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

Méthodologie

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

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Coût$6.00

Latence252.11s

Contexte1M

TTFT252.11s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Coût$11.25

Latence2.47s

Contexte1M

TTFT2.47s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Coût$3.00

Latence10.26s

Contexte500k

TTFT10.26s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Coût$11.25

Latence1.03s

Contexte272k

TTFT1.03s

LegalBench

ARC-AGI-2

Agentic LLM Benchmark

Coût$5.63

Latence1.92s

Contexte1M

TTFT1.92s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Coût$11.25

Latence11.46s

Contexte1M

TTFT11.46s

FinanceReasoning

Text-to-SQL

Agentic RAG

Agentic LLM Benchmark

Coût$10.00

Latence1.75s

Contexte1M

TTFT1.75s

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

Coût$4.50

Latence-

Contexte1M

TTFT

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Coût$4.50

Latence33.83s

Contexte1M

TTFT33.83s

LegalBench

FinanceReasoning

Text-to-SQL

Agentic RAG

ARC-AGI-2

Agentic LLM Benchmark

FrontierMath

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.

AIMultiple

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.

AIMultiple

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

AIMultiple

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

AIMultiple

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:

AIMultiple

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

Public

Humanity's Last ExamAGI

FrontierMathIntelligence

Agentic LLM BenchmarkAgentic LLM Benchmark

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

Simulation d'audience: les LLM peuvent-ils prédire le comportement humain ?

LLM

Benchmark

22 Juin

En marketing, évaluer dans quelle mesure les LLMs prédisent le comportement humain est crucial pour apprécier leur efficacité à anticiper les besoins du public et à reconnaître les risques de décalage, de communication inefficace ou d'influence non intentionnelle. La simulation d'audience avec des LLM permet de modéliser des audiences virtuelles, aidant les organisations à anticiper…

Passerelles IA pour OpenAI: Alternatives à OpenRouter

Nous avons comparé OpenRouter, SambaNova, TogetherAI, Groq et l'IA/ML API sur trois indicateurs (latence du premier token, latence totale et nombre de tokens de sortie), avec 300 tests utilisant des prompts courts (environ 18 tokens) et des prompts longs (environ 203 tokens) pour la latence totale. Si vous prévoyez d'utiliser l'une de ces passerelles IA,…

LLM

Benchmark

5 Juin

Grands modèles de langage en cybersécurité

Nous avons évalué 7 grands modèles de langage dans 9 domaines de la cybersécurité en utilisant SecBench, un benchmark à grande échelle et multi-format pour les tâches de sécurité. Nous avons testé chaque modèle sur 44 823 questions à choix multiples (QCM) et 3 087 questions à réponse courte (QRC), couvrant des domaines tels que…

LLM

Analyse

26 Mai

ChatGPT pour le service client: Top 10 des cas d'utilisation

ChatGPT est passé de la nouveauté à l'infrastructure dans le service client. Les entreprises l'utilisent pour réduire les temps de réponse, gérer des volumes que leurs équipes ne peuvent pas absorber et réduire le coût des interactions de routine. Mais les résultats varient considérablement selon la manière dont il est mis en œuvre. OpenAI a…

LLM

Benchmark

15 Avr

LLM Quantification: BF16 vs FP8 vs INT4

Nous avons effectué des benchmarks de Qwen3-32B à 4 niveaux de précision (BF16, FP8, GPTQ-Int8, GPTQ-Int4) sur un seul NVIDIA H100 80GB GPU. Chaque configuration a été évaluée sur 2 benchmarks (~12,2K questions) couvrant les connaissances et la génération de code, ainsi que sur plus de 2 000 exécutions d'inférence pour mesurer le débit. Int4…

1 2 3

Benchmarks LLM

Classement

Claude Fable 5Anthropic92Index

Kimi K3Moonshot AI88Index

GPT-5.6 SolOpenAI87Index

Grok 4.5X86Index

GPT-5.5OpenAI83Index

GPT-5.6 TerraOpenAI80Index

GPT-5.6 Sol ProOpenAI80Index

Claude Opus 4.6Anthropic78Index

Gemini 3 Pro PreviewGoogle77Index

Gemini 3.1 Pro PreviewGoogle77Index

Graphiques

Comment l'indice est construit

Mises à jour récentes

Kimi K3

GPT-5.6 Sol

GPT-5.6 Terra

GPT-5.6 Sol Pro

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

Simulation d'audience: les LLM peuvent-ils prédire le comportement humain ?

Passerelles IA pour OpenAI: Alternatives à OpenRouter

Grands modèles de langage en cybersécurité

ChatGPT pour le service client: Top 10 des cas d'utilisation

LLM Quantification: BF16 vs FP8 vs INT4