Plus de 10 exemples de modèles de langage de grande taille et analyse comparative

Nous avons utilisé des benchmarks open source pour comparer les meilleurs exemples de modèles de langage propriétaires et open source de grande taille. Vous pouvez choisir votre cas d'utilisation pour trouver le modèle adapté.

Comparaison des modèles de langage de grande taille les plus populaires

Nous avons développé un système de notation des modèles basé sur trois indicateurs clés : les préférences des utilisateurs, le codage et la fiabilité.

Vous pouvez également consulter le graphique des prix en parallèle du score final du modèle.

• Raisonnement : Nous avons utilisé notre banc d’essai de raisonnement IA pour tester 100 questions mathématiques dans un contexte d’apprentissage sans exemple, c’est-à-dire sans aucun exemple d’entraînement. Ce banc d’essai a évalué les modèles de raisonnement et les a comparés à des modèles sans raisonnement afin de mettre en évidence leurs différences.
• Codage : La métrique de codage indique les capacités de génération de code du LLM, évaluées par les utilisateurs d’OpenLM.ai. ¹
• Fiabilité : Pour les modèles les plus fiables , nous avons évalué la fiabilité d'un LLM dans la récupération de réponses numériques précises à partir d'articles de presse sur divers sujets ; les réponses ont été vérifiées par rapport à la vérité sur le terrain afin de garantir l'exactitude des chiffres exacts plutôt que des généralisations.

Nous avons élaboré nos indicateurs d'évaluation en tenant compte des besoins des entreprises. Pour ce faire, nous avons utilisé les scores de codage de Chatbot Arena d'OpenLM et appliqué une normalisation min-max à notre tableau de bord, car tous les scores présentaient des intervalles d'évaluation différents.

Cette approche signifie que le modèle ayant obtenu le meilleur score reçoit un score de 100 %, tandis que le modèle ayant obtenu le score le plus faible reçoit un score de 0 % pour chaque indicateur spécifique.

Les résultats des trois indicateurs ont été proportionnés pour se situer entre 0 et 33,3, créant un score total de 100.

Le coût de l'API est indiqué pour 1 000 000 de jetons d'entrée et de sortie par appel. Un article est disponible pour vous aider à comprendre les méthodes de tarification des LLM. Les modèles de tarification varient selon les fournisseurs, mais la tarification au jeton est la plus courante.

Pour faciliter l'estimation des coûts, notre calculateur de prix API LLM vous permet de saisir vos besoins en volume de jetons et de trier les résultats par coût d'entrée, coût de sortie et coût total. Cet outil fournit une ventilation claire des prix en fonction de l'utilisation, permettant ainsi une prise de décision éclairée.

Exemples de modèles de langage de grande envergure

Vous pouvez évaluer les grands modèles de langage en examinant leurs performances de référence et leur latence réelle (disponibles en cliquant sur le nom de chaque modèle dans le tableau), et en consultant leurs tarifs pour comprendre leur efficacité globale et leur rapport coût-efficacité.

Pour approfondir vos connaissances, explorez les comparaisons des modèles actuels et populaires, notamment un aperçu des grands modèles multimodaux (LMM) et de leurs différences avec les LLM , ainsi qu'une analyse détaillée des 30 principales plateformes d'IA conversationnelle.

Analyse détaillée des modèles populaires

1. OpenAI's GPT-5

GPT-5 , publié en août 2025, est le modèle de raisonnement unifié de OpenAI. Il s'adapte automatiquement entre réponses rapides et raisonnement approfondi, selon la tâche. Il est disponible pour tous les niveaux de ChatGPT, avec un raisonnement étendu inclus dans l'accès Pro.

Fonctionnalités principales :

• Combine une réponse rapide et un raisonnement étendu grâce au routage en temps réel.
• Gère jusqu'à 400 000 jetons, permettant l'analyse de documents volumineux et d'entrées multimodales.
• Réduit les hallucinations et les erreurs factuelles par rapport aux modèles précédents.

Points saillants de la performance :

• Obtient d'excellents résultats en mathématiques, en programmation, en tâches multimodales et dans le domaine de la santé.
• Utilise moins de jetons pour un raisonnement complexe, ce qui améliore l'efficacité.
• Offre une meilleure prise en charge du codage pour le débogage, la génération du front-end et la logique de conception.
• Produit un texte plus cohérent et structuré avec un meilleur contrôle du ton.

