Fable 5 Mène la Danse, Mais Opus 4.8, GPT-5.5 et Grok 4.3 Remportent Aussi des Victoires Clés

Tier 1 : Le Nouveau Champion Toutes Catégories

Claude Fable 5 (Anthropic)

Lancé en juin 2026, Fable 5 est le modèle public le plus puissant d'Anthropic à ce jour. Il domine plusieurs classements et est décrit comme « l'état de l'art sur presque tous les benchmarks testés » .

• Intelligence Globale : Il s'empare de la 1ère place de l'Indice d'Intelligence d'Artificial Analysis avec un score de 64,9 . Il est également classé n°1 sur une base de données de plus de 370 modèles pour l'intelligence générale, le codage et les tâches agentiques .
• Domination en Codage : Fable 5 établit un nouveau record avec un score de 80,3 % sur SWE-Bench Pro, un benchmark de codage agentique. C'est 11,1 points de plus que Claude Opus 4.8 (69,2 %) et un écart colossal de 21,7 points avec GPT-5.5 (58,6 %) . Sur le benchmark encore plus exigeant FrontierCode (Diamond), son score de 29,3 % est plus du double de celui d'Opus 4.8 (13,4 %) et très loin devant GPT-5.5 (5,7 %) .
• Travail de Connaissance : Sur GDPval-AA, un benchmark pour les tâches agentiques du monde réel, Fable 5 atteint un Elo de 1932, s'assurant ainsi la première place .
• Contexte et Raisonnement : L'avance du modèle s'accroît sur les tâches longues et complexes . Il dispose d'une fenêtre de contexte de 1 million de jetons et mène la danse sur les métriques de raisonnement à contexte long .

Tier 2 : Les Spécialistes et Les Foudres de Guerre

Claude Opus 4.8 (Anthropic)

Avant l'arrivée de Fable 5, Opus 4.8 régnait en maître incontesté. Lancé fin mai 2026, il est désormais le puissant numéro deux chez Anthropic et reste un modèle de premier plan à part entière .

• Général et Agentique : Il a été le premier modèle à dominer l'Indice d'Intelligence d'Artificial Analysis avec un score de 61,4 et trône au sommet du classement GDPval-AA à 1890 Elo, avant d'être dépassé par Fable 5 .
• Codage : Il atteint 69,2 % sur SWE-bench Pro et 88,6 % sur SWE-bench Verified .
• Mathématiques : Il a démontré un bond historique de 27 points sur le benchmark de mathématiques de compétition USAMO 2026, passant de 69,3 % à 96,7 % en 41 jours .
• Honnêteté : Le modèle présente le plus faible taux d'hallucination factuelle parmi ses pairs, principalement parce qu'il s'abstient de répondre en cas d'incertitude plutôt que de deviner .

GPT-5.5 (OpenAI)

GPT-5.5, sorti fin avril 2026, a été le premier modèle de cette génération à reprendre la tête des performances globales pour OpenAI, mais avec un ensemble de compétences plus spécialisé .

• Raisonnement Mathématique : C'est le modèle de référence en maths, avec un score de 51,7 % sur FrontierMath Tier 1-3 et 35,4 % sur le Tier 4, réputé presque impossible — une avance nette sur le peloton .
• CLI Autonome : Il mène également sur Terminal-Bench 2.0 avec un score de 82,7 % pour les tâches complexes en ligne de commande, contre 69,4 % pour Claude Opus 4.7 .
• Contexte Long : GPT-5.5 a fait un bond de 37 points en récupération d'informations à contexte long (MRCR v2), atteignant 74,0 % avec une fenêtre de 1M de jetons, laissant les 36,6 % de son prédécesseur loin derrière .
• Bémol sur le Codage : Bien qu'étant un bon généraliste, son score sur SWE-Bench Pro de 58,6 % est désormais nettement à la traîne par rapport aux modèles d'Anthropic .

Gemini 3.5 Flash (Google)

Présenté à la conférence Google I/O 2026, ce modèle fait partie de la gamme 'Flash', conçue pour la vitesse et l'efficacité économique sans sacrifier la capacité à dépasser les attentes .

• Rapidité et Rapport Qualité-Prix : Il serait 4 fois plus rapide que Gemini 3.1 Pro pour les tâches agentiques et de codage, avec une tarification compétitive .
• Agentique et Utilisation d'Outils : Il obtient un score très solide de 83,6 % sur MCP Atlas, un benchmark d'utilisation d'outils en plusieurs étapes .
• Codage et Vision : Sur SWE-Bench Pro, son score de 55,1 % dépasse légèrement son prédécesseur plus imposant, Gemini 3.1 Pro. Il atteint 84,2 % sur le benchmark de raisonnement visuel CharXiv .
• Retour à la Réalité sur le Codage : Des données indépendantes d'Artificial Analysis suggèrent que ses scores en codage sont bien plus faibles que ce que laissent entendre les comparaisons de Google. Son utilité réelle pour les développeurs reste donc à valider .

