark avec un score global de 0.748, les variantes de base et de réflexion étant à égalité à trois décimales près. Claude Opus 4.8 (0.702), Opus 4.6 de base (0.706) et Opus 4.6 réflexion (0.729) ont suivi, offrant à Anthropic les cinq premières places. Le premier modèle non-Anthropic était Gemini 3.5 Flash, en réflexion avec 0.625. Les variantes GPT se sont regroupées entre 0.57 et 0.60, avec de meilleurs scores backend compensés par une instabilité du frontend. Voir plus de détails dans notre article de benchmark.

Méthodologie du benchmark des LLM

Nous avons évalué les principaux grands modèles de langage à travers 10 tâches de développement logiciel à l'aide d'un harnais CLI agentique. Chaque modèle a été exécuté 3 fois par tâche (30 échantillons par modèle, 270 cellules de validation par itération) pour stabiliser les scores et mesurer la variance par cellule. Tous les modèles ont été accessibles via OpenRouter dans des conditions identiques, même harnais, mêmes instructions de tâche, même environnement matériel.

Modèles testés

Le benchmark couvre les modèles disponibles via l'API à la date de juin 2026. Toutes les variantes listées ci-dessous ont été testées indépendamment :

• Claude Sonnet 4.6 (base et réflexion)
• Claude Opus 4.8
• Claude Opus 4.6 (base et réflexion)
• Claude Opus 4.7
• Gemini 3.5 Flash (base et réflexion)
• GPT 5.5 (réflexion)
• GPT 5.4 Mini
• GPT 5.3 Codex
• MiniMax M3
• Grok 4.3
• Qwen 3.6 Plus (base et réflexion)
• GLM 5.1 (base et réflexion)
• Deepseek V4 Pro (base et réflexion)

Environnement de test

Chaque agent et chaque tâche démarre dans un environnement propre. Les instructions de tâche sont fournies sous forme de fichier TASK.md. Un chien de garde de type battement de cœur de 20 minutes surveille chaque exécution. Nous enregistrons les codes de sortie, le temps d'exécution, la création de fichiers backend et frontend, ainsi que l'utilisation de tokens en temps réel dans les catégories d'entrée, de sortie et de cache.

Les tâches vont des systèmes de réservation aux tableaux de bord interactifs. Toutes nécessitent une gestion de projet multifichiers et un livrable full-stack fonctionnel.

Notation

Validation backend : Les projets générés sont déployés dans des environnements isolés et testés par rapport à un contrat YAML canonique couvrant les scénarios nominaux, la gestion des erreurs (400/403/409) et la cohérence des données. Deux modes sont utilisés :

• Mode adaptatif valide la fonctionnalité même lorsque les noms de routes diffèrent de la spécification
• Mode strict exige le respect exact du contrat (routes, codes de statut, champs de réponse)

Score backend par cellule : backend_overall = has_backend × (0.7 × adaptive_pass_rate + 0.3 × strict_pass_rate)

Validation de l'interface utilisateur : L'automatisation du navigateur simule des parcours utilisateur réels, y compris les contrôles préliminaires, le rendu, la soumission de connexion et le comportement après connexion. Huit étapes réparties en deux groupes :

• Étapes d'infrastructure (pré-vérification backend, rendu frontend, formulaire de connexion visible, envoi de connexion, connexion 2xx, aucune erreur d'exécution)
• Étapes comportementales (signal d'authentification après connexion, signal de comportement après connexion)

Score de l'interface utilisateur par cellule : ui_score = (behavior_passed / (behavior_passed + behavior_failed)) × (infra_passed / infra_total)

Les étapes comportementales bloquées sont exclues du dénominateur de comportement afin qu'une cellule ne soit pas doublement pénalisée lorsque l'application ne se charge pas.

Score final : Final Score = (0.7 × backend_overall) + (0.3 × ui_score)

Le backend est davantage pondéré car les défaillances logiques au niveau de l'API invalident généralement tout succès du frontend.