Des variantes pour différents besoins :

• Pro (réflexion) : mode de raisonnement étendu pour les tâches professionnelles complexes.
• Standard : option équilibrée pour une utilisation générale.
• Mini : modèle économique pour les tâches de routine.
• Nano : version légère pour les applications à grand volume ou embarquées.

OpenAI GPT-5.2

La version OpenAI GPT-5.2 met l'accent sur des performances accrues sur les tâches complexes et à plusieurs étapes telles que la création de feuilles de calcul et de présentations, le codage, la compréhension d'images, le raisonnement sur un contexte long et l'utilisation fiable d'outils.

OpenAI rapporte que GPT-5.2 atteint des résultats de pointe sur de multiples benchmarks, y compris GDPval, où il surpasse ou égale les professionnels humains sur une grande partie des tâches professionnelles du monde réel.

Le modèle offre également de meilleures performances en ingénierie logicielle (par exemple, SWE-Bench Pro et SWE-Bench Verified), une réduction des erreurs d'interprétation et une compréhension nettement améliorée des documents longs. Grâce à ces améliorations, GPT-5.2 est mieux adapté à l'analyse des contrats, des rapports et des projets multi-fichiers.

GPT-5.2 améliore également les capacités de vision pour l'interprétation des graphiques et des interfaces, et atteint une fiabilité élevée dans les benchmarks d'appel d'outils, prenant en charge l'automatisation de bout en bout dans les flux de travail tels que le support client et l'analyse des données. ²

2. Claude 4.6

Anthropic a introduit Claude Sonnet 4.6, son modèle Sonnet le plus avancé en février 2026. Il apporte des améliorations importantes en matière de codage, de raisonnement sur un contexte long, de planification des agents, d'utilisation de l'ordinateur et de travail intellectuel :

• Fenêtre de contexte : Le modèle inclut une fenêtre de contexte de 1 million de jetons (bêta) et devient l’option par défaut pour les utilisateurs Free et Pro sur Claude.ai, avec un prix inchangé par rapport à Sonnet 4.5.
• Performances : Anthropic affirme que Sonnet 4.6 comble une grande partie de l'écart avec les modèles de classe Opus, offrant des performances proches du niveau de pointe pour les tâches économiquement précieuses tout en restant plus rentable.
• Capacités d'utilisation de l'ordinateur : Il permet à Claude d'utiliser des logiciels par clics et saisie plutôt que par le biais d'API, et il présente une plus grande résistance aux attaques par injection de requêtes.

Les mises à jour supplémentaires de la plateforme comprennent une utilisation améliorée des outils, une compression du contexte et des intégrations étendues, telles que les connecteurs MCP dans Claude pour Excel, permettant des flux de travail plus automatisés à travers les systèmes d'entreprise.

3. Gémeaux

Gemini 3 Pro est le dernier modèle de base multimodal de DeepMind conçu pour le raisonnement complexe et les tâches de niveau professionnel.

Les capacités comprennent :

• Raisonnement et compréhension avancés : Gemini 3 Pro produit des réponses détaillées pour des tâches complexes, allant au-delà des réponses superficielles.
• Intelligence multimodale : elle traite et synthétise nativement les informations provenant de textes , d'images , d'audio, de vidéo et de code .
• Amélioration des capacités de codage et d'automatisation : Gemini 3 Pro privilégie le codage intuitif et l'automatisation. Il peut suivre des instructions, écrire du code et s'intégrer aux outils plus efficacement que les générations précédentes, prenant en charge les tâches en plusieurs étapes et les flux de travail autonomes.

Dans toutes les évaluations clés, Gemini 3 Pro obtient des scores de pointe par rapport aux autres grands modèles, démontrant des atouts remarquables en matière de raisonnement, de compréhension multimodale, de mathématiques et de tâches de codage.

Il démontre également d'excellentes performances sur les benchmarks de vision et multimodaux, tels que ScreenSpot-Pro et Video-MMMUi, indiquant une meilleure interprétation des images, des vidéos et des données visuelles que de nombreux concurrents. ³

4. DeepSeek-R1

DeepSeek-R1 est le dernier modèle de langage étendu (LLM) de DeepSeek-AI, axé sur le raisonnement et basé sur une architecture de type Transformer. Il intègre un entraînement multi-étapes, l'apprentissage par renforcement (RL) et des données de démarrage à froid pour un raisonnement amélioré.

