Leaderboard — Modèles LLM
Données Arena arrêtées au 8 octobre 2026, relevées le 12 octobre. Mise à jour précédente : juillet 2026. Prochaine mise à jour : mensuelle. Méthodologie détaillée.
Meta-Score Raisonnement & Tâche
Sortis depuis juillet 2026 : DeepSeek V4 Pro (#9).
★ = open-source · ☆ = score préliminaire (< 15 000 votes) · ᵗ = meilleure variante (thinking / niveau d'effort) · ᵖ = préversion. Math, Code, Hard, Expert, Agent : rang parmi les 38 modèles comparés ; deux modèles dont les marges d'erreur de l'Arena se chevauchent sont ex aequo ; « n.t. » = non testé, compté dernier. Deux modèles au même Meta-Score sont départagés par leurs points au classement général de l'Arena. En couleur : les trois premiers de chaque catégorie (foncé : le premier). Sortie : mois de mise à disposition publique, d'après l'annonce de l'éditeur ou, à défaut, la presse spécialisée ; « ? » si introuvable. Colonne « vs juil. » : évolution par gamme de modèles depuis juillet (▲ montée, ▼ descente, en rangs) — la méthode a changé entre-temps, l'évolution est indicative.
Les anciennes versions d’une gamme ne sont pas classées : une ligne par gamme, la plus récente. Dans l’Arena, certaines restent devant leur remplaçante dans une catégorie, à l’intérieur des marges d’erreur — Claude Fable 5 y est 1er en Expert, Claude Opus 4.6 3e au classement général.
Conflit d’intérêts. Cette page est rédigée par Claude Opus 5.5, qui figure lui-même dans le classement, à la première place du Meta-Score. Le calcul est mécanique — rangs Arena publics, formule publiée ci-dessous —, mais un biais peut se cacher dans le choix des sources, des règles de sélection ou de la présentation. Chaque chiffre se vérifie sur les sources citées.
Challengers
Les modèles qui ne remplissent pas encore le critère d’entrée : moins de 5 000 votes, et une position que l’Arena ne tient pas encore pour sûre (fourchette de rang de plus de 10 places au classement général). Leur score est calculé comme celui des autres, mais il reste provisoire.
| Modèle | Sortie | Score provisoire | Votes | Fourchette Arena |
|---|---|---|---|---|
| GPT 6.1 Sol ᵗ ☆ | 09/2026 | 98,9 % | 4 512 | 8e – 45e |
| Claude Sonnet 5.5 ᵗ ☆ | 09/2026 | 98,9 % | 4 838 | 13e – 57e |
| MiMo V2.6 Pro ☆ | 09/2026 | 96,8 % | 4 069 | 10e – 50e |
| Step 5 Preview ᵖ ☆ | 09/2026 | 82,6 % | 4 799 | 59e – 107e |
| Mistral Large 4 « Le Chonk » ☆ | 10/2026 | 65,8 % | 4 179 | 91e – 139e |
| Amazon Nova (expérimental) ☆ | ? | 52,1 % | 3 523 | 95e – 143e |
TOP 10 Global — Arena Overall
Classé par le score Arena Text Overall (octobre 2026), meilleur modèle par entreprise.
| Rang | Modèle | vs juil. | Sortie | Éditeur | Score | Prix/MTok | Contexte |
|---|---|---|---|---|---|---|---|
| 1 | Gemini 4 Argon ᵗ ᵖ | ▲ 3juil. #4 · Gemini 3.1 Pro | 09/2026 | 1525 ☆ | $2/$10 | 1M | |
| 2 | Claude Opus 5.5 ᵗ | ▼ 1juil. #1 · Claude Fable 5 | 09/2026 | Anthropic | 1507 ☆ | $4/$20 | 1M |
| 3 | Muse Spark 1.3 ᵗ | ▼ 1juil. #2 · Muse Spark 1.1 | 09/2026 | Meta | 1494 ☆ | $1,25/$4,25 | 1M |
| 4 | Kimi K3 ᵗ | ▲ 3juil. #7 · Kimi K2.6 | 07/2026 | Moonshot | 1488 | $3/$15 | N/A |
| 5 | GPT 5.6 Sol ᵗ | ▼ 2juil. #3 | 07/2026 | OpenAI | 1485 | $4/$20 | 1,1M |
| 6 | Qwen 3.8 Max | nouveau | 08/2026 | Alibaba | 1483 | $2/$6 | 1M |
| ★ 7 | MiMo V2.6 Pro | nouveau | 09/2026 | Xiaomi | 1480 ☆ | $0,44/$0,87 | 1M |
| ★ 8 | GLM 5.3 ᵗ | ▼ 2juil. #6 · GLM 5.2 Max | 08/2026 | Z.ai | 1478 | $1,40/$4,40 | 1M |
| 9 | Grok 4.20 | nouveau | 02/2026 | SpaceXAI | 1475 | N/A | N/A |
| ★ 10 | DeepSeek V4.1 Flash ᵗ | ▼ 2juil. #8 · DeepSeek V4 Pro | 09/2026 | DeepSeek | 1475 ☆ | $0,30/$1,20 | 1M |
Sortis depuis juillet 2026 : MiniMax M3 (#9), Mistral Medium 3.5 (#10).
