Pour chaque tâche de code : quel agent, quel modèle et quel effort de raisonnement utiliser avec votre abonnement, comment travailler et quand changer — pour obtenir le meilleur résultat avant d'épuiser votre quota.
Qu'est-ce qu'un agent de code ?
Une IA qui travaille dans votre projet : elle lit les fichiers, modifie le code, lance des commandes et des tests, et itère jusqu'à ce que la tâche soit terminée, sous votre contrôle. Le même agent s'utilise souvent de nombreuses façons — un terminal (CLI), une application desktop, une extension d'IDE, un service web, à distance depuis un téléphone ou un autre navigateur, dans GitHub et la CI/CD (revues de pull requests, agents assignés aux issues, GitHub Actions), depuis les outils d'équipe (Slack, Teams, Linear, Jira…) ou via un SDK dans vos propres scripts : Codex, par exemple, tourne dans Codex CLI, l'app de bureau ChatGPT, l'extension IDE Codex, Codex cloud, Codex Remote, Codex code review, Slack et le Codex SDK. Ci-dessous, les agents les plus utilisés, du plus au moins utilisé ; cette page les couvre tant qu'ils sont utilisés via un abonnement.
Agent
Usage au travail
CLI (terminal)
Application desktop
Extension d'IDE
Web / chat
À distance et mobile
GitHub et CI/CD
Outils d'équipe
SDK et scripts
Claude CodeAnthropic
39 %npm 12,5 M/sem.
Claude Code CLI
Claude Code Desktop
Claude Code for VS Code
Claude Code on the web
Remote Control, Claude app (iOS, Android)
Claude Code GitHub Actions, GitLab CI/CD
Claude Code in Slack
Claude Agent SDK, claude -p
GitHub CopilotGitHub
21 %npm 1,6 M/sem.
GitHub Copilot CLI
GitHub Copilot extension
Copilot Chat (github.com/copilot)
GitHub Mobile
Copilot code review, Copilot cloud agent
Slack, Microsoft Teams, Jira, Linear, Azure Boards
très utilisé sur cette surface : au moins 1 M de téléchargements de la CLI ou du SDK par semaine, 1 M d'installations de l'extension d'IDE, 10 000 dépôts qui utilisent l'action GitHub ou 1 M de pull requests relues par mois ; le desktop, le web, le pilotage à distance et les outils d'équipe ne publient aucun chiffre : seul l'éditeur que mesure l'enquête (Cursor, Antigravity) y reçoit un ✓ vert. Survolez un ✓ vert pour voir son chiffre.
disponible sur cette surface.
Usage : part des développeurs professionnels qui utilisent l'agent au travail, mai–juillet 2026 (JetBrains Developer Ecosystem Survey 2026, plus de 15 000 développeurs). npm : téléchargements hebdomadaires de la CLI de l'agent, 4–10 octobre 2026. Ces téléchargements incluent la CI et les mises à jour automatiques : ils ne servent qu'à classer les agents que l'enquête ne mesure pas. Qoder et MiMo Code sont écartés : moins de 12 000 téléchargements par semaine chacun. Les noms en gris sont ceux que chaque éditeur donne à chaque surface ; la colonne web ne compte que les services hébergés, pas les interfaces locales dans le navigateur.
>Choisissez ce que vous allez faire : vous obtenez le fournisseur, le modèle, l'effort de raisonnement et l'abonnement à utiliser, combien de temps rester dessus et vers quoi basculer ensuite, combien d'heures-agent votre quota vous donne — avec les preuves derrière chaque choix.
Planification avancée et architecture
Rédiger un plan de développement, une spécification, une stratégie de migration, une revue d'architecture.
Écrire un plan de développement avant une fonctionnalité
Concevoir une migration (framework, base de données, version d'API)
Revue d'architecture ou de sécurité d'une base de code
Transformer un brief flou en spécification et liste de tâches
Aucun benchmark ne mesure la qualité d'un plan ou d'une spécification. Le choix repose sur le raisonnement général (indice d'intelligence d'AA) et sur LibraryDesignBench, qui note la conception de l'API d'une bibliothèque. Les revues de sécurité sont à égalité sur CWE-bench v2 (250 tâches : Opus 5.5 67,1 %, Gemini 4 Argon 65,0 %, GPT-6 Astra 64,2 %, ±5 points ; Fable 5.2 et Gemini 4 Carbon pas encore classés).
