Benchmark LLM novembre 2026 : classement complet des IA

Notre benchmark LLM novembre 2026 consacre un nouveau leader : Gemini 4 Carbon de Google prend la première place à la fois de l'Artificial Analysis Intelligence Index, avec un score de 59, et de l'Arena de préférence humaine, avec 1 528 points d'Elo. Il devance de peu Claude Opus 5.5 d'Anthropic et GPT-6 Astra d'OpenAI. Cette dixième édition de notre classement s'appuie sur la nouvelle version 5.0 de l'index, qui change de jeu d'évaluations : ses scores ne sont donc pas comparables à ceux de septembre. Nous présentons le classement général, la préférence humaine, l'économie réelle des modèles (prix et débit), les modèles à poids ouverts et la place de l'Europe, avec pour chaque chiffre sa source et sa date. Pour suivre l'ensemble de la série, consultez notre page benchmark IA et l'édition de septembre 2026.

Faits marquants du benchmark LLM de novembre 2026

Le fait principal de cette édition est l'arrivée de Gemini 4 Carbon en tête des deux classements que nous suivons. Il obtient 59 points sur l'index v5.0 d'Artificial Analysis et 1 528 points sur l'Arena textuelle. Sur l'Arena, ce score est encore marqué comme préliminaire, avec 4 403 votes seulement : sa position pourra évoluer à mesure que les votes s'accumulent.

Le deuxième fait marquant est méthodologique. Artificial Analysis a publié la version 5.0 de son index, fondée sur neuf évaluations, dont Terminal-Bench 4.0, FrontierCode 2.0, AA-Omniscience v1.1 et HLE-Diamond. Les scores de la version 4.3, utilisée dans notre édition de septembre, ne peuvent pas être mis en regard de ceux de la version 5.0 : une baisse ou une hausse apparente entre les deux éditions ne traduit pas une évolution réelle du modèle.

Troisième tendance, la compétition se joue désormais sur le coût. Les versions « Sol » et « Terra » de GPT-6.1 et la gamme Sonnet 5.5 d'Anthropic se rapprochent des modèles de tête pour une fraction du prix. Pour une entreprise, le choix ne se résume plus à prendre le premier du classement.

Enfin, l'écart entre modèles propriétaires et modèles à poids ouverts reste important sur l'index v5.0, alors qu'il est beaucoup plus resserré sur l'Arena, où plusieurs modèles ouverts dépassent 1 475 points.

Le classement général : Artificial Analysis Intelligence Index v5.0

Le tableau suivant présente les onze premiers modèles par famille, dans leur configuration la plus performante. Les prix sont les tarifs publics en entrée et en sortie par million de tokens relevés par Artificial Analysis ; le débit correspond à la vitesse médiane de génération mesurée par la même source.

* Score Arena préliminaire. Entre parenthèses, la configuration évaluée sur l'Arena lorsqu'elle diffère de celle de l'index. Un tiret signifie que le modèle n'apparaît pas sous ce nom sur l'Arena au 27 octobre 2026.

Le podium est très serré : deux points seulement séparent le premier du troisième. Les dix premières places sont occupées par trois éditeurs, Google, Anthropic et OpenAI, si l'on excepte Muse Wonder Full de Meta, dont le prix n'est pas encore publié. Les scores détaillés figurent sur le classement d'Artificial Analysis.

La préférence humaine : ce que dit l'Arena

L'Arena mesure une autre dimension que l'index : la préférence des utilisateurs, qui comparent à l'aveugle les réponses de deux modèles. Elle reflète la qualité perçue de la conversation, du style et de la pertinence, plutôt que la réussite à des épreuves techniques.

Les deux classements convergent sur le leader, mais divergent nettement ensuite. Gemini 4 Argon n'est que septième de l'index avec 50 points, alors qu'il est deuxième de l'Arena. À l'inverse, GPT-6 Astra, troisième de l'index, se situe autour de la 37^e place de l'Arena avec 1 476 points. Meta place Muse Wonder (Max) à la quatrième place de l'Arena avec 1 507 points, pour seulement 43 points sur l'index.

