Classement
Des votes… au classement des modèles
Activé
Ce classement est calculé à partir des votes recueillis lors de comparaisons à l’aveugle, selon le modèle statistique Bradley-Terry. Il reflète des préférences subjectives et doit être interprété avec prudence : il ne mesure ni la factualité des réponses ni la performance globale des modèles.
Total modèles : 72
Total votes : 255 000
Mise à jour le 10/11/2026
Désactivé
Classe Infobulle Classe de modèles que les votes ne permettent pas de départager. Chaque modèle d'une classe est statistiquement indiscernable du premier de sa classe. Les classes sont calculées sur l'ensemble du classement : elles ne changent pas quand vous filtrez ou triez le tableau. La dernière classe regroupe tous les modèles situés en dessous. | Modèle | Score de satisfaction BT Infobulle Score statistique estimé selon le modèle Bradley-Terry reflétant la probabilité qu'un modèle soit préféré à un autre. Ce score est calculé à partir de l'ensemble des votes et réactions des utilisateurs. Pour en savoir plus, rendez-vous sur l’onglet méthodologie. | Confiance (±) Infobulle Intervalle indiquant la fiabilité du rang de classement : plus l'intervalle est étroit, plus l'estimation du rang est fiable. Il y a 95% de chances que le vrai rang du modèle soit dans cette plage. | Total votes | Conso. moyenne (1000 tokens) Infobulle Mesurée en milliwattheures, l’énergie consommée représente l'électricité utilisée par le modèle pour traiter une requête et générer la réponse correspondante. La consommation énergétique des modèles dépend de leur taille et de leur architecture. Nous prenons le parti d’afficher en grisé non analysés (N/A) les modèles propriétaires pour lesquels nous ne disposons pas d’information transparente sur la taille et l’architecture. | Taille (paramètres) Infobulle Taille du modèle en milliards de paramètres, catégorisée selon cinq classes. Pour les modèles propriétaires, cette taille n’est pas communiquée. | Architecture Infobulle L'architecture d'un modèle LLM désigne les principes de conception qui définissent comment les composants d'un réseau de neurones sont agencés et interagissent pour transformer les données d'entrée en sorties prédictives, incluant le mode d'activation des paramètres (dense vs. sparse), la spécialisation des composants et les mécanismes de traitement de l'information (transformers, réseaux convolutifs, architectures hybrides). | Date sortie | Organisation | Licence |
|---|---|---|---|---|---|---|---|---|---|---|
| Classe I, #1 à 4 | -8/+0 | 496 | N/A | XL - (estimation) | N/A | 09/26 | Anthropic | |||
| Classe I, #1 à 4 | -8/+1 | 656 | N/A | XL - (estimation) | N/A | 08/26 | Meta | |||
| Classe I, #1 à 4 | -8/+2 | 670 | N/A | XL - (estimation) | N/A | 09/26 | Meta | |||
| Classe I, #1 à 4 | -13/+3 | 1176 | N/A | L - (estimation) | N/A | 03/26 | OpenAI | |||
| Classe II, #5 à 8 | -9/+3 | 3121 | N/A | XL - (estimation) | N/A | 12/25 | ||||
| Classe II, #5 à 8 | -27/+5 | 284 | N/A | XL - (estimation) | N/A | 09/26 | Anthropic | |||