Versions :

• DeepSeek-R1-Zero : Entraîné par RL sans ajustement fin supervisé, excellant dans le raisonnement mais avec des défis de lisibilité.
• DeepSeek-R1 : Amélioré grâce à un entraînement en plusieurs étapes, rivalisant avec les modèles de niveau GPT-4.

De plus, six modèles distillés (1,5B–70B paramètres) basés sur Qwen et Llama répondent à différents besoins de calcul.

5. Qwen (Alibaba Cloud)

Les modèles Qwen permettent de dimensionner les données et les modèles pour des applications d'IA avancées. La dernière version, Qwen2.5-Max, utilise un modèle Mixture of Experts (MoE) et est pré-entraînée sur plus de 20 000 milliards de jetons avec RLHF et SFT.

Qwen3.5 et Qwen3.5-Plus

Qwen a publié Qwen3.5 , en commençant par son premier modèle à poids ouvert, Qwen3.5-397B-A17B, un modèle multimodal natif (vision-langage) pour le raisonnement, la génération de code, les flux de travail des agents et la compréhension multimodale.

Le modèle utilise une architecture hybride qui combine l'attention linéaire (réseaux delta à portes) avec un modèle de mélange d'experts clairsemé. Qwen a également considérablement étendu la couverture multilingue, faisant passer la prise en charge de 119 à 201 langues et dialectes.

Alibaba a également introduit Qwen3.5-Plus, une version hébergée disponible via Alibaba Cloud Model Studio, dotée d'une fenêtre de contexte de 1M de jetons et d'une prise en charge intégrée des outils avec une utilisation adaptative des outils.

Les résultats des tests de référence suggèrent que Qwen3.5-397B-A17B offre des performances compétitives par rapport aux modèles de pointe dans le domaine du raisonnement linguistique, du suivi des instructions, du codage, des tests de référence des agents, des évaluations multilingues et des tâches de vision-langage telles que la compréhension de documents, le raisonnement spatial et la compréhension vidéo.

6. Lama 4

Sortie en avril 2025, Llama 4 est la dernière famille de modèles multimodaux natifs à poids ouvert de Meta construite avec une architecture de mélange d'experts (MoE).

Il introduit deux variantes principales :

• Llama 4 Scout , un modèle à 17 milliards de paramètres actifs avec une fenêtre de contexte de jetons record de 10 millions, tient sur un seul GPU H100.
• Llama 4 Maverick , un modèle de paramètres actifs de 17 milliards avec 128 experts (400 milliards de paramètres au total) qui surpasse GPT-4o et Gemini 2.0 Flash dans les tâches de raisonnement, de codage et multimodales.

Les deux modèles sont dérivés de Llama 4 Behemoth, un modèle de recherche à 288B paramètres actifs et 2T paramètres au total.

innovations techniques

• Llama 4 introduit une architecture Mixture-of-Experts (MoE) , où les jetons n'activent qu'une fraction des paramètres, améliorant ainsi l'efficacité de l'entraînement et de l'inférence grâce à l'utilisation alternée de couches denses et MoE.
• Il est nativement multimodal , utilisant la fusion précoce pour traiter conjointement les jetons de texte, d'image et de vidéo, entraîné sur plus de 30 billions de jetons multimodaux pour le raisonnement intermodal.
• La capacité de contexte est étendue, Llama 4 Scout prenant en charge jusqu'à 10 millions de jetons, permettant des cas d'utilisation avancés tels que la synthèse multi-documents, l'analyse de base de code et le raisonnement sur les tâches à long terme.
• Pour une efficacité d'entraînement optimale, il exploite la précision FP8, l'optimisation des hyperparamètres MetaP et un ensemble de données de 200 langues (10 fois plus important que Llama 3). Les innovations post-entraînement comprennent un nouveau pipeline de SFT léger, d'apprentissage par renforcement en ligne et de DPO, combiné à des stratégies de renforcement adaptatives qui améliorent le raisonnement, le codage et les capacités multimodales tout en préservant la qualité conversationnelle.

7. xAI Grok-4 et Grok-4.1

Grok-4 de xAI et son successeur amélioré Grok-4.1 représentent les modèles de langage de pointe les plus avancés de la société en février 2026.