Ces écarts sont instructifs : un modèle peut exceller sur des tâches de raisonnement mesurées et convaincre moins en conversation, ou l'inverse. Pour un usage conversationnel ou rédactionnel, l'Arena est un meilleur indicateur ; pour des tâches agentiques, de code ou d'analyse, l'index est plus pertinent. Nous publions les deux pour cette raison.

Il faut enfin rappeler que les écarts de quelques points sur l'Arena restent dans les marges d'incertitude : l'Arena affiche par exemple ±9 points pour Gemini 4 Carbon et ±7 points pour Claude Opus 5.5 (High).

L'économie réelle : prix et débit

Le classement brut masque des écarts de prix considérables. À intelligence comparable, le coût d'utilisation peut varier d'un facteur cinq, ce qui change radicalement l'équation pour un déploiement en production.

• GPT-6.1 Sol (Max) obtient 55 points pour 2 $ en entrée et 10 $ en sortie par million de tokens, soit un cinquième du prix de GPT-6 Astra (Max), qui obtient 57 points à 10 $ / 50 $.
• Claude Sonnet 5.5 (Max) obtient 54 points au même tarif de 2 $ / 10 $, avec un débit de 138 tokens par seconde, le plus élevé du top 10.
• GPT-6.1 Terra (Max) descend à 1 $ / 5 $ pour 51 points, avec 110 tokens par seconde.
• Gemini 4 Carbon (High) et Claude Opus 5.5 se situent tous deux à 4 $ / 20 $ pour les deux meilleurs scores.
• Muse Wonder (Max) de Meta est le plus rapide de notre sélection, à 192 tokens par seconde.

Pour la plupart des usages professionnels, les modèles de milieu de gamme comme GPT-6.1 Sol ou Claude Sonnet 5.5 représentent désormais le meilleur compromis. Les modèles de tête se justifient pour les tâches où quelques points d'index font une différence mesurable, comme l'analyse complexe ou les agents autonomes. Notre comparatif des serveurs d'inférence LLM aide à estimer le coût réel d'un déploiement auto-hébergé.

Les modèles à poids ouverts

Sur les 86 modèles évalués sur l'index v5.0 que nous avons relevés, 31 sont à poids ouverts. Le meilleur d'entre eux, DeepSeek V4.1 Flash, obtient 32,5 points, soit 27 points de moins que Gemini 4 Carbon.

Le contraste avec l'Arena est frappant : GLM-5.3 (1 481), MiMo-V2.6-Pro (1 480) et DeepSeek V4.1 Flash (1 476) y obtiennent des scores proches de ceux de GPT-6 Astra ou de Claude Sonnet 5.5. En conversation, l'écart perçu est donc bien plus faible que sur les évaluations de raisonnement et de tâches agentiques de l'index.

Pour les organisations soumises à des contraintes de souveraineté ou de confidentialité, ces modèles restent la seule option d'hébergement sur leur propre infrastructure. Leur coût d'inférence très bas, par exemple 0,15 $ / 0,60 $ pour MiniMax-M3.1-Flash, en fait aussi des candidats sérieux pour les traitements de volume. Les techniques de quantification des modèles permettent de réduire encore les ressources nécessaires.

L'Europe : Mistral à la peine sur les deux classements

Mistral AI reste le principal éditeur européen présent dans ces classements. Mistral Large 4 (High) obtient 26 points sur l'index v5.0, ce qui le place derrière plusieurs modèles ouverts chinois, et 1 432 points sur l'Arena, autour de la 113^e place. Mistral Medium 3.5 suit sur l'Arena avec 1 426 points.

Ces résultats ne disent pas tout de l'intérêt de Mistral pour une entreprise européenne : hébergement en Europe, contrats soumis au droit européen et possibilité d'auto-hébergement restent des critères déterminants dans de nombreux appels d'offres. Mais sur la performance brute mesurée par ces deux sources, l'écart avec les leaders américains reste important en novembre 2026.

Notre analyse dédiée au classement des LLM pour la France détaille ces critères de choix au-delà des scores.

La performance en français : toujours pas de mesure fiable

Comme dans l'édition de septembre, nous ne publions pas de classement spécifique au français. Les deux sources que nous utilisons évaluent les modèles principalement en anglais, et aucune évaluation publique récente, rigoureuse et couvrant les modèles actuels n'existe à notre connaissance pour le français.