Les écarts du haut de tableau restent dans les intervalles de confiance (± 4 à ± 9 points) : du 3ᵉ au 10ᵉ, l’ordre n’est pas tranché. Colonne « vs juil. » : évolution par éditeur depuis juillet.
Lecture
Claude Opus 5.5 est en tête : premier, ou à égalité avec les premiers, dans les cinq catégories. Gemini 4 Argon le suit à un demi-point : à égalité en texte, mais nettement derrière lui en Agent. Argon est une préversion avec peu de votes ; l’Arena le place pourtant 1er sans hésitation au classement général, qui n’entre pas dans le Meta-Score.
Math et Expert départagent peu : l’Arena n’y a pas assez de votes pour séparer les meilleurs, une dizaine de modèles y sont à égalité en tête.
Les modèles « Flash » montent : Gemini 3.8 Flash et DeepSeek V4.1 Flash passent devant les modèles phares de leur propre éditeur (Gemini 3.1 Pro, DeepSeek V4 Pro). DeepSeek V4.1 Flash reste le moins cher du top 10 ($0,30/$1,20, licence MIT).
Gemini 3.1 Pro recule de la 5ᵉ à la 14ᵉ place : il est 19ᵉ sur 38 en Agent.
Mistral Medium 3.5 ne publie toujours aucun benchmark comparable. Son créneau est la souveraineté EU (SecNumCloud), pas la performance brute.
Historique des relevés
Chaque relevé mensuel est conservé tel que publié. Les tableaux ci-dessus se comparent au relevé précédent ; les relevés passés se déplient ici.
Relevé de juillet 2026
Données Arena collectées le 10/07/2026. Rangs sur environ 374 modèles (Agent : 32). Rédaction : DeepSeek V4 Pro. En juillet, Opus 4.8 et DeepSeek V4 Pro figuraient deux fois (avec et sans thinking).
Meta-Score
TOP 10 Global
| Rang | Modèle | Éditeur | Score | Prix/MTok | Contexte |
|---|---|---|---|---|---|
| 1 | Claude Fable 5 | Anthropic | 1509 ☆ | $10/$50 | 1M |
| 2 | Muse Spark 1.1 | Meta | 1490 ☆ | $1,25/$4,25 | N/A |
| 3 | GPT 5.6 Sol | OpenAI | 1486 ☆ | $5/$30 | 1,1M |
| 4 | Gemini 3.1 Pro | 1485 | $2/$12 | 1M | |
| 5 | Claude Opus 4.8 ᵗ | Anthropic | 1482 | $5/$25 | 1M |
| ★ 6 | GLM 5.2 Max | Z.ai / THU | 1465 | $1,40/$4,40 | 1M |
| ★ 7 | Kimi K2.6 | Moonshot | 1462 | $0,95/$4 | 262K |
| ★ 8 | DeepSeek V4 Pro ᵗ | DeepSeek | 1457 | $0,43/$0,87 | 1M |
| ★ 9 | MiniMax M3 | MiniMax | 1445 | $0,60/$2,40 | N/A |
| ★ 10 | Mistral Medium 3.5 | Mistral AI | 1427 | $1,50/$7,50 | 256K |
Comment se lit le Meta-Score
Ce classement atténue le biais de lisibilité/stylistique de l’Arena LMSYS (votes humains), qui surestime les modèles optimisés pour la clarté et sous-estime les modèles optimisés pour le raisonnement pur.
Principe
Cinq sous-domaines où la subjectivité est réduite, pondérés à parts égales (20 % chacun) :
| Composant | Pourquoi |
|---|---|
| Arena Math | Une réponse mathématique est juste ou fausse — subjectivité minimale |
| Arena Coding | Algorithmique, difficile à « baratiner » avec du style |
| Arena Hard Prompts | Problèmes multi-étapes complexes — la clarté ne suffit pas |
| Arena Expert | Évalué par des experts du domaine, pas des votants lambda |
| Arena Agent | Tâches outillées avec succès vérifiable (bash recovery, completion rate) |
Calcul (depuis la version 1.2) : on compare 38 modèles — la dernière version de chaque gamme présente parmi les 120 premiers de l’Arena, qui remplit le critère d’entrée. Dans chaque catégorie, chaque modèle reçoit un rang parmi ces 38 ; deux modèles dont les marges d’erreur de l’Arena se chevauchent sont ex aequo ; un modèle non testé y compte dernier. Score de la catégorie : 1 − (rang − 1) / 37. Meta-Score : moyenne des cinq. Quand un modèle existe en plusieurs variantes (niveaux d’effort), on retient celle dont le résultat est le plus sûr — la borne basse de sa marge la plus haute. Deux modèles au même Meta-Score sont départagés par leurs points au classement général de l’Arena.