Mesure des coûts

Le coût par cellule est calculé à partir de l'utilisation des tokens extraite de la réponse LLM API. Les tokens d'entrée mis en cache sont soustraits du total des tokens d'entrée pour obtenir l'entrée effective (uniquement les tokens nouvellement traités). Les tokens de sortie ne sont jamais mis en cache et restent inchangés. Les tarifs par token proviennent de la LLM Pricing au moment des tests.

Limites

• Périmètre des tâches : Les 10 tâches sont toutes des constructions d'applications web full-stack. Le benchmark ne couvre pas les tâches de raisonnement pur, la résolution de problèmes scientifiques, la synthèse ni les charges de travail spécifiques à un domaine (juridique, médical, financier). Les scores reflètent spécifiquement la capacité de codage agentique.
• Accès via l'API uniquement : Tous les modèles ont été testés via l'API. Les déploiements locaux ou sur site des mêmes modèles peuvent produire des résultats différents selon la quantification, le matériel et la configuration d'inférence.
• Instantané temporel : Les versions des modèles changent. Les résultats reflètent la version de l'API active au moment du test. Une mise à jour du modèle peut faire évoluer les scores dans un sens ou dans l'autre sans préavis du fournisseur.
• Style d'appel d'outils : Les modèles diffèrent dans la manière dont ils structurent les écritures et modifications de fichiers (par exemple, OpenAI : le apply_patch regroupe un diff de fichier complet en un seul appel ; les modèles Anthropic écrivent et rééditent sur plusieurs appels). Le nombre d'appels d'outils n'est pas un proxy direct de la qualité.
• Harnais unique : Tous les tests ont utilisé Opencode comme harnais d'agent. Un harnais différent peut produire des classements relatifs différents, en particulier pour les modèles dont le comportement par défaut est réglé pour des schémas d'utilisation d'outils spécifiques.

Tendances futures des grands modèles de langage

1- Vérification des faits en temps réel avec des données en direct

Les LLM accèdent à des sources externes pendant les conversations au lieu de se fier uniquement aux données d'entraînement. Le modèle interroge des bases de données externes, récupère des informations actuelles et fournit des citations.

Limite : Fait encore des erreurs. Les citations ne garantissent pas l'exactitude ; les modèles citent parfois des sources de manière incorrecte ou interprètent mal le contenu cité.

Microsoft Copilot : Intègre GPT-5.4 Thinking avec des données Internet en direct, en introduisant les modes « Réponse rapide » et « Réfléchir davantage » pour un raisonnement adapté à différents types de tâches.¹ L'agent Researcher combine GPT pour la recherche initiale avec Anthropic et Claude qui examine les résultats pour en vérifier l'exactitude et la qualité des citations avant d'obtenir une amélioration de 13.8 % sur le benchmark de recherche approfondie DRACO par rapport aux systèmes autonomes.²

• ChatGPT : recherche sur le web lorsqu'on l'interroge sur des événements récents. Cite des sources dans ses réponses.
• Perplexity : Conçu spécifiquement pour la recherche citée. Chaque réponse inclut des liens sources.

2- Données d'entraînement synthétiques

Les modèles génèrent leurs propres datasets d'entraînement au lieu d'exiger des données étiquetées par des humains.

Modèle auto-améliorant de Google (recherche de 2023) :

• Le modèle crée des questions
• Il organise les réponses
• Il se fine-tune lui-même sur les données générées

Performance améliorée : de 74.2 % à 82.1 % sur les problèmes mathématiques GSM8K, de 78.2 % à 83.0 % sur la compréhension de lecture DROP.

OpenAI, Anthropic et Google utilisent tous des données synthétiques pour compléter les datasets étiquetés par des humains. Cela réduit les coûts d'étiquetage des données, mais introduit de nouveaux risques de biais ; les modèles peuvent amplifier leurs propres erreurs.

Source : « Large Language Models Can Self-Improve »

Une enquête de mars 2026 a révélé que 76 % des chercheurs en IA estiment que les gains issus de la mise à l'échelle de la puissance de calcul et des données ont atteint un plateau, les grands laboratoires signalant des rendements décroissants malgré des investissements massifs. Ce constat suggère que le prochain bond des capacités des LLM viendra plus probablement de l'innovation architecturale, telle qu'une meilleure efficacité d'entraînement, des architectures parcimonieuses ou des améliorations du raisonnement, plutôt que d'une simple mise à l'échelle accrue des approches existantes.³

3- Modèles experts parcimonieux (mélange d'experts)

Au lieu d'activer l'ensemble du réseau de neurones pour chaque entrée, seul un sous-ensemble pertinent de paramètres s'active, selon la tâche. Le modèle achemine l'entrée vers des « experts » spécialisés au sein du réseau. Seuls les experts activés traitent la requête.