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
Claude Fable 5.2·effort high
Agent
Claude Code
Abonnement
Claude Max (100 $) ou Ultra (200 $) : Fable peut utiliser jusqu'à 50 % de la limite hebdomadaire (sur Pro, crédits payants uniquement)
Fournisseur
Anthropic
≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale). Simuler votre cas
Choix retenu
Claude Opus 5.5(défaut)·effort xhigh
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 1,7 heures-agent par fenêtre de 5 h · ≈ 13 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Seulement pour le plan : une session, jusqu'à ce que le plan ou le SPEC.md soit écrit, relu et validé.
Ensuite
Arrêtez-vous là. Implémentez dans une nouvelle session avec Opus 5.5 en medium (défaut) — voir Code au quotidien — ou confiez le plan à une longue session avec /goal. Rester en xhigh pour implémenter coûte 2,5 fois plus par tâche (indice AA : 6,05 $ contre 2,45 $), et implémenter avec Fable 5.2 dépenserait son plafond hebdomadaire sur la partie qu'un modèle moins cher fait bien.
Alternative
GPT-6 Astra·effort xhigh
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Codex : 55,3 à l'indice AA pour 3,66 $ ; max n'ajoute que +1,5 point pour +70 % de coût.
Alternative
Gemini 4 Carbon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Antigravity avec Google AI Ultra : 60,0 à l'indice AA en high pour 7,76 $ par tâche (au prix catalogue ; moitié prix jusqu'au 2026-11-30), devant Opus 5.5 en xhigh (57,4), avec peu d'hallucinations. Sur Google AI Pro, Gemini 4 Argon en high : 50,4 à l'indice AA et premier de LiveBench 2.0 en raisonnement (95,1, contre 92 à 93 pour Astra, GPT-6.1 Sol et Opus 5.5, un seul essai) ; une session de planification tient dans la fenêtre de Pro.
Comment travailler
Tapez /plan <description> et réglez /effort xhigh (Opus 5.5), ou /model fable puis /effort high sur Max ou Ultra (Claude Code règle Fable 5.2 sur medium par défaut) : l'agent lit et propose, rien n'est modifié avant votre accord.
Terminez la spec par une vérification de bout en bout qui prouve que la fonctionnalité marche, puis faites relire le plan par une session ou un sous-agent vierge avant d'implémenter.
Pour une grosse fonctionnalité, demandez à Claude de vous interviewer et d'écrire le résultat dans SPEC.md ; les plans sont aussi enregistrés dans ~/.claude/plans.
Modifiez le plan avec Ctrl+G, puis implémentez dans une nouvelle session en /effort medium.
Dans Codex : /plan, avec plan_mode_reasoning_effort réglé dans config.toml, et tenez un PLANS.md référencé depuis AGENTS.md.
Pourquoi
Un plan, c'est une longue passe de raisonnement : l'effort y rapporte. Opus 5.5 obtient 57,4 à l'indice d'intelligence d'AA (v5) en xhigh, devant Claude Sonnet 5.5 en max (54,5 pour 10,02 $) et juste sous son propre max (59,1), pour 40 % de moins que max (6,05 $ contre 10,04 $ par tâche). Il fonctionne avec Claude Pro.
La planification est là où Claude Fable 5.2 rentabilise son quota sur Max et Ultra : premier à l'indice AA (61,8 en high pour 9,08 $ ; 64,6 en max), premier de FrontierCode 2.0 en xhigh (49,1 % ; 45,3 % en high, au niveau d'Opus 5.5 en max, 45,5 %, pour moins cher) et de LiveBench 2.0 au global (84,9). Un plan coûte peu de tokens mais décide de tout ce qui suit : quelques tours de Fable y sont rentables ; confiez ensuite le travail à Opus 5.5, qui consomme environ 1,4 fois moins de quota par heure.