| Classe II, #5 à 8 | -17/+4 | 2071 | N/A | L - (estimation) | N/A | 03/26 | ||||
| Classe II, #5 à 8 | -25/+6 | 1375 | N/A | L - (estimation) | N/A | 07/26 | OpenAI | |||
| Classe III, #9 à 20 | -22/+6 | 2761 | N/A | L - (estimation) | N/A | 04/26 | OpenAI | |||
| Classe III, #9 à 20 | -22/+7 | 3076 | 117 mWh | S - 31 Mds | Dense | 04/26 | ||||
| Classe III, #9 à 20 | -27/+11 | 1003 | N/A | L - (estimation) | N/A | 07/26 | OpenAI | |||
| Classe III, #9 à 20 | -28/+11 | 1098 | N/A | XL - (estimation) | N/A | 05/26 | ||||
| Classe III, #9 à 20 | -18/+14 | 2665 | N/A | XL - (estimation) | N/A | 09/25 | Qwen | |||
| Classe III, #9 à 20 | -23/+15 | 2069 | N/A | L - (estimation) | N/A | 03/26 | OpenAI | |||
| Classe III, #9 à 20 | -30/+16 | 730 | N/A | L - (estimation) | N/A | 11/25 | OpenAI | |||
| Classe III, #9 à 20 | -22/+16 | 2960 | N/A | XL - (estimation) | N/A | 02/26 | ||||
| Classe III, #9 à 20 | -27/+17 | 1067 | N/A | L - (estimation) | N/A | 12/25 | OpenAI | |||
| Classe III, #9 à 20 | -25/+18 | 2834 | 84 mWh | S - 26 Mds | MoE | 04/26 | ||||
| Classe III, #9 à 20 | -24/+19 | 2188 | N/A | S - (estimation) | N/A | 03/26 | OpenAI | |||
| Classe III, #9 à 20 | -23/+20 | 3063 | N/A | XL - (estimation) | N/A | 06/25 | ||||
| Classe IV, #21 à 31 | -21/+20 | 3622 | 3979 mWh | XL - 685 Mds | MoE | 03/25 | DeepSeek | |||
| Classe IV, #21 à 31 | -24/+25 | 1074 | 1718 mWh | XL - 428 Mds | MoE | 06/26 | MiniMax | |||
| Classe IV, #21 à 31 | -21/+27 | 1562 | 3785 mWh | XL - 1000 Mds | MoE | 09/25 | Moonshot AI | |||
| Classe IV, #21 à 31 | -18/+22 | 4389 | N/A | XL - (estimation) | N/A | 09/25 | Anthropic | |||
| Classe IV, #21 à 31 | -29/+23 | 1195 | N/A | L - (estimation) | N/A | 06/25 | Mistral AI | |||
| Classe IV, #21 à 31 | -19/+22 | 6242 | 112 mWh | S - 27 Mds | Dense | 03/25 | ||||
| Classe IV, #21 à 31 | -22/+20 | 5600 | N/A | L - (estimation) | N/A | 08/25 | Mistral AI | |||
| Classe IV, #21 à 31 | -26/+25 | 2238 | N/A | XL - (estimation) | N/A | 05/25 | Anthropic | |||
| Classe IV, #21 à 31 | -21/+22 | 4968 | N/A | M - (estimation) | N/A | 04/25 | OpenAI | |||
| Classe IV, #21 à 31 | -29/+28 | 1185 | 939 mWh | L - 128 Mds | Dense | 04/26 | Mistral AI | |||
| Classe IV, #21 à 31 | -24/+27 | 2248 | 8890 mWh | XL - 1600 Mds | MoE | 04/26 | DeepSeek | |||
| Classe V, #32 à 44 | -27/+15 | 4803 | 4134 mWh | XL - 675 Mds | MoE | 12/25 | Mistral AI | |||
| Classe V, #32 à 44 | -29/+22 | 1150 | 3979 mWh | XL - 685 Mds | MoE | 08/25 | DeepSeek | |||
| Classe V, #32 à 44 | -28/+21 | 1699 | N/A | S - (estimation) | N/A | 08/25 | OpenAI | |||
| Classe V, #32 à 44 | -27/+18 | 2071 | N/A | XS - (estimation) | N/A | 03/26 | OpenAI | |||
| Classe V, #32 à 44 | -27/+20 | 1542 | N/A | S - (estimation) | N/A | 04/25 | OpenAI | |||
| Classe V, #32 à 44 | -25/+18 | 2693 | 347 mWh | L - 119 Mds | MoE | 03/26 | Mistral AI | |||
| Classe V, #32 à 44 | -25/+20 | 1778 | 1524 mWh | L - 284 Mds | MoE | 04/26 | DeepSeek | |||
| Classe V, #32 à 44 | -20/+20 | 4812 | 857 mWh | L - 111 Mds | Dense | 03/25 | Cohere | |||
