En 2026, il existe plusieurs centaines de modèles d’intelligence artificielle. Certains excellent en raisonnement, d’autres en génération d’images, de vidéo, de code ou de voix. Cette page rassemble les principaux modèles IA du marché, leurs usages, leurs forces, leurs limites et nos comparatifs détaillés pour vous aider à choisir celui qui correspond à votre besoin.

Vous trouverez notamment :

• les meilleurs LLM généralistes et leur rapport qualité/prix
• les meilleurs modèles open weights, du plus gros au plus léger
• les meilleurs générateurs d’image et de vidéo
• les meilleurs modèles vocaux et de synthèse audio
• les meilleurs modèles pour coder, en cloud ou en local

Page mise à jour le 6 août 2026. Actualisée après chaque sortie majeure.

Le tableau de bord : quel modèle pour quel usage

L’état du marché en un coup d’œil, d’après nos articles et les classements publics cités (Artificial Analysis Intelligence Index, Speech Arena, Terminal-Bench).

Repères issus de nos articles et des classements publics cités. Les scores datent de juillet 2026 et évoluent vite : consultez nos publications récentes avant tout choix.

Notre méthode

Nos recommandations ne reposent pas uniquement sur les annonces des éditeurs. Nous croisons les benchmarks indépendants (Artificial Analysis Intelligence Index, Speech Arena, Terminal-Bench), les documentations officielles, les tarifs publics et, lorsque c’est possible, nos propres tests. Nous distinguons systématiquement les chiffres annoncés par les éditeurs des mesures indépendantes, et nous datons chaque information. Cette page est actualisée au fil des sorties de modèles.

Comprendre les modèles IA avant de choisir

Qu’est-ce qu’un modèle IA ?

Un modèle IA est un programme entraîné sur de grandes quantités de données pour réaliser une tâche : comprendre du texte, générer une image, synthétiser une voix, écrire du code. On parle de « modèle de fondation » quand il est généraliste et peut être adapté à de nombreux usages. Les modèles dits « frontier » (Claude Fable 5, GPT-5.6 Sol, Gemini 3.6) désignent les plus avancés du moment, ceux qui repoussent les limites mesurées par les benchmarks. Un modèle se caractérise par son architecture (Transformer, MoE, hybride), sa taille (en milliards de paramètres) et sa licence (propriétaire ou poids ouverts).

LLM, modèle multimodal, modèle spécialisé : quelle différence ?

Un LLM (Large Language Model) est un modèle entraîné principalement sur du texte. Il excelle en raisonnement, en rédaction et en code. Les modèles multimodaux ajoutent la compréhension d’images, d’audio ou de vidéo en entrée. Les modèles spécialisés, eux, sont conçus pour une tâche précise : génération d’image (Qwen Image 3.0), synthèse vocale (Qwen Audio 3.0 TTS Plus), vidéo (Flux 3) ou code (Laguna S 2.1). En pratique, la frontière s’estompe : les LLM frontier intègrent de plus en plus de modalités, tandis que les modèles spécialisés gagnent en polyvalence. Le choix dépend de votre usage principal, pas du nombre de modalités supportées.

Open weights ou propriétaire : quel choix pour votre projet ?

Un modèle propriétaire (Claude, GPT, Gemini) s’utilise via l’API ou l’interface de l’éditeur. Vous payez à l’usage, vous ne contrôlez ni l’entraînement ni les mises à jour. Un modèle open weights (Kimi K3, Nemotron 3 Ultra, Gemma 4) publie ses paramètres : vous pouvez l’héberger, le modifier et le fine-tuner. Attention : « open weights » ne veut pas dire « open source » au sens strict. La licence peut imposer des restrictions (pas d’usage commercial, pas de redistribution). Vérifiez toujours la licence avant de vous engager.

L’open weights change le calcul des entreprises qui veulent garder leurs données en interne. Kimi K3 (2 800 Md de paramètres) est aujourd’hui le plus gros modèle ouvert au monde. À l’autre bout du spectre, Gemma 4 12B de Google tient dans 16 Go de mémoire et tourne sur un PC portable. Le choix entre les deux dépend de votre infrastructure, de votre budget et de vos exigences de confidentialité.

Comment choisir un modèle IA ?

Quatre critères principaux :

• L’usage. Un LLM frontier pour le raisonnement complexe, un modèle spécialisé pour l’image ou la voix, un modèle léger pour le local. Ne payez pas pour des capacités que vous n’utiliserez pas.
• Le budget. Les écarts de prix sont énormes : GPT-5.6 Luna coûte 0,20 $/M tokens en entrée après sa baisse de 80 %, quand un modèle frontier peut coûter six fois plus. DeepSeek V4 Flash casse les prix à 0,14 $/M tokens. Calculez votre volume mensuel avant de choisir.
• La confidentialité. Si vos données ne doivent pas quitter votre serveur, l’open weights est la seule option. Gemma 4 12B, Devstral ou Qwen3-Coder tournent en local via Ollama.
• La fraîcheur. Les classements changent chaque mois. Un modèle n°1 en janvier peut être dépassé en juillet. Consultez nos comparatifs datés plutôt que des articles génériques non mis à jour.

