Benchmarks LLM

Un indice d'intelligence unique et transparent combinant des benchmarks publics avec les propres évaluations agentiques, RAG et de raisonnement d'entreprise d'AIMultiple.

Dernière mise à jour Juin 2026

MEILLEUR MODÈLE

Claude Fable 5

Indice 92

Meilleur rapport qualité-prix

MiniMax M3

$0.42 / 1M

Le plus rapide

GPT OSS 120B

0.19s TTFT

Couverture

64 modèles

8 benchmarks · 336 évaluations

Indice d'intelligence AIMultiple

Classement

Les modèles les mieux notés sur tous les benchmarks.

#	Modèle	Index	LegalBench	FinanceReasoning	Text-to-SQL	Agentic RAG	ARC-AGI-2	Agentic LLM Benchmark	FrontierMath	Swe-Bench
1	Claude Fable 5 Anthropic	92	89	90	90	98	-	69	-	-
2	Kimi K3 Moonshot AI	88	86	88	77	93	-	73	-	-
3	GPT-5.6 Sol OpenAI	87	87	90	74	87	93	62	-	-
4	Grok 4.5 X	86	86	88	79	83	-	73	-	-
5	GPT-5.5 OpenAI	83	87	-	-	-	85	59	-	-
6	GPT-5.6 Terra OpenAI	80	85	87	71	91	84	61	-	-
7	GPT-5.6 Sol Pro OpenAI	80	-	91	79	96	-	54	-	-
8	Claude Opus 4.6 Anthropic	78	-	88	68	80	69	72	-	-
9	Gemini 3 Pro Preview Google	77	87	86	60	89	31	-	-	-
10	Gemini 3.1 Pro Preview Google	77	87	87	65	89	77	46	27	-
Page 1 sur 7

Coût$20.00

Latence3.98s

Contexte1M

TTFT3.98s

LegalBench

89

FinanceReasoning

90

Text-to-SQL

90

Agentic RAG

98

Agentic LLM Benchmark

69

Coût$6.00

Latence252.11s

Contexte1M

TTFT252.11s

LegalBench

86

FinanceReasoning

88

Text-to-SQL

77

Agentic RAG

93

Agentic LLM Benchmark

73

Coût$11.25

Latence2.47s

Contexte1M

TTFT2.47s

LegalBench

87

FinanceReasoning

90

Text-to-SQL

74

Agentic RAG

87

ARC-AGI-2

93

Agentic LLM Benchmark

62

Coût$3.00

Latence10.26s

Contexte500k

TTFT10.26s

LegalBench

86

FinanceReasoning

88

Text-to-SQL

79

Agentic RAG

83

Agentic LLM Benchmark

73

Coût$11.25

Latence1.03s

Contexte272k

TTFT1.03s

LegalBench

87

ARC-AGI-2

85

Agentic LLM Benchmark

59

Coût$5.63

Latence1.92s

Contexte1M

TTFT1.92s

LegalBench

85

FinanceReasoning

87

Text-to-SQL

71

Agentic RAG

91

ARC-AGI-2

84

Agentic LLM Benchmark

61

Coût$11.25

Latence11.46s

Contexte1M

TTFT11.46s

FinanceReasoning

91

Text-to-SQL

79

Agentic RAG

96

Agentic LLM Benchmark

54

Coût$10.00

Latence1.75s

Contexte1M

TTFT1.75s

FinanceReasoning

88

Text-to-SQL

68

Agentic RAG

80

ARC-AGI-2

69

Agentic LLM Benchmark

72

Coût$4.50

Latence-

Contexte1M

TTFT

LegalBench

87

FinanceReasoning

86

Text-to-SQL

60

Agentic RAG

89

ARC-AGI-2

31

Coût$4.50

Latence33.83s

Contexte1M

TTFT33.83s

LegalBench

87

FinanceReasoning

87

Text-to-SQL

65

Agentic RAG

89

ARC-AGI-2

77

Agentic LLM Benchmark

46

FrontierMath

27

Page 1 sur 7

Graphiques

Modèles suivant "Meilleures performances"

Évolution dans le temps

Indice d'intelligence par date de sortie du modèle

Coût vs performance

Coût combiné par rapport à l'indice d'intelligence

Modèle × Benchmark

Meilleurs modèles sur les benchmarks sélectionnés

Méthodologie

Comment l'indice est construit

L'indice d'intelligence normalise chaque benchmark sur une échelle de 0 à 100 et fait la moyenne de la position relative d'un modèle sur les benchmarks pour lesquels il a été évalué. Chaque benchmark ci-dessous alimente ce score.

FinanceReasoningWe evaluated LLMs on 238 hard questions from the FinanceReasoning benchmark (Hendrycks et al.). This subset targets the most challenging financial reasoning tasks, assessing complex multi-step quantitative reasoning with financial concepts and formulas. Our evaluation employed a custom prompt design and scoring criteria of accuracy and token consumption.

Text-to-SQLWe used our text-to-SQL benchmark methodology on 24 large language models (LLMs) to assess their performance in SQL command generation:

Agentic RAGWe conducted a benchmark to assess its performance on routing between multiple databases and generating queries.

AI MemoryWe benchmarked 11 leading text embedding models, including those from OpenAI, Gemini, Cohere, Snowflake, AWS, Mistral, and Voyage AI, using ~500,000 Amazon reviews. We evaluated each model’s ability to retrieve and rank the correct answer first:

AI HallucinationWe benchmarked 29 different LLMs with 60 questions to measure their hallucination rates

Humanity's Last ExamAGI

LegalBenchLegal

FrontierMathIntelligence

Swe-BenchCoding

LiveCodeBenchCoding

Agentic LLM BenchmarkAgentic LLM Benchmark

Mises à jour récentes

Mises à jour récentes

Derniers changements de l'indice d'intelligence, de la couverture des modèles et de la méthodologie de benchmarks d'AIMultiple.