Opus 5.5 reste premier de LibraryDesignBench (48,9 ±0,9), qui note l'API qu'un modèle conçoit pour une bibliothèque, devant Claude Fable 5.1 (47,5) et GPT-6 Astra (45,1) — et devant la vraie bibliothèque de production (46,6) ; Fable 5.2 n'y est pas encore classé.
Planifiez une fois en high (Fable 5.2) ou en xhigh (Opus 5.5), max seulement pour le plan vraiment critique, puis exécutez les étapes en medium (Opus 5.5). Fable 5.2 en max vaut rarement le coup : +2,7 points à l'indice AA par rapport à high pour près de 3 fois le coût (26,54 $ contre 9,08 $).
Fonctionnalités, corrections simples, revues, petits refactors — le travail de toute la journée. Un bug que vous n'expliquez pas a sa propre fiche : Débogage.
Corriger un test cassé par votre propre modification
Ajouter un endpoint, un formulaire, une option de CLI
Relire une pull request
Petit refactor sur quelques fichiers
Choix retenu
Claude Opus 5.5(défaut)·effort medium(défaut)
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Toute la journée : medium, le réglage par défaut de Claude Code, est celui à laisser. Une session par tâche (/clear entre deux tâches), et arrêtez une session après deux corrections ratées.
Ensuite
Une tâche qui résiste (une modification subtile, deux tentatives ratées) : /effort high pour cette tâche seulement, ou ultrathink pour un tour, puis retour en medium. Un bug que vous n'expliquez pas : Débogage. Une modification qui ne tient pas en une phrase : planifiez-la d'abord (Planification avancée). Beaucoup de petites retouches mécaniques : Gros volume.
Alternative
GPT-6.1 Sol(défaut)·effort medium
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Codex sur ChatGPT Plus : au niveau d'Opus 5.5 en medium sur FrontierCode 2.0 (29,6 % contre 30,1 %) pour 0,49 $ par tâche contre 1,70 $, et 48,0 % sur Terminal-Bench 4.0 (AA) contre 52,5 %. Réglez medium : son défaut, low, tombe à 30,8 % sur Terminal-Bench 4.0 (AA). Plus permet environ 15 à 160 messages GPT-6.1 Sol par 5 heures. Pour l'interface et le visuel, préférez Opus 5.5 : GPT-6.1 Sol est derrière lui sur Arena WebDev (1743 contre 1814) et Design Arena (1354 contre 1381).
Alternative
Gemini 4 Carbon·effort medium
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Antigravity avec Google AI Ultra (pas Pro), ou GitHub Copilot Pro+ : premier de CursorBench 4.0 (60,1 % en medium pour 8,49 $) et 40,0 % sur FrontierCode 2.0, devant Opus 5.5 en medium pour environ trois fois le coût par tâche. Réglez medium : son défaut, high, n'apporte rien sur FrontierCode 2.0 (37,5 %) et low ne coûte pas moins. Son prix API double le 2026-12-01 (4 $ / 20 $).
Alternative
Claude Fable 5.2·effort medium(défaut)
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Sur Claude Max ou Ultra, pour les tâches les plus dures de la journée, pas pour tout : en medium, il dépasse Opus 5.5 en high sur FrontierCode 2.0 (37,6 % contre 34,5 %) et à l'indice AA (56,4 contre 51,8) pour 3,10 à 3,80 $ par tâche. Il puise dans son propre plafond (50 % de la limite hebdomadaire). Jamais /fast sur abonnement : le mode rapide n'est facturé qu'en crédits payants (16 $ / 80 $ par million de tokens).
Alternative
GLM-5.3·effort max(défaut)
Claude Code or ZCode · GLM Coding Plan (18 $ / 80 $ / 168 $)
Repli petit budget seulement, quand aucun autre abonnement ne convient : GLM Coding Plan Lite (18 $/mois, 2 000 crédits par 5 heures) dans Claude Code ; DeepSWE 69,0 % en max, mais loin derrière sur CursorBench 4.0 (42,6 %) et FrontierCode 2.0 (17,8 %). En max, il consomme environ 2 900 crédits par heure active : Lite donne donc environ 40 minutes de travail d'agent par 5 heures (le double en heures creuses).