Les benchmarks : comment lire les classements

Plusieurs benchmarks indépendants font référence :

• Artificial Analysis Intelligence Index : score agrégé qui compare les LLM sur le raisonnement, le code et les mathématiques. Claude Fable 5 mène avec 60, devant GPT-5.6 Sol (59) et Kimi K3 (57) en juillet 2026.
• Speech Arena : classement Elo des modèles vocaux, basé sur des comparaisons à l’aveugle par des humains. Qwen Audio 3.0 TTS Plus est en tête avec un Elo de 1 236.
• Terminal-Bench : évalue les modèles sur des tâches de code en environnement réel. Laguna S 2.1 (Poolside) y figure en 11e position malgré ses 8 Md de paramètres actifs.
• LM Arena : comparaisons à l’aveugle entre modèles, toutes catégories confondues.

À lire avec prudence : certains scores publiés par les éditeurs utilisent des configurations maison plutôt que le protocole standard, comme le montre notre analyse d’ARC-AGI-3. Plusieurs modèles ont aussi été surpris à tricher lors de tests indépendants (rapport de l’AISI britannique, Vending-Bench). Privilégiez les mesures indépendantes et datées.

LLM et modèles généralistes

Les modèles « frontier » d’Anthropic, OpenAI, Google et xAI se disputent le haut des classements, avec des écarts de prix du simple au sextuple pour des performances parfois proches. Fin juillet 2026, la guerre des prix s’est accélérée : OpenAI a coupé le tarif de GPT-5.6 Luna de 80 % et DeepSeek a relancé sa V4 Flash à prix cassés. Le choix ne se fait plus seulement sur la performance brute, mais sur le rapport score/prix.

• Fable 5, GPT-5.6 Sol, Kimi K3, Grok 4.5, Gemini 3.6 Flash : les modèles IA comparés sur le prix — notre comparatif de référence : tarifs officiels et score Intelligence Index.
• GPT-5.6 Luna : OpenAI casse son prix de 80 % — le modèle économique d’OpenAI passe à 0,20 $/M tokens en entrée, réponse directe aux labos chinois.
• DeepSeek V4 Flash 0731 : l’API repasse en bêta publique, prix cassés — 0,14 $/0,28 $ par million de tokens, score 50 sur l’Intelligence Index, benchmarks agentiques en forte hausse.
• Mistral Medium 3.5 et Le Chat Vibe Enterprise — le modèle dense français de 128B (poids ouverts, licence MIT modifiée) et son offre agentique pour les entreprises.
• GPT-5.6 Sol devance Opus 5 sur ARC-AGI-3 — ce que disent vraiment les chiffres, et pourquoi la comparaison est à nuancer.
• Claude Opus 5 triche sur Vending-Bench — le comportement des modèles livrés à eux-mêmes sur des tâches longues.
• Grok 4.5 : le modèle « classe Opus » moins cher de xAI
• Gemini 3.6 Flash : Google lance trois modèles et prépare Gemini 4
• Cinq modèles de pointe surpris à tricher aux tests de cybersécurité — le rapport de l’AISI britannique.

Modèles open weights

Notre plus gros dossier. Les laboratoires chinois (Moonshot, Alibaba, Z.ai), mais aussi Nvidia, Google et Thinking Machines, publient des poids ouverts qui rivalisent avec les modèles fermés et changent le calcul des entreprises qui veulent héberger l’IA chez elles. L’enjeu n’est plus seulement la performance : c’est la souveraineté des données, le contrôle du fine-tuning et la réduction des coûts à volume.

• Kimi K3 open source : le plus gros modèle ouvert au monde — 2 800 Md de paramètres, architecture MoE, téléchargement sur Hugging Face.
• Kimi K3 vs DeepSeek V4 Pro vs GLM-5.2 : le comparatif
• Inkling Small : Thinking Machines sort un MoE open-weights plus efficace — 276 Md de paramètres dont 12 Md actifs, le second modèle du labo de Mira Murati, pensé pour le rapport performance/coût.
• Nvidia Nemotron 3 Ultra — 550 Md de paramètres, hybride Transformer-Mamba, pensé pour les agents d’entreprise.
• Gemma 4 12B : l’IA locale multimodale de Google — sans encodeur, dans 16 Go de VRAM, licence Apache 2.0.
• Qwen 3.8 : Alibaba annonce 2 400 Md de paramètres en open weight
• Moonshot MoonEP : la bibliothèque qui muscle Kimi K3 — brique d’infrastructure open source (licence MIT) pour équilibrer la charge des MoE, gain de 2,5x revendiqué.
• La position d’Anthropic sur les modèles open-weights — la clarification de Dario Amodei.
• Ollama lève 65 M$ : l’IA locale change d’échelle

Génération d’image

Le rendu du texte dans l’image, point faible historique des générateurs, est devenu leur principal champ de bataille. La course se joue entre Alibaba, Microsoft, Google, OpenAI, Meta, Black Forest Labs et Midjourney. Les critères qui comptent : fidélité au prompt, lisibilité du texte généré, cohérence des détails et coût par image.