Le travail académique de référence reste COLE, publié par l'Université Laval sur arXiv (2510.05046), dont les données s'arrêtent au milieu de 2025 et ne couvrent aucun des modèles de ce classement. Produire nous-mêmes des scores sans méthode vérifiable donnerait une illusion de rigueur : nous préférons l'indiquer clairement.

En pratique, les modèles de tête de ce classement sont tous capables de produire un français de bonne qualité. Pour un usage critique, comme la rédaction juridique ou la relation client, nous recommandons de tester les deux ou trois modèles présélectionnés sur un échantillon de vos propres documents.

Le code : un classement de référence à l'arrêt

Le classement SWE-bench, longtemps utilisé pour comparer les capacités de développement logiciel, n'intègre plus les modèles de pointe actuels : ses entrées les plus récentes sur swebench.com datent de février 2026, alors que le code du benchmark sur GitHub reste maintenu. Nous n'avons donc pas reporté de score SWE-bench dans cette édition.

Les capacités de code sont en revanche intégrées à l'index v5.0, qui comprend notamment Terminal-Bench 4.0 et FrontierCode 2.0. Le classement général reflète donc en partie la performance en développement. Pour un choix centré sur le code, l'Arena propose aussi un classement dédié, à consulter en complément.

Pour un projet de développement assisté par IA, le critère décisif reste souvent l'intégration dans l'outil utilisé et le comportement de l'agent sur votre propre base de code, plus que quelques points d'écart sur un benchmark.

Que choisir selon votre usage

1. Performance maximale (analyse complexe, agents autonomes) : Gemini 4 Carbon ou Claude Opus 5.5, au même tarif de 4 $ / 20 $.
2. Meilleur rapport qualité-prix : GPT-6.1 Sol ou Claude Sonnet 5.5, à 2 $ / 10 $, à quelques points des leaders.
3. Volume et coût minimal : GPT-6.1 Terra (1 $ / 5 $) ou, en poids ouverts, MiniMax-M3.1-Flash et DeepSeek V4.1 Flash.
4. Conversation et rédaction : privilégier les leaders de l'Arena, Gemini 4 Carbon, Gemini 4 Argon et Claude Opus 5.5.
5. Souveraineté et auto-hébergement : modèles à poids ouverts, en tenant compte de leur écart sur les tâches complexes.

Quel que soit le choix, la sécurité du déploiement compte autant que la performance, en particulier pour les agents qui accèdent aux données de l'entreprise, comme le détaille notre analyse des attaques contre les agents IA.

Méthodologie et sources

Depuis l'édition n° 9, notre classement s'appuie sur des sources tierces à la méthodologie publique, plutôt que sur un score pondéré maison. Pour cette édition n° 10 :

• Artificial Analysis Intelligence Index v5.0 : scores, prix publics et débit médian relevés le 2 novembre 2026 sur 86 modèles. Pour chaque famille, nous retenons la configuration la plus performante. Les scores sont arrondis à l'unité, sauf pour les modèles à poids ouverts.
• Arena (LMArena) : classement textuel général, sans ajustement de style, mis à jour le 27 octobre 2026, 9 003 272 votes et 419 modèles. Lorsque la configuration évaluée diffère de celle de l'index, nous l'indiquons.
• Prix : tarifs publics par million de tokens en entrée et en sortie. Ils peuvent varier selon la longueur du contexte ou le fournisseur.
• Non-comparabilité : les scores de l'index v5.0 ne se comparent pas à ceux de la v4.3 utilisée en septembre.

Les éditions précédentes restent consultables, dont l'édition d'août 2026 et le classement de juillet 2026.

Questions fréquentes

Conclusion

La dixième édition de notre benchmark LLM marque l'arrivée de Gemini 4 Carbon en tête des deux classements, devant un peloton très serré formé par Claude Opus 5.5 et GPT-6 Astra. Le passage à l'index v5.0 impose de ne pas comparer les scores avec les éditions précédentes. La tendance de fond se confirme : les modèles de milieu de gamme offrent désormais l'essentiel de la performance pour une fraction du prix, tandis que les modèles à poids ouverts restent nettement derrière sur les tâches complexes. Retrouvez l'ensemble des éditions sur notre page benchmark IA.