Conçus comme des systèmes de raisonnement multimodaux et dotés d'outils, ces modèles sont destinés à l'IA conversationnelle, à l'exécution de tâches par des agents, au raisonnement à long contexte et à la récupération d'informations en temps réel.

xAI présente Grok-4.1 comme une version améliorée, optimisée pour la précision, l'alignement et la cohérence des tâches. Des variantes telles que les configurations « Fast » et à contexte long ciblent les déploiements en entreprise et les flux de travail basés sur des agents. ⁴

8. Mistral Large 3

Mistral Large 3 est le modèle phare de mélange d'experts (MoE) de Mistral AI. Il est construit avec un grand nombre total de paramètres et un sous-ensemble de paramètres actifs plus petit par jeton, offrant des performances de raisonnement et de codage de pointe tout en maintenant une efficacité d'inférence optimale.

Ce modèle prend en charge les fenêtres de contexte étendues et les fonctionnalités multimodales natives, ce qui lui permet de traiter les entrées textuelles et visuelles au sein d'un cadre de raisonnement unique. Il est ainsi parfaitement adapté aux flux de travail documentaires d'entreprise, à la génération de code, à l'analyse de données et aux pipelines d'agents multimodaux. ⁵

9. ByteDance Doubao 2.0 (Famille Seed 2.0)

Doubao 2.0, basé sur la famille de modèles Seed 2.0 de ByteDance, représente une mise à jour majeure de l'assistant IA largement utilisé en Chine. Conçu spécifiquement pour les flux de travail automatisés, le système met l'accent sur le raisonnement multi-étapes, l'exécution autonome des tâches, l'utilisation structurée des outils et des performances de codage améliorées.

La gamme de modèles comprend des variantes spécialisées telles que Pro, Lite, Mini et Code, permettant une optimisation du rapport coût-performance pour différents cas d'utilisation.

10. Amazon Nova 2

Amazon Nova 2 est la deuxième génération de modèles de base d'Amazon, conçue pour les charges de travail d'IA en entreprise. Contrairement aux systèmes d'IA destinés au grand public, Nova 2 se positionne principalement comme une infrastructure, intégrée à AWS Bedrock et conçue pour un déploiement à grande échelle dans les environnements d'entreprise.

La gamme Nova 2 comprend des variantes telles que Lite, Pro, Sonic et Omni, couvrant les fonctionnalités de texte, multimodales et de synthèse vocale.

Les modèles Nova 2 Pro et Lite se concentrent sur la génération de texte, le raisonnement et l'automatisation des flux de travail, tandis que Sonic et Omni prennent en charge la parole en temps réel et l'interaction multimodale. Cette couverture multimodale permet aux entreprises de créer des agents vocaux, des copilotes multimodaux et des systèmes backend entièrement automatisés à l'aide d'un fournisseur cloud unique. ⁶

Cas d'utilisation et exemples concrets de grands modèles de langage

Voici quelques cas d'utilisation clés des modèles LLM, accompagnés d'exemples pertinents. Pour en savoir plus sur l'IA générative, consultez la section Applications de l'IA générative .

1. Création et génération de contenu

• Aide à la rédaction : Les titulaires d’un LLM peuvent aider à rédiger, à corriger et à améliorer le contenu écrit, des articles de blog aux documents de recherche, en suggérant des améliorations ou en générant du texte à partir de suggestions.  
  • Exemple concret : Grammarly utilise des LLM pour suggérer des améliorations en matière de grammaire, de ponctuation et de style aux utilisateurs, améliorant ainsi la qualité de leurs écrits. ⁷
• Écriture créative : Générer des poèmes, des histoires ou des scénarios à partir de suggestions créatives, aidant ainsi les auteurs à trouver des idées ou à mener à bien leurs projets.
  • Exemple concret : AI Dungeon , propulsé par OpenAI GPT-4, possède un mode histoire qui permet aux utilisateurs de créer et d'explorer des histoires interactives, offrant des récits créatifs. ⁸
• Création de contenu marketing : Créez du contenu marketing percutant, notamment des descriptions de produits, des publications sur les réseaux sociaux et des publicités, adapté à des publics spécifiques.
  • Exemple concret : Copy.ai, un générateur de contenu basé sur l’IA, utilise des LLM pour générer du contenu marketing, notamment des publications sur les réseaux sociaux, des descriptions de produits et des campagnes par e-mail.
• Traduction linguistique : Traduire un texte entre différentes langues tout en préservant le contexte et le sens.
  • Exemple concret : DeepL Translator utilise des modèles LLM entraînés sur des données linguistiques pour la traduction automatique. ⁹