Comment travailler
Pas besoin de plan si vous pouvez décrire la modification en une phrase ; sinon, tapez /plan <tâche> — plus fiable que Shift+Tab, qui part désormais du mode auto.
Restez en medium (le défaut). Pour un tour difficile, ajoutez ultrathink dans le prompt : depuis la 2.1.311, ce tour passe en xhigh dans le terminal.
Donnez à l'agent une vérification qu'il peut lancer (tests, build, lint) et demandez la commande et sa sortie, pas une affirmation. Après deux corrections ratées, /rewind ou /clear, puis reformulez avec ce que vous avez appris.
Avant la pull request : /code-review cherche les bugs dans un sous-agent vierge ; /simplify nettoie le diff mais ne cherche pas les bugs.
Dans Codex : /model → GPT-6.1 Sol en medium (son défaut, low, fait bien moins bien) ; structurez le prompt en Objectif, Contexte, Contraintes, Critère de fin.
Pourquoi
La meilleure qualité pour le quota sur le travail courant. Les benchmarks sont faits de tâches difficiles : là, high ajoute environ 4 points à medium (CursorBench 4.0 52,5 % → 56,0 %, Terminal-Bench 4.0 (AA) 52,5 % → 56,6 %, FrontierCode 2.0 30,1 % → 34,5 %) pour environ 35 % de quota en plus, donc environ un quart d'heures d'agent en moins. Sur les tâches courantes que medium résout déjà, ce gain ne se voit pas : gardez high pour les tâches qui résistent.
C'est le seul modèle de pointe que Claude Pro inclut sans crédits, et le modèle et l'effort par défaut de Claude Code depuis le 2026-09-22. Sous-ensemble SWE-bench Pro d'Anthropic : 92,8 % résolus à 0,22 $ par tâche résolue, contre 92,3 % à 1,19 $ pour Fable 5.1 à son réglage par défaut.
Claude Fable 5.2 en medium fait un peu mieux (CursorBench 54,8 %, Terminal-Bench 4.0 (AA) 55,1 %, FrontierCode 2.0 37,6 %) pour plus cher par tâche (4,66 $ contre 2,91 $ sur CursorBench), puise dans le plafond hebdomadaire de Fable (50 % sur Max et Ultra) et demande des crédits payants sur Pro : voir l'alternative.
Un bug que vous n'expliquez pas encore : trouver la cause, le reproduire, le corriger et prouver la correction. Le diagnostic demande plus de raisonnement qu'écrire du code.
Un test qui échoue seulement en CI, ou seulement de temps en temps
Une stack trace ou un plantage en production
Une régression après une mise à jour
Un bug qui traverse plusieurs services ou fichiers
Choix retenu
Claude Opus 5.5(défaut)·effort high
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 1,8 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Jusqu'à ce que la cause soit trouvée et la correction prouvée par un test, puis /effort medium à nouveau : high coûte environ 27 % de plus par tâche que medium, trop pour le laisser toute la journée.
Ensuite
Toujours bloqué : ajoutez ultrathink au prompt suivant (un tour en xhigh). Bloqué après deux tentatives : /clear, puis Claude Fable 5.2 en xhigh (Max ou Ultra) avec ce que vous avez appris. Une fois corrigé : retour au Code au quotidien.
Alternative
Claude Fable 5.2·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Sur Claude Max ou Ultra, pour le bug qu'Opus 5.5 n'a pas résolu, même avec ultrathink : le modèle Claude le plus fort au diagnostic — Terminal-Bench 4.0 (AA) 61,6 %, FrontierCode 2.0 49,1 %, indice AA 62,2, et 65,2 % sur le passage Terminal-Bench de Vals AI (en high) — pour 14,83 à 20,81 $ par tâche. Max fait moins bien (59,6 %) pour 31,59 $. Il puise dans le plafond de Fable (50 % de la limite hebdomadaire).
