IA : l’écart modèles ouverts vs fermés se creuse en 2026

Temps de lecture : 6 min

Un basculement méthodologique, pas une régression des modèles

Concrètement, que s’est-il passé le 28 octobre 2026 ? Artificial Analysis a publié la version 5 de son Intelligence Index, l’indice de référence qui classe les grands modèles de langage. Et le moins que l’on puisse dire, c’est que le paysage change du tout au tout.

Le chiffre qui saute aux yeux : le meilleur modèle à poids téléchargeables obtient 32 points, contre 58 points pour Claude Opus 5.5, le modèle fermé d’Anthropic. Soit un écart de 26 points. Dans la version précédente de l’indice, encore en ligne quelques jours plus tôt, cet écart n’était que de 12 points. Ce n’est pas anodin : en une seule mise à jour, l’écart perçu entre les deux familles de modèles a plus que doublé. Sauf que… les modèles, eux, n’ont pas changé d’un iota.

60 % de l’indice repose sur des tests privés

La véritable explication tient en une phrase de l’article de présentation : désormais, 60 % de l’indice reposent sur des évaluations dont les jeux de test sont privés ou dont les réponses restent secrètes. Autrement dit, les laboratoires ne peuvent plus consulter les questions à l’avance, ce qui empêche l’optimisation ciblée des modèles pour le classement. Ce que ça change vraiment : on mesure enfin des capacités générales plutôt que des capacités de « bachotage ».

L’indice se divise en quatre familles de poids égal (25 % chacune) : travail intellectuel, code, sciences et connaissances générales. Artificial Analysis cite plusieurs épreuves privées pour illustrer ce virage :

• FrontierCode 2.0, un banc d’essai de programmation lancé par Cognition, dont les tâches restent privées pour éviter la contamination ;
• un sous-ensemble de 40 questions difficiles de CritPt v2 en physique ;
• AA-Omniscience v1.1, purgé de toutes ses questions publiques.

Trois épreuves sortent de l’indice (GDPval-AA, SciCode et AA-LCR), deux entrent (FrontierCode 2.0 et Terminal-Bench-Science, des tâches scientifiques menées dans un terminal), et HLE-Diamond remplace Humanity’s Last Exam. Allons plus loin : ce mouvement avait déjà été amorcé le 4 septembre 2026, quand Artificial Analysis portait la part privée à 40 % avec la version 4.2, tout en annonçant une nouvelle hausse.

Douze modèles ouverts perdent entre 12 et 16 points

Le tableau est édifiant. En comparant la page des modèles ouverts, encore affichée en version 4.3.2 le 28 octobre, au nouveau classement v5, on constate que les onze modèles recensés perdent tous entre 12 et 16 points. Mistral Large 4, dont les poids ne sont pas encore publiés, en perd 13. Claude Opus 5.5, lui, conserve exactement son score de 58 points entre le 23 et le 28 octobre.

Les modèles fermés les mieux classés restent installés entre 50 et 58 points en version 5 :

• Claude Opus 5.5 (Anthropic) : 58 points
• GPT-6 Astra (OpenAI) : 57 points
• GPT-6.1 Sol (OpenAI) : 55 points
• Claude Sonnet 5.5 (Anthropic) : 54 points
• GPT-6.1 Terra (OpenAI) : 51 points
• Gemini 4 Argon (Google) : 50 points

Pendant ce temps, Kimi K3.1 Pro de Moonshot AI, dont les poids ne sont pas publiés, passe de 55 à 46 points, soit 9 points de moins. Artificial Analysis n’explique pas explicitement la chute des modèles ouverts. Il ne mentionne la contamination — la présence des questions de test dans les données d’entraînement — qu’à propos de FrontierCode 2.0. Ce que l’on peut affirmer, c’est que la nouvelle composition pèse lourdement : les sciences comptent pour un quart de l’indice, et sur Terminal-Bench-Science, GPT-6 Astra réussit 63 % des tâches contre seulement 13 % pour DeepSeek V4.1 Flash. Sans les scores épreuve par épreuve des deux versions, impossible de démêler la part de chaque effet.

3, 12 ou 26 points : l’ambiguïté du calcul

C’est ici que le bât blesse. Artificial Analysis résume la version 5 par une phrase : l’écart des modèles à poids ouverts « passe de 3 à 12 points ». Sauf que ce calcul prend comme meilleur modèle ouvert Kimi K3.1 Pro, à 46 points, en précisant que ses poids ne sont « pas encore publiés ». Or la fiche de Kimi K3.1 Pro sur le même site le classe « Proprietary model ». Mistral Large 4, dans la même situation, est également classé propriétaire et absent de la page des modèles ouverts.