16 juil. 2026

Moonshot AI

Kimi K3

Nouveau modèle ajouté à l'indice d'intelligence AIMultiple.

9 juil. 2026

OpenAI

GPT-5.6 Sol

Nouveau modèle ajouté à l'indice d'intelligence AIMultiple.

9 juil. 2026

OpenAI

GPT-5.6 Terra

Nouveau modèle ajouté à l'indice d'intelligence AIMultiple.

9 juil. 2026

OpenAI

GPT-5.6 Sol Pro

Nouveau modèle ajouté à l'indice d'intelligence AIMultiple.

Explorez Cas d'utilisation, analyses et points de référence du LLM

Lois d'échelle des LLM: Analyse des chercheurs en IA

Les grands modèles de langage prédisent le token suivant en se basant sur les motifs appris à partir de données textuelles. Le terme lois d'échelle des LLM fait référence aux régularités empiriques qui relient les performances d'un modèle à la quantité de calcul, aux données d'entraînement et au nombre de paramètres du modèle utilisés pendant…

Tarification LLM: Top 15+ fournisseurs comparés

Les prix des API changent à chaque génération de modèle. Le graphique ci-dessous place chaque modèle à sa date de lancement, indique son prix de lancement par million de tokens, utilise un ratio mixte de 3:1 entre entrée et sortie, et classe les modèles en huit catégories de taille. Les prix sont les tarifs API…

De texte à SQL: Comparaison de la précision des LLM

J'utilise SQL pour l'analyse de données depuis 18 ans, depuis mes débuts en tant que consultant. Traduire des questions en langage naturel en SQL rend les données plus accessibles, permettant à quiconque, même sans compétences techniques, de travailler directement avec les bases de données. Nous avons utilisé notre méthodologie de benchmark de texte vers SQL…

LLM Guide de fine-tuning pour les entreprises

Suivez les liens pour les solutions spécifiques aux défis de sortie de votre LLM. Si votre LLM : L’adoption généralisée des grands modèles de langage (LLM) a amélioré notre capacité à traiter le langage humain. Cependant, leur entraînement générique donne souvent des performances sous-optimales pour des tâches spécifiques. Pour surmonter cette limitation, des méthodes de…

LLM Outils d'observabilité: Weights & Biases, Langsmith

LLM applications se sont étendues des conversations en aller-simple aux agents à étapes multiples qui utilisent des outils, interrogent des bases de données, et se coordonnent avec d'autres modèles, rendant leur comportement plus difficile à interpréter. L'observabilité LLM offre une visibilité continue sur ces flux de travail complexes, aidant les organisations à surveiller la qualité,…

LLM Calculateur VRAM pour l'auto-hébergement

Auto-héberger un LLM signifie exécuter l'inférence sur du matériel que l'opérateur contrôle, plutôt que via une API tierce, ce qui modifie le coût, le contrôle des données et le profil de confidentialité. Qu'un modèle puisse fonctionner ou non dépend de la mémoire. Le calculateur estime la VRAM ou la mémoire unifiée dont un modèle a…

Benchmark de 40+ LLMs en finance: Claude Fable 5 & GPT-5.6 Sol

Nous avons évalué 40+ LLMs en finance sur 238 questions difficiles du benchmark FinanceReasoning afin d'identifier les modèles qui excellent dans les tâches de raisonnement financier complexes telles que l'analyse des états financiers, les prévisions et les calculs de ratios. Nous avons évalué les LLMs sur 238 questions difficiles du benchmark FinanceReasoning (Tang et al.).1…

Automatisation LLM: Top 7 des outils & 8 études de cas

L'automatisation LLM désigne le passage à des outils d'automatisation intelligents qui exploitent les LLM, y compris les agents IA, les LLM fine-tunés et les modèles RAG pour automatiser et coordonner les tâches. Découvrez ce qu'est l'automatisation LLM, ses principales applications concrètes et les outils majeurs : Les grands modèles de langage en automatisation constituent une…

LLM Benchmark de latence par cas d'utilisation

Nous avons benchmarké 11 grands modèles de langage avec un total de 1,320 requêtes, en séparant les modèles de raisonnement des modèles sans raisonnement, et nous avons mesuré la latence du premier token, la latence par token, et le temps de réponse global. Vous pouvez trouver des détails sur la façon dont nous avons mesuré…

HALC-Bench: LLM Hallucination sur le banc d'essai de récupération en contexte long

HALC-Bench (LLM Hallucination sur le banc d'essai de récupération en contexte long) mesure la résistance d'un LLM à fabriquer des preuves pour une métrique qui n'existe pas dans le document cible en utilisant 3 meules de foin placées au début, au milieu et à la fin de la fenêtre de contexte du modèle, avec 204…

Densité d'intelligence de 71 LLMs: modèles plus intelligents et plus denses

Nous avons suivi 71 LLMs publiés entre février 2023 et mai 2026 et collecté 10 benchmarks publics pour mesurer la densité d'intelligence. Nous avons divisé le score de capacité par la ressource que le modèle consomme (paramètres actifs, calcul d'entraînement et prix d'inférence). Pour calculer la densité d'intelligence, nous avons suivi les étapes suivantes :…

1 2 3