Exemples concrets :

• Llama 4 Scout : 109B paramètres au total, 17B actifs par token. L'architecture de mélange d'experts (MoE) offre une fenêtre de contexte de 10M tokens sur un seul H100 GPU.
• Mistral Devstral 2 : Conçu spécialement pour les tâches d'ingénierie logicielle. 123B paramètres, fenêtre de contexte de 256K tokens. Atteint 72.2 % sur SWE-bench Verified, ce qui en fait le principal modèle de codage à poids ouverts. Une variante plus petite, Devstral Small 2 (24B paramètres), fonctionne localement sur du matériel grand public sous la licence Apache 2.0.⁴
• Dans notre benchmark A-CODE-LLM, les variantes de base et de réflexion de DeepSeek V4 Pro ont toutes deux obtenu un score inférieur à 0.45 au global, avec des temps d'exécution dépassant 1 700 secondes par tâche. La capacité de codage agentique du modèle est en retrait par rapport à ses solides performances de benchmark en requête unique, reflétant probablement une moindre maturité d'utilisation des outils face aux modèles frontières Anthropic et Google à ce stade.

4- Intégration aux flux de travail d'entreprise

Les LLM sont intégrés directement dans les processus métier plutôt que d'être utilisés comme des outils autonomes.

Exemples concrets :

• Salesforce Agentforce (anciennement Einstein Copilot) : Intègre les LLM dans les opérations CRM. Répond aux requêtes des clients, génère du contenu et exécute des actions dans Salesforce, en s'appuyant sur les données et métadonnées CRM de l'organisation via l'Einstein Trust Layer.⁵
• Microsoft 365 Copilot : Intégré dans Word, Excel, PowerPoint et Outlook. Rédige des documents, analyse des feuilles de calcul, génère des présentations et résume des fils de courriels, en s'appuyant sur les données de l'entreprise via Microsoft Graph pour ancrer les réponses dans le contexte organisationnel.⁶ L'agent Researcher utilise une architecture multimodèle où GPT gère la recherche initiale et Claude examine les sorties avant la livraison, ce qui constitue le premier déploiement commercial confirmé de fournisseurs d'IA concurrents au sein d'un même produit d'entreprise.
• Anthropic Claude for Enterprise : La séparation de la mémoire par projet maintient les contextes de travail distincts entre les équipes. Claude Opus 4.6 a introduit les équipes d'agents, permettant à plusieurs agents Claude de répartir des tâches plus importantes en flux de travail parallèles, chacun possédant un segment et se coordonnant avec les autres simultanément. La même version a intégré Claude directement dans PowerPoint sous forme de panneau latéral natif (aperçu de recherche), permettant de créer et de modifier des présentations dans l'application sans transfert de fichiers.⁷

5- LLM hybrides dotés de capacités multimodales

Les grands modèles multimodaux intègrent plusieurs formes de données, telles que le texte, les images et l'audio, ce qui leur permet de comprendre et de générer du contenu sur différents types de médias.

• Dans notre benchmark A-CODE-LLM, GPT 5.5 en mode réflexion a obtenu 0.597 avec un temps moyen d'exécution de 276 secondes, le modèle plus rapide au-dessus de 0.50 en temps. Le coût par cellule via l'API était de $0,41–$0,45 pour les variantes mini, soit environ un tiers du coût de Claude Sonnet 4.6 à des plages de scores similaires.
• Gemini 2.5 Pro : Gère nativement le texte, l'audio, les images, la vidéo et des dépôts de code entiers dans une fenêtre de contexte de 1M tokens. Disponible sur Google IA Studio, Vertex IA et NotebookLM. La tarification commence à $1,25 par million de tokens d'entrée et $10 par million de tokens de sortie via l'API.⁸
• Llama 4 Scout et Maverick : Les modèles à poids ouverts de Meta utilisent des tokens multimodaux texte et vision à fusion précoce, entraînés ensemble dès le départ plutôt qu'ajoutés comme des modules séparés. Les modèles ont été pré-entraînés dans 200 langues et ont bénéficié d'un support de fine-tuning spécifique pour 12 langues, dont l'arabe, l'espagnol, l'allemand et le hindi.⁹

