# Comment dresser votre propre courte liste de modèles d’IA et la tester?

Date: 2026-10-20 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/courte-liste-modeles-ia-tester/

**Answer:** Choisissez trois ou quatre modèles candidats, un par rôle dont vous avez besoin (un modèle puissant pour le travail difficile, un modèle à prix moyen pour le travail quotidien, un petit pour le volume), puis faites passer les mêmes dix à vingt tâches tirées de votre travail dans chacun et notez la qualité, le coût et le temps sur une seule feuille. Choisissez par travail, pas par fournisseur, et gardez la feuille pour pouvoir la relancer quand quelque chose change.

Au cours des six dernières semaines seulement, de nouveaux modèles sont arrivés d’OpenAI, d’Anthropic, de Meta, de Google et de Mistral. Chaque lancement est accompagné de graphiques qui le montrent en tête de quelque chose. Personne ne peut tous les essayer sur tout, et personne n’en a besoin. Ce qu’il vous faut, c’est une **courte liste** : un petit ensemble de modèles que vous avez testés sur votre propre travail, avec une note claire de celui que vous utilisez pour quoi.

La méthode ci-dessous prend un après-midi. Elle transforme la question « quelle IA est la meilleure? » en une question à laquelle vous pouvez répondre avec vos propres chiffres.

## Étape 1 : choisir par rôle, pas par marque

La plupart des gens ont besoin de modèles pour trois types de travail, et chaque grand laboratoire offre maintenant un niveau pour chacun :

| Rôle | Ce qu’il fait | Exemples offerts aujourd’hui |
|---|---|---|
| Lourd | Travail long, ouvert ou à enjeux élevés | Claude Opus 5.5, GPT-6 Astra, Gemini 4 Argon, Muse Wonder |
| Quotidien | La plupart de la rédaction, de l’analyse et de la programmation | Claude Sonnet 5.5, GPT-6.1 Sol |
| Volume | Trier, extraire, faire de courts résumés à grande échelle | Claude Haiku 5.5, GPT-6 Luna |

Choisissez un ou deux candidats par rôle auxquels vous avez réellement accès : par un abonnement que vous avez déjà, un compte d’API ou un essai gratuit. Si vous devez faire tourner un modèle sur vos propres serveurs, ajoutez un candidat à poids ouverts comme Mistral Large 4 une fois ses poids publiés. De quatre à six modèles au total, c’est amplement suffisant.

## Étape 2 : choisir vos tâches de test

Prenez de dix à vingt vraies tâches du dernier mois, réparties entre les rôles. Notez, avant de lancer quoi que ce soit, ce qu’une bonne réponse doit contenir. Si vous n’avez jamais créé d’ensemble de test, commencez par le guide pour créer un ensemble d’évaluation à partir de votre propre travail, en lien ci-dessous; il traite plus en profondeur des grilles et de la notation.

## Étape 3 : lancer la comparaison

Faites passer chaque tâche dans chaque candidat, dans une nouvelle conversation chaque fois, avec le même prompt. Notez quatre choses : une note de qualité de 1 à 5, le temps nécessaire pour obtenir une réponse utilisable, le coût et le nombre de corrections que vous avez dû faire.

Le coût demande de l’attention. Le prix par jeton n’en est que la moitié, parce que les modèles utilisent des quantités de texte très différentes pour terminer le même travail. Artificial Analysis, qui fait passer sa propre série de tests à de nombreux modèles, a rapporté des coûts moyens par tâche comme 5,98 $ US pour Claude Opus 5.5, 5,46 $ US pour Claude Sonnet 5.5, 4,52 $ US pour Muse Wonder, 3,26 $ US pour GPT-6 Astra et 1,99 $ US pour Gemini 4 Argon, selon Latent Space. Certains modèles aux prix par jeton élevés terminent avec moins de jetons. Votre propre feuille montrera ce que cela donne sur vos tâches.