Alternative
Gemini 4 Carbon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Antigravity avec Google AI Ultra, ou GitHub Copilot Pro+ : 65,2 % sur Terminal-Bench 4.0 (AA) en high pour 10,05 $ par tâche, devant tous les modèles Claude et OpenAI de ce passage, et 60,4 % sur CursorBench 4.0. Son prix API double le 2026-12-01.
Alternative
GPT-6.1 Sol(défaut)·effort xhigh
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Codex sur ChatGPT Plus ou Pro : 54,0 % sur Terminal-Bench 4.0 (AA) en xhigh pour 1,03 $ par tâche, un cinquième d'Opus 5.5 en high, pour quelques points de moins ; max ajoute 2 points (56,1 %, et 60,9 % sur le classement officiel Terminal-Bench 4.1) pour 75 % de plus.
Comment travailler
Commencez par /effort high ; ajoutez ultrathink dans un seul prompt pour ne passer que ce tour en xhigh.
Donnez l'erreur complète, la stack trace et la commande exacte qui échoue, puis demandez une reproduction (un test qui échoue) avant toute correction.
Demandez la cause en une phrase et la preuve (logs, bisect, valeur affichée) avant que l'agent modifie le code ; refusez une correction qui ne fait que masquer le symptôme.
Terminé quand le test de reproduction passe et que le reste de la suite passe toujours ; puis /code-review sur le diff.
Dans Codex : /model → GPT-6.1 Sol en xhigh pour le diagnostic, puis retour en medium.
Pourquoi
Le diagnostic est une tâche difficile, où l'effort se voit. Terminal-Bench, c'est surtout du diagnostic en terminal (builds cassés, services en panne, données à récupérer) ; sur le passage d'Artificial Analysis, Opus 5.5 gagne 4 points de medium à high (52,5 % → 56,6 %) pour 4,04 $ → 5,12 $ par tâche, environ 27 % de quota en plus.
Pourquoi pas xhigh pour toute la session : 3 points de plus (59,6 %) pour 8,78 $, encore 72 % de plus, et rien de plus sur CursorBench 4.0 (56,0 % en high comme en xhigh). ultrathink donne xhigh au seul tour qui en a besoin. Max n'apporte rien de plus que xhigh (59,6 %).
Landing pages, composants, dashboards — là où des humains jugent le résultat.
Construire une landing page ou un site vitrine
Créer des composants d'interface et un design system
Dashboards et visualisation de données
Rendre une page existante responsive et accessible
Choix retenu
Claude Opus 5.5(défaut)·effort medium(défaut)
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pour les pages, les composants et les retouches : medium, le réglage par défaut, mène déjà Design Arena, dont les entrées Opus 5.5 tournent à un effort proche du défaut.
Ensuite
Pour la page qui doit marquer (une landing page, une vitrine) : /effort max pendant sa construction, le réglage derrière l'avance sur Arena WebDev, puis retour en medium. Max consomme environ 35 % de quota en plus par heure (facteur d'effort 1 contre 0,74).
Alternative
Claude Fable 5.2·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Sur Claude Max ou Ultra, pour la seule page qui doit impressionner : meilleur score d'Arena WebDev (1835,8 ±22,4), mais sur 994 votes, dans la marge d'Opus 5.5, neuvième du classement code global de Design Arena (1347) et environ deux fois plus lent par génération. Il puise dans le plafond hebdomadaire de 50 % de Fable : revenez à Opus 5.5 une fois la page en place.
Alternative
Claude Sonnet 5.5·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Troisième d'Arena WebDev (1772,5 ±9,9), deuxième d'Arena Image-to-WebDev (1744,1) et devant Opus 5.5 sur les composants d'interface de Design Arena (1386 contre 1370, sur 459 duels), pour environ 40 % du coût d'Opus 5.5 en max par tâche de l'indice AA (4,09 $ contre 10,04 $).