La capacité multimodale est standard parmi les modèles frontières. Le défi restant est la cohérence : les modèles obtiennent de bons résultats sur les combinaisons image-texte courantes, mais se dégradent sur les contextes visuels rares, les entrées à faible résolution et le raisonnement intermodal qui nécessite de relier les preuves visuelles et textuelles.

6- Modèles de raisonnement

Les modèles qui réfléchissent aux problèmes étape par étape plutôt que de générer des réponses immédiates.
Ce passage de la prédiction au raisonnement est essentiel pour permettre :

• Comportement agentique, où les modèles planifient, exécutent et adaptent les tâches de manière autonome.
• IA interprétable, où les sorties sont étape par étape et logiquement solides, et non pas seulement plausibles.
• Claude Sonnet 4.6 : le leader actuel de la production d'Anthropic sur les benchmarks de codage agentique, avec un score de 0.748 dans le benchmark A-CODE-LLM d'AIMultiple, au-dessus de toutes les variantes Opus. Utilise la réflexion adaptative, où le modèle détermine dynamiquement la profondeur du raisonnement en fonction de la complexité de la tâche sans nécessiter de changement manuel de mode. La tarification est de $3/$15 par million de tokens. Sur SWE-bench Verified, Sonnet 4.6 atteint 79.6 %, à un point du 80.8 % d'Opus 4.7, pour un cinquième du coût.
• Claude Opus 4.7 : le produit phare d'Anthropic pour le raisonnement complexe en plusieurs étapes et la vision (98.5 % sur le benchmark d'acuité visuelle de XBOW, contre 54.5 % pour la génération précédente). Tarifé à $5/$25 par million de tokens. Dans le benchmark d'AIMultiple, Opus 4.7 a obtenu 0.61, en dessous de Sonnet 4.6 (0.748) et d'Opus 4.8 (0.702), principalement en raison d'une latence plus élevée (1 562 secondes en moyenne par tâche) qui dégrade les scores de l'interface utilisateur. L'écart par rapport à Sonnet se creuse sur les tâches de raisonnement abstrait telles que ARC-AGI-2.
• Claude Opus 4.8 : Sorti après Opus 4.7, comblant la régression du 4.7 en codage agentique. A obtenu 0.702 dans le bench A-CODE-LLM, cinquième au classement général. A terminé la tâche de référence en 34 secondes, le modèle plus rapide du benchmark sur cette tâche avec seulement 6 appels d'outils. Tarification : $2,92 par cellule dans les conditions du benchmark ($15/$75 par million de tokens).

7- Modèles fine-tunés spécifiques au domaine

Des modèles entraînés sur des données spécialisées pour des secteurs spécifiques au lieu d'un entraînement généraliste.
Google, Microsoft et Meta ont tous publié d'importants modèles propriétaires spécifiques au domaine et fine-tunés ciblant des cas d'usage d'entreprise, en plus de leurs offres généralistes.
Ces LLM spécialisés peuvent réduire les hallucinations et améliorer la précision en tirant parti d'un pré-entraînement spécifique au domaine, de l'alignement des modèles et du fine-tuning supervisé.