| Classe V, #32 à 44 | -21/+19 | 6075 | 94 mWh | XS - 12 Mds | Dense | 03/25 | ||||
| Classe V, #32 à 44 | -21/+23 | 2057 | 3979 mWh | XL - 685 Mds | MoE | 12/25 | DeepSeek | |||
| Classe V, #32 à 44 | -26/+25 | 1358 | N/A | L - (estimation) | N/A | 08/25 | OpenAI | |||
| Classe V, #32 à 44 | -30/+28 | 1097 | 1524 mWh | L - 398 Mds | MoE | 01/26 | Arcee | |||
| Classe V, #32 à 44 | -16/+25 | 3958 | 109 mWh | S - 24 Mds | Dense | 06/25 | Mistral AI | |||
| Classe VI, #45 à 49 | -27/+23 | 4058 | 1601 mWh | XL - 400 Mds | MoE | 04/25 | Meta | |||
| Classe VI, #45 à 49 | -29/+16 | 6353 | 400 mWh | L - 109 Mds | MoE | 04/25 | Meta | |||
| Classe VI, #45 à 49 | -26/+20 | 6892 | 84 mWh | XS - 4 Mds | Dense | 03/25 | ||||
| Classe VI, #45 à 49 | -29/+20 | 4084 | 84 mWh | XS - 8 Mds | Matformer | 05/25 | ||||
| Classe VI, #45 à 49 | -30/+25 | 2315 | 3979 mWh | XL - 671 Mds | MoE | 01/25 | DeepSeek | |||
| Classe VII, #50 à 54 | -29/+24 | 4920 | 658 mWh | M - 70 Mds | Dense | 10/24 | Nvidia | |||
| Classe VII, #50 à 54 | -29/+25 | 3257 | N/A | S - (estimation) | N/A | 02/25 | Mistral AI | |||
| Classe VII, #50 à 54 | -26/+21 | 7155 | 658 mWh | M - 70 Mds | Dense | 12/24 | Meta | |||
| Classe VII, #50 à 54 | -29/+24 | 3479 | 118 mWh | S - 32 Mds | Dense | 12/24 | Cohere | |||
| Classe VII, #50 à 54 | -27/+27 | 1717 | 106 mWh | S - 22 Mds | Dense | 12/25 | EuroLLM | |||
| Classe VIII, #55 à 72 | -20/+28 | 2917 | 658 mWh | M - 70 Mds | Dense | 09/25 | Swiss AI | |||
| Classe VIII, #55 à 72 | -18/+25 | 7937 | 9134 mWh | XL - 405 Mds | Dense | 07/24 | Meta | |||
| Classe VIII, #55 à 72 | -19/+26 | 3509 | 342 mWh | L - 117 Mds | MoE | 08/25 | OpenAI | |||
| Classe VIII, #55 à 72 | -21/+27 | 1146 | 4095 mWh | XL - 744 Mds | MoE | 02/26 | Zhipu | |||
| Classe VIII, #55 à 72 | -19/+29 | 1230 | N/A | XL - (estimation) | N/A | 04/26 | Qwen | |||
| Classe VIII, #55 à 72 | -17/+27 | 1802 | 1601 mWh | L - 397 Mds | MoE | 02/26 | Qwen | |||
| Classe VIII, #55 à 72 | -18/+29 | 1076 | 733 mWh | L - 230 Mds | MoE | 03/26 | MiniMax | |||
| Classe VIII, #55 à 72 | -9/+18 | 6664 | 96 mWh | XS - 14 Mds | Dense | 12/24 | Microsoft | |||
| Classe VIII, #55 à 72 | -10/+29 | 1302 | 376 mWh | L - 120 Mds | MoE | 03/26 | Nvidia | |||
| Classe VIII, #55 à 72 | -10/+23 | 1693 | 658 mWh | M - 70 Mds | Dense | 01/25 | DeepSeek | |||
| Classe VIII, #55 à 72 | -9/+15 | 7502 | 89 mWh | XS - 8 Mds | Dense | 07/24 | Meta | |||
| Classe VIII, #55 à 72 | -8/+15 | 4991 | 83 mWh | S - 21 Mds | MoE | 08/25 | OpenAI | |||
| Classe VIII, #55 à 72 | -7/+24 | 1058 | 83 mWh | S - 30 Mds | MoE | 05/25 | Qwen | |||
| Classe VIII, #55 à 72 | -8/+23 | 905 | 83 mWh | S - 30 Mds | MoE | 08/26 | Nvidia | |||
| Classe VIII, #55 à 72 | -4/+15 | 2136 | 166 mWh | S - 35 Mds | MoE | 02/26 | Qwen | |||
| Classe VIII, #55 à 72 | -6/+17 | 205 | 89 mWh | XS - 8 Mds | Dense | 07/25 | Qwen | |||
| Classe VIII, #55 à 72 | -4/+10 | 985 | 118 mWh | S - 32 Mds | Dense | 04/25 | Qwen | |||
| Classe VIII, #55 à 72 | -0/+3 | 593 | 118 mWh | S - 32 Mds | Dense | 11/25 | Ai2 |