Grok 4.3 (xAI)

Lancé discrètement fin avril 2026, Grok 4.3 est un pari sur la rentabilité et la vitesse qui excelle dans des niches spécifiques .

• Classement Général : Il affiche un score de 53 sur l'Indice d'Intelligence d'Artificial Analysis. Cela le place au-dessus des modèles de milieu de gamme comme Claude Sonnet 4.6, mais bien en dessous du top-tier GPT-5.5, Claude Opus 4.7 et Gemini 3.1 Pro .
• Le Roi du Suivi d'Instructions : Il se classe n°1 sur IFBench avec un score de 81 %, battant GPT-5.5, Gemini 3.1 Pro et Claude Opus 4.7 .
• L'Essor Agentique : Grok 4.3 montre un bond massif de +321 points Elo sur le benchmark de tâches agentiques GDPval-AA par rapport à son prédécesseur, atteignant un score de 1500 . Il réalise aussi un score de 98 % sur le benchmark τ²-Bench Telecom, menant le peloton .
• Démon de Vitesse : Les premiers rapports indiquent une vitesse de 159 jetons par seconde, d'autres benchmarks évoquant des vitesses entre 78,4 et 196 jetons/s .
• Tarifs et Limites : Proposé à un prix agressif estimé à 1,25$ / 2,50$ par million de jetons (entrée/sortie), c'est un excellent rapport qualité-prix pour des domaines spécifiques, mais il ne concurrence pas les autres en intelligence générale .

Le Champion de l'Open Source : DeepSeek V4 Pro (DeepSeek AI)

Sorti en avril 2026, DeepSeek V4 Pro est le challenger open source le plus puissant, offrant une valeur incroyable en codage, mais avec un avertissement critique des évaluateurs indépendants.

• Leader du Codage à Petit Prix : Il obtient un impressionnant 80,6 % sur SWE-bench Verified et 93,5 % sur LiveCodeBench, se plaçant à un cheveu de Claude Opus 4.6 en codage pour un prix dérisoire (estimé à environ 3,48$ par million de jetons de sortie) .
• Le Verdict du CAISI : Une évaluation indépendante du CAISI, une agence gouvernementale américaine, a conclu que les capacités de DeepSeek V4 sont en retard d'environ 8 mois sur la frontière technologique. Là où les propres données de DeepSeek le comparaient à GPT-5.4, le CAISI estime ses performances plus proches de GPT-5, sorti en août 2025 .
• Classement Général : Il reste à la traîne sur les tâches de connaissances générales et de raisonnement complexe par rapport aux géants propriétaires, se classant 39ème sur 123 modèles sur un classement plus large .

Sécurité et Évaluations Indépendantes

Les tests de sécurité indépendants et standardisés restent rares et souvent non publiés.

• DeepSeek V4 Pro (CAISI/NIST) : L'évaluation du gouvernement américain reste le signal de sécurité le plus notable, concluant que ses capacités accusaient environ 8 mois de retard sur la frontière .
• GPT-5.5 (AI Security Institute) : L'Institut britannique pour la sécurité de l'IA a rapporté que GPT-5.5 avait un taux de réussite de 71,4 % sur ses tâches expertes en cybersécurité, notant qu'il « pourrait être le modèle le plus fort que nous ayons testé » sur ce critère .

Comment Interpréter Ces Résultats

Il est tentant de couronner un seul vainqueur, mais les données peignent un tableau plus pragmatique :

• Pour la programmation pure et les tâches agentiques, Claude Fable 5 est sans égal.
• Pour le raisonnement mathématique lourd et le travail en ligne de commande autonome, GPT-5.5 est l'outil de prédilection.
• Pour un modèle équilibré, rentable, rapide et fiable, Gemini 3.5 Flash est une option convaincante, même s'il est prudent de valider ses performances en codage pour votre cas d'usage spécifique.
• Si vous avez besoin d'un spécialiste pour le raisonnement juridique, la finance ou le suivi d'instructions à bas prix, Grok 4.3 est un choix étonnamment puissant.
• Si vous construisez avec un budget serré et avez besoin d'un codage de pointe avec une licence open source, DeepSeek V4 Pro est imbattable en termes de rapport qualité-prix, mais sa sophistication en situation réelle n'égale peut-être pas celle des tout meilleurs.

Rappelez-vous toujours que les conditions des benchmarks varient (formulation des requêtes, utilisation des outils, effort de raisonnement) et qu'ils ne prédisent pas parfaitement la performance sur votre application spécifique.