Codage

GitHub Copilot : Fine-tuné sur des dépôts de code. En juillet 2025, 20 millions de développeurs utilisent GitHub Copilot, soit une augmentation de 400 % en glissement annuel, et 90 % des entreprises du Fortune 100 l'utilisent. Il complète automatiquement le code, génère des fonctions et suggère des corrections de bugs.¹⁰

Finance

BloombergGPT : 50 milliards de paramètres, LLM entraîné sur un dataset de 363 milliards de tokens de documents financiers Bloomberg, surpassant les modèles de taille comparable sur les benchmarks NLP financiers, notamment l'analyse de sentiment, la reconnaissance d'entités nommées et la réponse aux questions.¹¹

Santé

Med-PaLM 2 de Google : Fine-tuné sur des datasets médicaux, il a atteint une précision de 85 %+ sur des questions de type United States Medical Licensing Examination (USMLE), le premier LLM à atteindre des performances de niveau expert sur ce benchmark. Il alimente MedLM, la famille de modèles de fondation pour la santé de Google Cloud.¹²

Droit

ChatLAW : Un modèle de langage open source spécifiquement entraîné sur des datasets du domaine juridique chinois.¹³

8- IA éthique et atténuation des biais

Les entreprises se concentrent de plus en plus sur l'IA éthique et l'atténuation des biais dans le développement et le déploiement des grands modèles de langage.

• Anthropic et OpenAI ont mené une évaluation mutuelle de l'alignement à la mi-2025, testant les modèles publics l'un de l'autre pour la sycophancie, les tendances à lancer l'alerte et les comportements d'auto-préservation. L'exercice a révélé de la sycophancie dans tous les modèles testés, y compris des cas où les modèles validaient des décisions nuisibles de la part d'utilisateurs simulés présentant des croyances délirantes. Anthropic a ensuite développé le framework de test Bloom spécifiquement pour évaluer ce comportement dans les nouveaux modèles.
• Anthropic a également publié Claude Mythos Preview (Project Glasswing), un modèle sur invitation uniquement mis à la disposition d'un petit ensemble d'organisations spécialement pour identifier et corriger des vulnérabilités de cybersécurité dans les principaux systèmes d'exploitation et navigateurs web. Anthropic a déclaré qu'elle ne prévoit pas de rendre ce modèle accessible au grand public. L'approche à accès contrôlé représente un nouveau framework pour déployer des modèles spécialisés hautement capables lorsque le profil de risque exige un déploiement restreint.¹⁴
• Google DeepMind : a publié « The Ethics of Advanced IA Assistants », offrant le premier traitement systématique des questions éthiques et sociétales soulevées par les agents IA, couvrant l'alignement des valeurs, les risques de manipulation, l'anthropomorphisme, la vie privée et l'équité. L'évaluation Responsible IA de l'entreprise comprenait plus de 350 exercices contradictoires de red-team et a introduit un nouveau niveau de capacité critique spécifiquement pour la manipulation nuisible, le traitant comme un risque de niveau frontière aux côtés des cyberattaques et des menaces CBRN.

Limites des grands modèles de langage (LLMs)

1- Hallucinations

Les modèles génèrent des informations plausibles mais incorrectes.

Le classement des hallucinations de Vectara est le benchmark de summarisation ancrée le plus largement référencé du secteur. Sur le dataset Vectara original, les modèles Gemini de Google occupent systématiquement les premières positions, les variantes Gemini Flash atteignant des taux d'hallucination inférieurs à 1 %. La famille GPT d'OpenAI se regroupe entre 0.8 % et 2.0 %.

Vectara a lancé fin 2025 un benchmark nettement plus difficile avec 7 700 articles (contre 1 000), des documents plus longs allant jusqu'à 32K tokens et des contenus couvrant le droit, la médecine, la finance et la technologie. Les résultats sur le nouveau dataset révèlent une tendance contre-intuitive : les modèles de raisonnement et de réflexion qui excellent dans les tâches complexes hallucinent souvent davantage en summarisation ancrée que les modèles plus petits et plus rapides. La plupart des modèles de classe « thinking » présentent des taux d'hallucination supérieurs à 10 % sur le dataset plus difficile, tandis que des modèles plus légers comme les variantes Gemini Flash maintiennent des taux plus faibles.¹⁵

Remarque : Aucun benchmark unique ne donne un « taux d'hallucination » définitif pour un modèle. Une évaluation responsable croise au moins deux benchmarks mesurant des choses différentes : une tâche ancrée (Vectara), une tâche de connaissances ouverte, et précise la version exacte du modèle et les conditions d'appel.