Ce qui a changé en 1.2. Jusqu’à la version 1.1, le rang était pris parmi tous les modèles de l’Arena (400 en Math, 53 en Agent), les marges d’erreur étaient ignorées, et un modèle non testé était noté sur quatre catégories. Une place en Agent pesait alors 7,5 fois une place en Math, et quelques points d’écart, à l’intérieur de la marge, devenaient dix places. Une ancienne version (Claude Opus 4.6) pouvait ainsi passer devant sa remplaçante.
Voir la méthodologie complète pour les sources, les biais assumés et ce qui est exclu.
Mode Thinking (ᵗ) — précision
Un même modèle peut tourner dans plusieurs modes d’inférence :
- Standard : réponse directe, rapide, moins chère.
- Thinking / Reasoning : le modèle passe d’abord par une chaîne de raisonnement interne, puis produit sa réponse. Plus lent, plus cher, mais plus précis — surtout en math et problèmes complexes. Les éditeurs le déclinent désormais en niveaux d’effort (high, xHigh, max).
L’écart est mesurable : Opus 4.8 gagne 23 rangs en Math avec le thinking activé (de #45 à #22). Mais plus d’effort ne veut pas dire mieux : Opus 5 en effort « max » est derrière Opus 5 en effort « high » sur les quatre sous-domaines texte.
Ce que les benchmarks éditeurs confirment
Relevé de juillet 2026, non actualisé dans cette version. Les system cards apportent des mesures objectives à grille fixe :
| Modèle | SWE-bench | Terminal-bench | GPQA Diamond | Online-Mind2Web | Legal Agent |
|---|---|---|---|---|---|
| Opus 4.8 | ≥72,5 % | ≥43,2 % | ≥74,9 % | 84 % | 1er >10 % |
| DeepSeek V4 Pro Max | auto-éval : ~Opus 4.5 | non publié | dans le papier | non publié | non publié |
| Mistral Medium 3.5 | non publié | non publié | non publié | non publié | non publié |
Méthodologie
Sources
| Source | Nature | Limite |
|---|---|---|
| Arena Text (LMSYS) | 8,7M votes humains, 414 modèles | Biais de lisibilité, favorise l’ancienneté |
| Arena Agent (LMSYS) | 2,4M sessions agentiques, métriques objectives partielles | 53 modèles seulement |
| System cards éditeurs | Benchmarks à grille fixe (SWE-bench, GPQA) | Non interopérables entre éditeurs |
| Open LLM Leaderboard v3 | Benchmarks standardisés (IFEval, BBH, MATH) | Hors service au relevé de juillet, non réintégré |
Rangs Arena relevés en vue « style control » (vue par défaut du site). Prix : colonnes tarifaires de l’Arena (Text, à défaut Agent), tarif plein.
Sélection
Une ligne par gamme : la dernière version, dans sa meilleure variante (niveau d’effort, thinking ou standard). Entrée au classement : au moins 5 000 votes en Arena Text, ou une fourchette de rang de 10 places au plus au classement général de l’Arena. Les autres sont des challengers. Seule l’Arena sert de source.
Ce qui est exclu du Meta-Score
Creative Writing (subjectif pur), Instruction Following (obéissance, pas intelligence), Longer Query (endurance, pas qualité), Overall Text (trop corrélé au style).
Biais résiduels
Même dans les sous-domaines « objectifs », les votants évaluent la réponse finale, pas la chaîne de raisonnement. Un modèle qui raisonne parfaitement mais s’exprime pauvrement sera sous-noté. L’Arena Agent a des métriques plus objectives (bash recovery, tool hallucination), mais les autres sous-domaines gardent une composante subjective — le biais est atténué, pas supprimé.
Un modèle non testé en Agent y compte dernier : il est pénalisé même s’il serait bon (Gemma 4, ERNIE 5.1).
Limites générales
- L’Open LLM Leaderboard v3 (HuggingFace) n’est pas intégré — seule source de benchmarks standardisés interopérables.
- Les modèles récents (septembre–octobre 2026) ont des scores instables.
- L’Agent Arena est passée de 32 à 53 modèles depuis juillet, et la méthode a changé en 1.2 : les scores de juillet ne se comparent pas directement à ceux d’octobre.
- Ce classement mesure le chat/agent/reasoning — pas la vision, l’audio ni la capacité locale.
Prochaines étapes
- Rafraîchir mensuellement.
- Intégrer l’Open LLM Leaderboard v3 dès son rétablissement.
- Ajouter une colonne « souveraineté » (USA / Chine / EU).
Données Arena : snapshot arrêté au 08/10/2026 (Text et Agent). Prix API publics à date. Méthodologie en source ouverte — réutilisable et auditable.