Model benchmarks
Références des modèles
| Modèles | ||||||
|---|---|---|---|---|---|---|
| GPT-4o | 51.4% | 66.1% | 31% | 60.3% | 72.09% | 27% |
| Claude 3.5 Sonnet | 18% | 65% | 49% | 76% | 65.46% | 55.6% |
| Claude 3.7 Sonnet | 23.3% | 68% | 62.3% | 82.2% | 68.3 | 60.4% |
| GPT-4.5 | 36.7% | 74.1% | 39% | n/a | 69.94% | 44.6% |
| DeepSeek V3 G324 | 58.4% | 64.9% | 38.6% | 81% | 68.05% | 58.1% |
| Claude 3.7 Sonnet [P] | 61.3% | 78.2% | 73.3% | 86.5% | 83.3% | 64.9% |
| OpenAI o1-mini | 63.6% | 60% | n/a | 90% | 62.2% | 52.8% |
| OpenAI o1 | 79.2% | 79.7% | 46.6% | 95.4% | 67.8% | 67% |
| OpenAI o1-mini-2 | 87.3% | 79.7% | 61% | 97.6% | 65.12% | 60.4% |
| Gemini 2.0 Pro | 52% | 84% | 63.6% | n/a | n/a | 72.5% |
| Gemini 3 (Beta) | 93.3% | 84.8% | n/a | n/a | n/a | n/a |
| Llama 4 Behemoth | n/a | 73.7% | n/a | 95% | n/a | n/a |
| Llama 4 Scout | n/a | 87.2% | n/a | n/a | n/a | n/a |
| Llama 4 Maverick | n/a | 88.8% | n/a | n/a | n/a | 58.6% |
| Gemini 3 Pro | n/a | 42.4% | 52.2% | 69% | n/a | 4.8% |
| Qwen 2.5-VL-32B | n/a | 46% | 18.8% | 82.2% | n/a | 69.84% |
| Gemini 2.0 Flash | n/a | 62.1% | 51.8% | 83.7% | 60.42 | 22.2% |
| Llama 3.1 70b | n/a | 50.5% | n/a | 77% | 77.5 | 61.45% |
| Nous Pro | n/a | 46.8% | n/a | 76.6% | 68.4% | 61.38% |
| Claude 3.5 Haiku | n/a | 49.8% | 40.5% | 68.4% | 64.31% | 28% |
| Llama 3.1 405b | n/a | 49% | n/a | 73.8% | 81.1% | n/a |
| GPT-4o-mini | n/a | 40.2% | n/a | 70.2% | 64.1 | 3.6% |
Détails des modèles
GPT-4o (OpenAI)
Modèle multimodal excellant dans les évaluations académiques et le raisonnement mathématique. Montre une forte performance en raisonnement logique (BFCL 72.09%) mais relativement plus faible dans les tâches du domaine automobile.
Claude 3.5 Sonnet (Anthropic)
Modèle équilibré avec de solides capacités de codage (SWE Bench 49%) et une compétence mathématique (MATH 500 76%). Amélioration de la compréhension du domaine automobile par rapport aux versions précédentes.
Claude 3.7 Sonnet [P] (Anthropic)
Version améliorée montrant des améliorations spectaculaires dans tous les benchmarks, particulièrement en ingénierie logicielle (SWE Bench 73.3%) et en logique fondamentale (BFCL 83.3%). Variante propriétaire potentielle.
DeepSeek V3 G324
Modèle polyvalent avec une performance de premier plan au MMAE 2024 (58.4%) et d’excellentes capacités mathématiques (MATH 500 81%). Maintient une performance constante dans tous les domaines.
Série OpenAI o1
Modèles de nouvelle génération montrant des performances révolutionnaires en mathématiques (o1-mini-2: MATH 500 97.6%). La variante o1-mini-2 est en tête dans les évaluations académiques (MMAE 87.3%) tout en maintenant de solides capacités de codage.
Série Gemini 3 (Google)
La version bêta montre une performance record au MMAE 2024 (93.3%) mais des benchmarks incomplets. La variante Pro semble spécialisée pour différentes tâches avec des résultats mitigés.
Série Llama 4 (Meta)
Variantes spécialisées avec l’édition Maverick en tête pour GPQA (88.8%). Le modèle Behemoth montre un fort raisonnement mathématique (MATH 500 95%) tandis que la variante Scout excelle dans le questionnement académique.
Qwen 2.5-VL-32B
Modèle axé sur la vision par ordinateur avec des performances surprenantes dans le domaine automobile (Aide Peugeot 69,84%). Démontre des capacités mathématiques décentes malgré des scores de programmation plus faibles.
Nous Pro
Modèle à usage général avec des performances moyennes constantes dans tous les benchmarks. Démontre une force particulière dans les applications automobiles (61,38%) par rapport aux modèles de taille similaire.
Llama 3.1 Series
Modèles à grande échelle démontrant de solides capacités logiques fondamentales (405b: BFCL 81,1%). La variante 70b maintient des performances équilibrées dans plusieurs domaines.