2. Assistance clientèle et chatbots

• Service client automatisé : les LLM alimentent des chatbots capables de traiter les demandes des clients, de résoudre les problèmes et de fournir des recommandations de produits en temps réel.
  • Exemple concret : Bank of America utilise le chatbot IA Erica , développé par LLMs, pour aider ses clients dans des tâches telles que la consultation de leurs soldes, les paiements et les conseils financiers.
• Assistants virtuels : les LLM permettent aux assistants virtuels de répondre aux questions des utilisateurs, de gérer des tâches et de contrôler des appareils intelligents.
  • Exemples concrets : Alexa et Google Assistant d’Amazon utilisent tous deux des LLM pour engager des conversations bidirectionnelles ; ils sont principalement disponibles sur les appareils domotiques et mobiles. ^{10 11}
• Réponses personnalisées : Générez des réponses personnalisées en fonction de l’historique et des préférences du client, améliorant ainsi l’expérience client globale.
  • Exemple concret : Zendesk, une plateforme de service client, utilise des LLM pour fournir des réponses personnalisées dans le cadre du support client. ¹²

3. Développement logiciel

Les modèles de langage peuvent aider les développeurs actuels et les personnes qui apprennent à coder sur :

• Rédaction de code : Aider les développeurs en générant des extraits de code, en fournissant des suggestions et en rédigeant des fonctions ou des classes complètes à partir d’instructions descriptives.
  • Exemple concret : Code Llama est un modèle linéaire mixte spécialisé dans le codage, entraîné sur des jeux de données spécifiques. Il peut générer du code et des instructions en langage naturel. Il peut créer du code en traitant le langage naturel. Si un utilisateur demande : « Écrivez-moi une fonction qui renvoie la suite de Fibonacci », le modèle linéaire mixte générera un code en fonction de la requête. ¹³

• Détection et correction des bogues : analyse du code pour détecter les bogues potentiels et suggérer des correctifs, rationalisant ainsi le processus de débogage.
• Documentation du code : Générer la documentation technique, y compris les références API, les commentaires de code et les manuels d’utilisation, à partir du code source.
  • Exemple concret : TabNine, un outil de documentation de code basé sur l’IA, utilise des LLM pour mettre à jour et réviser la documentation au fur et à mesure que des modifications du code surviennent. ¹⁴

4. Veille stratégique

• Interprétation des données : Interpréter des ensembles de données complexes, en fournissant des résumés narratifs et des analyses plus faciles à comprendre pour les parties prenantes non techniques. Les pratiques clés comprennent :
  • Génération d'insights
  • Analyse des données
  • Création d'histoires
• Génération de rapports : Générez automatiquement des rapports d’activité, des synthèses financières et des notes de synthèse à destination des dirigeants à partir de données brutes et d’analyses.
  • Exemple concret : Microsoft Research, GraphRAG, utilise le LLM pour créer un graphe de connaissances basé sur un ensemble de données privé, aidant les entreprises à obtenir des informations sans avoir besoin d'une expertise technique approfondie.

5. Finance

• Analyse d'évaluation des risques financiers : Contribuer à l'évaluation des risques financiers en analysant les données historiques, en identifiant les tendances et en prévoyant les replis potentiels du marché.
  • Exemple concret : Bloomberg GPT est un LLM spécialisé dans les données financières, aidant les analystes à générer des analyses de risques et des prévisions à partir des rapports financiers. ¹⁵
• Détection des fraudes : Aide à identifier les activités frauduleuses en analysant les schémas de transactions et en générant des alertes en cas de comportement suspect.
  • Exemple concret : Feedzai emploie des LLM pour analyser les schémas de transactions et détecter les activités frauduleuses. ¹⁶

6. Santé et médecine

• Réponse aux questions médicales : Les titulaires d'une maîtrise en droit (LLM) peuvent contribuer au triage des patients en répondant à leurs questions médicales.
  • Exemple concret : Med-PaLM, un outil d’analyse de données développé par Google Research, est conçu pour aider les utilisateurs à analyser les résultats des tests effectués sur les patients. Ainsi, l’utilisateur peut sélectionner la réponse la plus appropriée en fonction de la maladie, du test ou du traitement. ¹⁷
• Recherche pharmaceutique : Analyser et résumer la littérature scientifique en pharmacie et en médecine.
  • Exemple concret : BenevolentAI, une société de découverte et de développement de médicaments utilisant l’IA, emploie des juristes spécialisés en droit (LLM) pour analyser la littérature scientifique et identifier des candidats médicaments potentiels. ¹⁸