Tous les modèles hallucinent. La fréquence a nettement diminué, passant d'environ 21 % en 2021 à moins de 5 % pour les meilleurs sur les benchmarks standards, mais elle n'est pas éliminée. Les applications critiques exigent toujours une vérification humaine.

2- Biais

Les modèles absorbent et amplifient les biais sociaux présents dans les données d'entraînement.

Figure : Scores globaux de biais par modèles et par taille

Source : Arxiv¹⁶

Types de biais observés :

• Biais de genre dans les suggestions de professions
• Biais racial dans les simulations de tri de CV
• Biais d'âge dans les recommandations de soins de santé
• Biais socio-économique dans les contenus éducatifs

3- Toxicité

Les modèles peuvent générer du contenu nuisible, offensant ou toxique malgré les mesures de sécurité.

Figure : carte de toxicité des LLM

Source : chercheurs de l'UCLA et de l'UC Berkeley¹⁷

*GPT-4-turbo-2024-04-09*, Llama-3-70b* et Gemini-1.5-pro* sont utilisés comme modérateur, les résultats pourraient être biaisés sur ces 3 modèles.

Des mesures de sécurité strictes réduisent la toxicité, mais augmentent les faux positifs (refus de requêtes inoffensives). Des mesures laxistes laissent passer la toxicité.

4- Limites de la fenêtre de contexte

Chaque modèle dispose d'une capacité de mémoire fixe correspondant au nombre de tokens qu'il peut traiter en une seule session. Si cette limite est dépassée, le modèle tronque le contenu antérieur ou refuse la requête. L'écart pratique entre les modèles est suffisamment important pour avoir un impact sur les charges de travail réelles.

Fenêtres de contexte les plus récentes :

• Llama 4 Scout (Meta) : 10M tokens (~7.5M mots), la plus grande fenêtre de contexte vérifiée en production parmi les modèles leaders.¹⁸ En pratique, cela signifie charger des bases de code entières, des archives juridiques ou des historiques de conversation de plusieurs jours sans découpage.
• Gemini 2.5 Pro : 1 048 576 tokens (~780 000 mots), avec une entrée multimodale native couvrant texte, audio, images et vidéo dans la même fenêtre. Le rappel se maintient à 100 % jusqu'à 530 000 tokens et à 99.7 % à la limite maximale d'un million de tokens.
• Claude Sonnet 4.6 : 1M tokens (~750 000 mots) au tarif standard, disponible sans en-têtes bêta ni configuration spéciale.¹⁹
• GPT-5.5 : fenêtre de contexte de 1M tokens au niveau de l'API.²⁰

Une grande fenêtre de contexte ne signifie pas automatiquement de meilleures performances sur toute sa longueur. Le rappel se dégrade vers le milieu des contextes très longs sur la plupart des modèles, et les coûts augmentent avec la longueur d'entrée : traiter 1M tokens coûte nettement plus cher que traiter 10K tokens sur le même modèle. Pour la plupart des charges de travail en production, la question pratique n'est pas de savoir quel modèle a la plus grande fenêtre, mais quel modèle récupère de manière fiable aux longueurs de contexte réellement requises par votre cas d'usage.

5- Limite statique des connaissances

Les modèles s'appuient sur des connaissances pré-entraînées avec une date de fin spécifique. Ils n'ont pas accès aux informations postérieures à l'entraînement, sauf s'ils sont connectés à des sources externes.

Problèmes :

• Informations obsolètes sur l'actualité
• Incapacité à gérer les évolutions récentes
• Moins de pertinence dans les domaines dynamiques (technologie, finance, médecine)

Solution : Intégration de la recherche web. ChatGPT, Claude et Perplexity proposent tous une recherche en temps réel. Mais la recherche n'élimine pas les hallucinations ; les modèles interprètent parfois mal les résultats de recherche.

Principales plateformes de LLM

GPT-5.5

Le produit phare actuel d'OpenAI a été publié le 23 avril 2026. Construit autour d'un effort de raisonnement configurable, les développeurs définissent la profondeur de réflexion par requête (de none à xhigh), afin que les requêtes simples ne consomment pas la puissance de calcul réservée aux problèmes difficiles. Le modèle excelle dans le codage agentique, l'utilisation d'ordinateurs et les tâches à long horizon où il doit conserver le contexte sur de grands systèmes et vérifier son propre travail en cours d'exécution.²⁰

Qui l'utilise : Développeurs, entreprises et créateurs de contenu. La plus grande base d'utilisateurs parmi les LLM.

