Le classement des modèles d’IA
Benchmarks
Classements IA par benchmark — GPQA, MMLU-Pro, SWE-Bench, HumanEval, LiveBench, Humanity's Last Exam, MATH et Elo LMArena. Chaque benchmark est normalisé sur une échelle de 0 à 100 et classé à partir des résultats publics publiés par leurs équipes.
Hugging Face
GPQA
GPQA est un benchmark à choix multiples créé par Google DeepMind, avec 448 questions scientifiques de niveau postuniversitaire en physique, chimie et biologie. Son nom signifie que les questions sont assez difficiles pour qu’un moteur de recherche ne puisse pas y répondre, ce qui protège le benchmark de la contamination. Le score reflète la fréquence à laquelle un modèle répond correctement à ces questions d’experts.
18 modèles classés · #1 GPT-5 99 →
Hugging Face
MMLU-Pro
MMLU-Pro est le successeur plus exigeant de MMLU, le benchmark de connaissances classique. Il élargit le test original à plus de 12 000 questions dans 14 disciplines académiques et ajoute dix choix de réponse, ce qui rend le hasard bien moins efficace. Il mesure l’étendue des connaissances d’un modèle et sa fiabilité à raisonner sur des sujets allant du droit et de la médecine à la physique et à l’économie.
18 modèles classés · #1 GPT-5 98 →
BenchLM
HumanEval
HumanEval est le benchmark de génération de code d’OpenAI : 164 problèmes de programmation écrits à la main qui vérifient si un modèle peut produire une fonction Python correcte à partir d’un docstring. Les scores sont rapportés en pass@1, la part de problèmes résolus au premier essai. C’est l’un des benchmarks de code les plus anciens et les plus cités, même si la programmation réelle l’a vite dépassé.
18 modèles classés · #1 GPT-5 100 →
BenchLM
SWE-Bench
SWE-Bench est le benchmark de code agentique : il donne au modèle une issue GitHub réelle d’un dépôt open source et lui demande de produire un patch qui passe les tests du projet. Avec plus de 2 000 tâches, il mesure si une IA peut naviguer dans des bases de code inconnues, comprendre des rapports de bugs et livrer des corrections qui fusionnent réellement. C’est le proxy public le plus proche d’un ingénieur logiciel embauché.
18 modèles classés · #1 GPT-5 93 →
LiveBench
LiveBench
LiveBench est un benchmark résistant à la contamination, publié en continu par Abacus AI, avec de nouveaux ensembles de questions diffusés selon un calendrier fixe pour que les modèles ne puissent pas s’entraîner sur des réponses fuitées. Il note 23 tâches objectives dans sept catégories — raisonnement, code, mathématiques, analyse de données, langage et plus — où chaque réponse est vérifiable par code, et non par un juge IA.
18 modèles classés · #1 GPT-5 99 →
BenchLM
Humanity's Last Exam
Humanity's Last Exam est le benchmark de connaissances le plus difficile jamais constitué : 2 500 questions rédigées par plus de 1 000 experts dans 100 matières, des mathématiques et de la physique au droit et à la linguistique. Conçu par le Center for AI Safety et Scale AI comme un test de frontière, la plupart des meilleurs modèles restent sous les 20 %. C'est la meilleure mesure disponible du plafond de la connaissance de l'IA.
18 modèles classés · #1 GPT-5 89 →
Hugging Face
MATH
Le benchmark MATH est un ensemble de 5 000 problèmes de mathématiques de niveau compétition dans 7 domaines, de l’algèbre et du dénombrement à la théorie des nombres et à la pré-analyse. Il teste non seulement le calcul mais le raisonnement pas à pas, puisque les problèmes ne sont notés que sur la réponse finale. Il reste le signal de référence pour mesurer la réflexion réelle d’un modèle — plutôt que sa mémorisation.
18 modèles classés · #1 GPT-5 95 →
LMArena
Elo LMArena
LMArena (ex-LMSYS Chatbot Arena) est le plus grand classement des préférences humaines en IA. Des millions d’utilisateurs votent lors de batailles à l’aveugle entre modèles, et les résultats alimentent un score Elo de Bradley-Terry — le même système que connaissent les joueurs d’échecs. Il capture ce que les gens préfèrent réellement utiliser en conversation, ce qu’aucun benchmark automatique ne peut reproduire entièrement.
18 modèles classés · #1 GPT-5 100 →
AIRank agrège ces résultats à partir des sources publiques indiquées sur chaque page. Nous ne menons pas nos propres évaluations et normalisons les résultats bruts sur une échelle de 0 à 100 pour que les tableaux soient comparables.