• Meilleur générateur d’image IA 2026 : le comparatif complet — 13 modèles comparés (GPT Image 2, Midjourney 8.2, Nano Banana 2, Muse Image, Ideogram, Krea 2, Seedream 5.0 Pro, Reve 2.1…) avec tableau de prix, benchmarks Artificial Analysis et LMArena, et recommandations par usage.
• Nano Banana 2 : Google muscle la génération d’images dans Gemini — numéro 1 sur LMArena, gratuit via Gemini, API agressive.
• Krea 2 : 12 milliards de paramètres en open weights sous licence custom — la meilleure option open weights pour générer en local.
• Flux 3 : Black Forest Labs dévoile son premier modèle multimodal — image, vidéo, audio et prédiction d’actions dans une seule architecture.
• Midjourney 8.2 : focus esthétique et personnalisation — version par défaut depuis le 24 juillet 2026, rendu photographique affiné et personnalisation améliorée.
• Qwen Image 3.0 : texte lisible à 10 pixels et infographies en une passe
• MAI-Image-2.5-Pro : le générateur haute fidélité de Microsoft — avec sa grille tarifaire détaillée.
• Muse Image : le générateur d’images agentique de Meta — gratuit via Meta AI, Instagram et WhatsApp, mais polémique sur la réutilisation de profils publics.

Génération de vidéo

Les modèles vidéo connaissent une progression rapide depuis 2025. Les principaux critères de comparaison sont aujourd’hui la durée générée, la cohérence temporelle, la qualité des mouvements, le réalisme des visages, la génération audio native et le coût par seconde produite. Flux 3 a franchi un cap en intégrant le son natif synchronisé, une première chez Black Forest Labs.

• Flux 3 : la vidéo IA gagne enfin du son natif — jusqu’à 20 secondes, audio synchronisé.
• Nightborne : un court-métrage de 13 minutes généré avec Seedance 2.0

Audio et voix

La synthèse vocale IA est sortie du stade « robotique ». Les modèles actuels visent la conversation en temps réel : latence sous les 100 ms, identité vocale cohérente d’une langue à l’autre, prise en charge de dizaines de langues. Le classement Speech Arena (comparaisons à l’aveugle par des humains) est la référence pour comparer les modèles vocaux.

• Qwen Audio 3.0 TTS Plus : en tête du classement Speech Arena — Elo 1 236, 16 langues.
• Grok Voice Think Fast 2.0 : xAI muscle son IA vocale pour les agents — 82,9 % sur le benchmark speech-to-speech d’Artificial Analysis, 0,08 $ la minute, latence divisée par deux.
• Fish Audio S2.1 Pro : 83 langues, 90 ms de latence — pensé pour les agents vocaux.
• MAI-Voice-2-Flash (Microsoft) — la synthèse vocale accélérée présentée dans le même article que MAI-Image.

Modèles pour le code

Le code est devenu le terrain d’affrontement le plus concret entre modèles. La question n’est plus « quel modèle code le mieux » mais « quel modèle pour quel budget et quel workflow ». Les modèles frontier (Claude Opus 5, GPT-5.6) dominent les tâches complexes, mais des modèles légers open source (Laguna S 2.1, Devstral, Qwen3-Coder) suffisent pour l’autocomplétion et tournent en local. La tendance émergente : planifier avec un modèle frontier, exécuter avec des modèles bon marché.

• Meilleure IA pour coder en 2026 : le comparatif complet — notre comparatif de référence : Claude Opus 5, GPT-5.6, DeepSeek V4 Flash, Cursor, classements LM Arena et verdict par profil.
• Comment faire tourner une IA de code en local sur son PC (Guide 2026) — Devstral, Qwen3-Coder et GLM-5.2 via Ollama, configuration VRAM et installation pas à pas.
• Laguna S 2.1 : le petit modèle de code open source qui bouscule les mastodontes
• Essaim d’agents : Cursor recrée SQLite pour 8 fois moins cher — planifier avec un modèle frontier, exécuter avec des modèles bon marché.
• Grok Build open source — et ce que sa fuite de données dit de la confidentialité des agents de code.

Nos comparatifs de référence

Un comparatif est en préparation : les meilleurs modèles open weights. Il sera publié sur cette page.

Dernières actualités modèles

Questions fréquentes

En résumé

Les modèles IA évoluent à un rythme inédit. Aucun modèle n’est le meilleur dans toutes les situations : Claude Fable 5 domine les classements de raisonnement, Grok 4.5 offre un excellent rapport performances/prix, Kimi K3 s’impose parmi les modèles à poids ouverts et Qwen Image 3.0 fait partie des références pour la génération d’images. Le bon choix dépend de votre usage, de votre budget et de vos exigences de confidentialité. Nous mettons cette page à jour après chaque sortie majeure pour vous aider à suivre l’évolution du marché.