Concrètement, trois lectures coexistent :

• 3 points : l’écart de la version 4.2, déjà calculé avec Kimi K3.1 Pro comme ouvert, bien que ses poids soient fermés ;
• 12 points : l’écart annoncé pour la v5 avec le même choix contestable ;
• 26 points : l’écart réel entre le meilleur modèle à poids effectivement publiés (DeepSeek V4.1 Flash et GLM-5.3, à 32 points) et Claude Opus 5.5, à 58 points.

Avant le changement de version, ce dernier écart n’était que de 12 points. Ce n’est pas anodin : la méthodologie modifie profondément la perception que l’on a de la compétitivité des modèles ouverts.

Mistral Large 4 à égalité avec Muse, mais loin des meilleurs

Avec 25 points, Mistral Large 4 rejoint Muse Spark Open de Meta, qui le devançait d’un point le 19 octobre. Les deux sont les modèles non chinois les mieux classés parmi ceux dont les poids sont publiés ou annoncés. DeepSeek V4.1 Flash et GLM-5.3 les devancent de 7 points, MiMo-V2.6-Pro de Xiaomi de 5 points, et Ling 3.1 Flash ainsi que Step 5 de 4 points.

Aucun autre modèle européen n’a de score en version 5 : Mistral Medium 3.5 et Mistral Small 4 n’y figurent pas. La fiche de Large 4, passée en v5 le 28 octobre, n’affiche pas ses résultats épreuve par épreuve. On ne sait donc pas s’il conserve l’avance qu’il avait en version 4.3.2 sur les épreuves d’agent : 27 % de réussite contre 8 % pour Muse sur Terminal-Bench 4.0, et 60 % contre 50 % sur AutomationBench. Ces deux épreuves restent dans la v5, avec 15 % du poids total. Allons plus loin : deux informations manquent encore pour situer Large 4 parmi les modèles ouverts — la licence choisie et le score de la version publiée, dont l’entraînement par renforcement se poursuivait selon le billet de Mistral du 6 octobre.

Un modèle fermé en effort bas fait mieux que tous les poids publiés

C’est le point le plus contre-intuitif. Le classement indique le réglage d’effort de raisonnement de chaque modèle mesuré : max, xhigh ou high. Réglé en effort bas, Claude Opus 5.5 obtient 35 points pour un coût moyen de 0,98 dollar par tâche de l’indice, selon Artificial Analysis. C’est 3 points de plus que le meilleur modèle à poids publiés. En effort maximal, la même tâche lui coûte 10,04 dollars.

Ce que ça change vraiment : un comparatif d’achat entre un modèle téléchargeable et un modèle d’API doit désormais intégrer le réglage d’effort retenu. Ce n’est plus seulement une question de poids ouverts ou fermés, mais aussi d’équilibre entre coût, latence et qualité.

Ce qu’il faut retenir pour les professionnels de la formation

Pour mes lecteurs qui conçoivent des dispositifs de formation digitale, cet épisode du 28 octobre 2026 porte plusieurs enseignements actionnables :

• Défiance méthodologique : ne jamais prendre un classement de modèles pour argent comptant. La méthodologie change, et un écart de 12 points peut devenir 26 sans qu’aucune capacité n’ait bougé.
• Coût réel : privilégier des modèles à effort de raisonnement adapté à la tâche. Un modèle fermé en effort bas peut surpasser tous les modèles ouverts en coût-efficacité.
• Souveraineté : l’écart entre poids ouverts et fermés se creuse, mais il est en partie artefactuel. La question de la licence et de la réelle disponibilité des poids devient stratégique pour les organismes qui déploient des solutions propriétaires.

À retenir : la version 5 de l’Intelligence Index marque un tournant. Derrière la chute spectaculaire des modèles ouverts se cache un changement de méthodologie — 60 % de tests privés — qui rebat les cartes du benchmarking. Pour les décideurs, la vraie question n’est pas de savoir qui gagne, mais comment lire un classement devenu plus complexe. Ce n’est pas anodin : à l’heure où l’IA s’installe dans les dispositifs de formation, la capacité à décrypter ces indicateurs devient une compétence à part entière.