Voici une feuille pour une seule tâche quotidienne, « résumer un rapport de 10 pages en cinq puces pour un gestionnaire ». Les chiffres sont donnés à titre d’illustration, pour montrer le format.

| Modèle | Qualité (1–5) | Temps | Coût par tâche | Corrections nécessaires |
|---|---|---|---|---|
| Candidat A (lourd) | 5 | 70 s | 0,21 $ US | 0 |
| Candidat B (quotidien) | 5 | 25 s | 0,06 $ US | 0 |
| Candidat C (quotidien) | 4 | 30 s | 0,05 $ US | 1 |
| Candidat D (volume) | 3 | 6 s | 0,01 $ US | 2 |

Pour cette tâche, le candidat B l’emporte : la même qualité que le modèle lourd, pour moins d’argent et moins d’attente. C’est le résultat le plus fréquent d’une comparaison, et c’est pourquoi une courte liste se rentabilise.

> **À essayer :** choisissez trois tâches que vous avez faites cette semaine et deux modèles auxquels vous avez accès. Faites passer chaque tâche dans les deux, remplissez les quatre colonnes ci-dessus et décidez quel modèle vous utiliseriez pour chaque tâche si vous deviez choisir aujourd’hui.

## Étape 4 : rendre la comparaison équitable

Quelques habitudes gardent une comparaison honnête. L’équipe de recherche d’Anthropic recommande de comparer les modèles **question par question**, puisqu’ils répondent tous au même ensemble; regarder l’écart sur chaque tâche est plus précis que comparer deux moyennes. Si les réponses varient d’une exécution à l’autre, lancez chaque tâche deux ou trois fois et faites la moyenne des notes. Et rappelez-vous qu’un petit ensemble ne détecte que les grands écarts. Avec quinze tâches, une différence d’un point sur quelques-unes peut relever du hasard.

Voyez les classements externes comme un point de départ. Artificial Analysis, par exemple, combine dix tests différents en un seul indice, et d’autres testeurs donnent du poids à d’autres compétences : un même modèle peut donc être mieux classé dans une liste que dans une autre. Votre feuille teste la seule chose qui compte pour vous.

## Étape 5 : écrire la décision

Terminez par une ligne par rôle : « Lourd : modèle X. Quotidien : modèle Y. Volume : modèle Z. » Ajoutez une note du prix payé et de la date. Cette page est votre courte liste.

## À quelle fréquence devriez-vous refaire les tests?

Relancez la feuille chaque fois que quelque chose y change. Trois déclencheurs comptent le plus.

Un **nouveau modèle ou une nouvelle version** dans l’un de vos rôles. Quand un laboratoire met à jour un modèle sur lequel vous comptez, ou qu’un concurrent en lance un dans le même niveau, refaites passer vos tâches avant de changer. Les aperçus méritent aussi un deuxième regard, puisqu’ils peuvent changer pendant que l’entraînement se poursuit.

Un **changement de prix**. Les prix bougent vite. Anthropic, par exemple, a réduit de 90 % le prix par jeton de son petit modèle pour les requêtes plus courtes avec Claude Haiku 5.5, et a réduit de moitié le prix des lectures en cache de Sonnet 5.5 le même jour. Un changement de ce genre peut renverser une décision sans aucun changement de qualité.

Un **changement dans votre propre travail**. De nouveaux types de tâches, des documents plus longs ou une nouvelle langue méritent de nouveaux cas de test.

Entre ces événements, une relance légère chaque trimestre garde la feuille honnête. Comme vos prompts et votre notation sont déjà écrits, une relance prend une heure, pas un après-midi, et elle vous dit s’il faut rester où vous êtes ou changer.

## Sources

- A statistical approach to model evaluations: https://www.anthropic.com/research/statistical-approach-to-model-evals
- Meta Muse Wonder & Wonder Full: MSL's Claude 5.5-tier Frontier Model: https://latent.space/p/ainews-meta-muse-wonder-and-wonder
- Introducing Claude Haiku 5.5: https://www.anthropic.com/claude-haiku-5-5