Limites : $5/$30 par million de tokens, le tarif de base le plus élevé de cette liste. Hallucine encore. Nécessite une intégration de recherche web pour tout ce qui dépasse sa date de fin d'entraînement.

Claude Opus 4.8 / Sonnet 4.6

Claude Sonnet 4.6 domine le benchmark A-CODE-LLM d'AIMultiple avec un score global de 0.748 à $1,26–$1,33 par cellule, au-dessus de toutes les variantes Opus testées. Claude Opus 4.8 suit avec 0.702, se remettant de la régression de l'Opus 4.7 (0.61) à $2,92 par cellule. L'Opus 4.7 reste le plus performant sur les tâches de raisonnement complexe en plusieurs étapes et de vision (98.5 % sur le benchmark d'acuité visuelle de XBOW), mais son temps d'exécution moyen de 1 562 secondes dans les flux de travail agentiques pousse le coût total à $3,08 par cellule, ce qui en fait le modèle plus cher du benchmark.

Sonnet 4.6 comme les variantes Opus utilisent la réflexion adaptative : le modèle détermine la profondeur du raisonnement en fonction de la complexité de la tâche sans nécessiter de changement de mode manuel. Sonnet 4.6 a effectué le moins d'appels d'outils par tâche parmi les modèles Anthropic (51 en mode de base, 48 en mode réflexion), atteignant le meilleur score du benchmark avec moins d'itérations que les variantes Opus (56–70 appels d'outils). Les équipes d'agents, disponibles sur l'ensemble de la gamme de production d'Anthropic, permettent à plusieurs instances de Claude de répartir une tâche en flux de travail parallèles coordonnés en temps réel.

Qui l'utilise : Les développeurs et les entreprises qui exécutent des pipelines de codage agentique, de recherche ou multi-agents. Les équipes privilégiant l'efficacité des coûts utilisent Sonnet 4.6 ; les équipes exécutant des charges de travail à forte composante visuelle ou de raisonnement complexe utilisent Opus 4.7.

Limites : La réflexion étendue est plus lente et plus coûteuse par token. L'écart de performance par rapport à Sonnet se creuse sur les tâches de raisonnement abstrait (ARC-AGI-2). Opus 4.8 est tarifé à $15/$75 par million de tokens.

Gemini 3.5 Flash

Gemini 3.5 Flash en mode réflexion a obtenu 0.625, le meilleur résultat non-Anthropic à $1,30 par cellule et 390 secondes de temps moyen d'exécution. La variante de base a obtenu un score inférieur à la réflexion pour un coût plus élevé ($0,56 par cellule de référence), en raison d'une réécriture excessive (131 lignes pour une tâche dont la solution de référence est d'environ 50 lignes).

Llama 4 Scout

Le modèle MoE à poids ouverts de Meta. 109B paramètres au total, 17B actifs par token, fonctionne sur un seul NVIDIA H100 GPU avec quantification int4. L'implication pratique est qu'une fenêtre de contexte de 10M tokens est accessible sans contrat de centre de données.¹⁸ La multimodalité à fusion précoce signifie que le texte et la vision sont traités conjointement dès la première couche plutôt que combinés à l'étape de sortie. Disponible sous la licence Llama 4 Community de Meta.

Qui l'utilise : Chercheurs, organisations ayant besoin d'un déploiement sur site, développeurs évitant l'enfermement chez un fournisseur et équipes pour lesquelles le coût à l'échelle rend la tarification de l'API intenable.

Limites : Les performances dépendent fortement de la configuration d'hébergement et des choix de quantification. Nécessite un investissement dans l'infrastructure et des capacités de ML ops. Moins de finition de production que les modèles commerciaux.