7. Aspects juridiques et conformité

• Analyse contractuelle : Examiner et analyser les documents juridiques, identifier les clauses clés, les risques potentiels et les points nécessitant une attention particulière.
  • Exemple concret : Kira Systems utilise des LLM pour analyser et extraire des informations importantes des contrats juridiques. ¹⁹
• Conformité réglementaire : Automatisez le suivi de la conformité aux réglementations en analysant et en synthétisant les textes juridiques pertinents.
  • Exemple concret : Compliance.ai utilise des LLM pour surveiller l’environnement réglementaire et identifier les changements pertinents, puis les intègre à vos politiques, procédures et contrôles internes. ²⁰
• Recherche juridique : Résumer la jurisprudence, les lois et les avis juridiques pour aider les avocats et les professionnels du droit dans leurs recherches.
  • Exemple concret : la plateforme CARA de Casetext utilise des LLM pour fournir une jurisprudence et des précédents juridiques pertinents à partir des documents téléchargés par les avocats. Voici quelques exemples de pratiques :
    • Trouvez des cas pertinents correspondant à vos faits et à vos questions juridiques.
    • Vérification de vos documents pour les cas manquants
    • Trouver des affaires juridiques que l'avocat adverse a manquées

8. Éducation et formation

• Tutorat personnalisé : les titulaires d’un LLM agissent comme des tuteurs IA, fournissant des explications étape par étape et des commentaires personnalisés aux étudiants.
  • Exemple concret : Khanmigo de la Khan Academy utilise GPT-4 pour aider les élèves à résoudre des problèmes de mathématiques, à rédiger des essais et à pratiquer leurs compétences de pensée critique. ²¹
• Formation et intégration en entreprise : les LLM créent du contenu de formation, des quiz et des parcours d’apprentissage adaptatifs pour les employés.

9. Ressources humaines et recrutement

• Sélection des CV et mise en relation des candidats : les LLM analysent les descriptions de poste et les CV afin de recommander les meilleurs candidats.
  • Exemple concret : HiredScore utilise l’IA pour améliorer le recrutement en triant les CV et en identifiant les correspondances complexes entre les postes et les candidats. ²²
• Enquêtes sur l'engagement des employés : les LLM résument les réponses aux questions ouvertes et fournissent des informations sur le ressenti des employés.

10. Commerce de détail et commerce électronique

• Recommandations de produits : Les LLM analysent le comportement des clients et génèrent des suggestions d’achat personnalisées.
• Analyse des sentiments des clients : les modèles d’IA traitent les avis des clients pour identifier les tendances et orienter les stratégies de gestion des stocks et de marketing.

FAQ

Liens de référence

1.

Chatbot Arena + | OpenLM.ai

2.

Introducing GPT-5.2 | OpenAI

3.

Gemini 3.1 Pro — Google DeepMind

4.

Grok 4.1 | xAI

xAI

5.

Introducing Mistral 3 | Mistral AI

6.

Amazon introduces new frontier Nova models, a pioneering Nova Forge service for organizations to build their own models, and Nova Act for building agents

US About Amazon

7.

What Are Large Language Models? AI’s Linguistic Giants | Grammarly

8.

The Story Mode

9.

DeepL's next-gen LLM outperforms ChatGPT-4, Google, and Microsoft for translation quality

10.

https://ring.com/gb/en/support/categories/alexa?page=2&utm_source=bing&utm_medium=search-cpc&utm_campaign=ever

11.

Google Assistant, your own personal Google

Google Assistant

12.

Was ist generative KI? Funktionsweise, Beispiele & Vorteile

Zendesk

13.

Introducing Code Llama, a state-of-the-art large language model for coding

14.

AI code documentation: Why documentation hurts and how AI helps - Tabnine

Tabnine

15.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

16.

About Us | Feedzai

Feedzai

17.

Med-PaLM - Med-PaLM

18.

BenevolentAI | AI Drug Discovery | AI Pharma

19.

AI Contract Review Software | Kira | Litera

20.

Financial and Regulatory Compliance Software

Compliance.ai

21.

Khanmigo Archives - Khan Academy Blog

Khan Academy

22.

AI For Recruiting | Workday US

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. 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 numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Sıla Ermut

Analyste du secteur

Suivre

Sıla Ermut est analyste chez AIMultiple, spécialisée dans le marketing par e-mail et les vidéos de vente. Auparavant, elle travaillait comme recruteuse dans des cabinets de conseil et de gestion de projets. 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.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire