Aller au contenu
AIRank
en pl es fr de
← Benchmarks

Elo LMArena

18 modèles classés

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.

Scores de LMArena

#Modèle
1GPT-5100
2Claude 4 Opus100
3Gemini 2.5 Pro99
4Cursor Tab98
5Llama 4 405B97
6Claude Code97
7Grok 396
8Qwen3 235B95
9DeepSeek V394
10GitHub Copilot94
11Mistral Large 393
12Claude 4 Sonnet92
13Aider91
14Command R+90
15Codeium Windsurf90
16Gemini 2.5 Flash89
17GPT-4o mini87
18Continue Dev86

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.

FAQ

Questions fréquentes

Qu’est-ce que 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. Les résultats Elo LMArena présentés ici proviennent des scores publics publiés par l’équipe du benchmark et ré-agrégés via des sources comme LMArena.

Comment les scores des benchmarks sont-ils calculés ?

Chaque benchmark publie ses résultats sur son échelle native — pourcentages, taux pass@1 ou points Elo. Nous normalisons chaque benchmark sur une échelle commune de 0 à 100 grâce à une mise à l’échelle min-max sur les modèles suivis, afin que les tableaux soient comparables d’un benchmark à l’autre. Les chiffres proviennent toujours des résultats publics publiés par les équipes des benchmarks, jamais d’évaluations propriétaires ou auto-réalisées.

Pourquoi les mêmes modèles sont-ils classés différemment selon les benchmarks ?

Les benchmarks mesurent des compétences différentes. GPQA teste la connaissance scientifique de niveau postuniversitaire, HumanEval et SWE-Bench mesurent la capacité de codage, et MATH couvre la résolution de problèmes pas à pas. Un modèle peut exceller en code tout en étant moyen en sciences — c’est précisément pourquoi nous conservons un classement distinct pour chaque benchmark plutôt que de tout fusionner en un seul score.