DeepSeek V4

Le modèle de quatrième génération de DeepSeek est disponible en aperçu. Il utilise une architecture MoE d'un billion de paramètres, environ 50 % plus grande que V3, avec des capacités multimodales couvrant le texte, l'image et la vidéo. Le Thinking in Tool-Use permet au modèle de raisonner en interne avant d'appeler des outils externes et de vérifier les sorties des outils par rapport à sa propre logique, ce qui constitue le principal différenciateur pour les flux de travail agentiques. La tarification d'entrée de l'API commence à $0,27 par million de tokens (cache-miss), soit environ 18x moins cher que GPT-5.5.²¹

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

FAQ

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{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{L'avenir des grands modèles de langage}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/future-of-large-language-models}},
  note   = {AIMultiple. Consulté le 25 Juin 2026}
}

Journal des modifications

10 mises à jour

1. 20262 Mai

   Remplacement de GPT-5.2, Gemini 3.1 Pro et DeepSeek V3.2 par GPT-5.5, Gemini 2.5 Pro, DeepSeek V4 et Claude Opus 4.7.

2. 25 Fév

   Mis à jour les données des 'Exemples concrets' dans la section 'Domain-Specific Fine-Tuned Models'.

3. 26 Jan

   Mise à jour de la section "Tendances futures des grands modèles linguistiques" avec de nouveaux exemples de vérification des faits en temps réel.

4. 202527 Mai

   Ajout des modèles de raisonnement à la section des approches prometteuses.

5. 202412 Sep

   La section « Quel est l'état actuel des grands modèles linguistiques ? » a été remplacée par un nouveau contenu.

6. 10 Sep

   La section « Quel est l'avenir des grands modèles linguistiques ? » a été mise à jour avec de nouvelles catégories et des exemples concrets.

7. 9 Sep

   Mise à jour de l'introduction avec de nouvelles statistiques de visiteurs pour ChatGPT.

8. 8 Sep

   Ajout de Claude 3 (Anthropic) à la liste des LLM.

9. 7 Sep

   Figure 1 supprimée de l'introduction.

10. 5 Sep

    Ajout de modèles multimodaux à la section « Données d'entraînement synthétiques ».

Liens de référence

1.

Available today: GPT-5.4 Thinking in Microsoft 365 Copilot | Microsoft Community Hub

2.

GPT drafts, Claude critiques: Microsoft blends rival AI models in new Copilot upgrade – GeekWire

GeekWire

3.

Vectara Hallucination Leaderboard: Claude, GPT, Gemini Compared

4.

Introducing: Devstral 2 and Mistral Vibe CLI. | Mistral AI

5.

Salesforce’s Einstein Copilot is Here: The Conversational AI Assistant for CRM that Delivers Trusted AI Responses Grounded with Your Company Data - Salesforce

Salesforce

6.

What is Microsoft Copilot? | Microsoft Learn

7.

Anthropic releases Opus 4.6 with new 'agent teams' | TechCrunch

TechCrunch

8.

Gemini Developer API | Gemma open models  |  Google AI for Developers

Google AI for Developers

9.

meta-llama/Llama-4-Scout-17B-16E-Instruct · Hugging Face

10.

GitHub Copilot crosses 20M all-time users | TechCrunch

TechCrunch

11.

[2303.17564] BloombergGPT: A Large Language Model for Finance

12.

Sharing Google’s Med-PaLM 2 medical large language model, or LLM | Google Cloud Blog

Google Cloud

13.

[2306.16092] Chatlaw: A Multi-Agent Legal Assistant based on a Role-Aligned Mixture-of-Experts Architecture

14.

Claude (AI) - Wikipedia

Contributors to Wikimedia projects

15.

Introducing the next generation of Vectara's Hallucination Leaderboard

16.

Benchmarking Cognitive Biases in Large Language Models as Evaluators

17.

OR-Bench: An Over-Refusal Benchmark for Large Language Models

18.

Welcome Llama 4 Maverick & Scout on Hugging Face

Hugging Face

19.

Claude Platform release notes - Claude Platform Docs

20.

Introducing GPT-5.5 | OpenAI

21.

DeepSeek AI: R1 Reasoning, API & Local Deployment 2026

DeepSeek AI

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sena Sezer

Analyste sectorielle

Suivre

Sena est analyste sectorielle chez AIMultiple. Elle a obtenu sa licence à Bogazici University.

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