Alternative
Kimi K3.1 Pro·effort max
Kimi Code · Plan Kimi Code (Plus ou supérieur)
Via les plans Kimi Code (Plus limite son contexte à 262K tokens) : 1687,7 ±9,8 sur Arena WebDev, le meilleur modèle à poids ouverts du classement, deuxième des composants d'interface de Design Arena (1393 sur 324 duels, derrière GPT-6 Astra à 1399) et troisième du tableau agentique full-stack (1330). Lent : environ 15 à 19 minutes par génération sur Design Arena.
1675,8 ±6,2 sur Arena WebDev, juste sous Kimi K3.1 Pro, et 1286 sur Design Arena frontend, devant Claude Sonnet 5.5 (1281) et GPT-6.1 Sol (1266), dans Qwen Code avec le Qwen Token Plan dès 6 $.
Comment travailler
Lancez claude --chrome (connexion par abonnement requise) : l'agent ouvre la page, lit les erreurs de console, capture son résultat et le compare à votre maquette ; /verify contrôle l'application lancée.
Nommez les styles à éviter (par exemple « pas de fond crème, pas de boutons en pilule ») plutôt que de demander d'« éviter le look IA générique ».
Gardez le serveur de développement lancé et itérez par petits prompts.
N'utilisez le mode plan que pour des fonctionnalités sur plusieurs pages ou un design system.
Dans Antigravity, /browser vérifie la mise en page dans un Chrome isolé.
Pourquoi
En tête d'Arena WebDev (1814,3 ±11,7, votes humains à l'aveugle, arrêtés au 2026-11-10), à égalité avec Claude Fable 5.2 en xhigh (1835,8 ±22,4 sur seulement 994 votes, rangs 1 à 2), et nettement devant Claude Sonnet 5.5 en xhigh (1772,5), Gemini 4 Carbon en high (1768,2, préversion), GPT-6 Astra en max (1764,4) et GPT-6.1 Sol en max (1743,0). Premier aussi d'Arena Image-to-WebDev (1751,9 ±19,2), au niveau de Claude Sonnet 5.5 (1744,1).
Design Arena va dans le même sens sans départager les meilleurs : au niveau de GPT-6 Astra en xhigh sur son classement code global (1381 contre 1387), premier du tableau agentique full-stack (1408, 73 % de 318 duels gagnés, devant Astra à 1342) et deuxième du tableau agentique frontend (1319, derrière Astra en max, 1343). Claude Fable 5.2 n'est que neuvième du classement code global (1347) et met environ deux fois plus de temps par génération.
Medium pour le front-end courant, max seulement pour une page vitrine : Arena WebDev ne mesure Opus 5.5 qu'en max, tandis que Design Arena n'indique pas d'effort pour Claude et que ses entrées Opus 5.5 tournent à peu près aussi vite que Claude Sonnet 5.5, un effort proche du défaut — et elles mènent déjà le classement full-stack.
Refactors de plusieurs heures, migrations, travail intensif en terminal où l'agent tourne seul.
Migrer toute une base de code vers un nouveau framework
Refactor de plusieurs heures sur des centaines de fichiers
Mettre en place CI, Docker et infrastructure de zéro
Laisser l'agent travailler seul sur une longue liste de tâches
Les mesures divergent selon le type de tâche : choisissez selon votre abonnement. Sur SWE-Marathon (tâches longues, 160 essais chacun), Gemini 4 Carbon, Sonnet 5.5, Opus 5.5, GPT-6.1 Sol et GPT-6 Astra sont dans la marge d'incertitude (42 à 54 %). La rétro-ingénierie de binaires favorise OpenAI (Vals SRE-bench, un benchmark de sécurité : Astra 56,9 %, GPT-6.1 Sol 50,8 %, Opus 5.5 33,6 %), et aucun benchmark ne mesure l'infrastructure ou le DevOps en tant que tels ; construire un programme de zéro favorise Claude (Vals ProgramBench : Fable 5.2 19,0 %, Opus 5.5 18,5 %, Astra 5,5 %). Sur la suite longue durée de LiveBench 2.0 du 2026-11-06, Fable 5.2 en xhigh mène (82,9) devant Astra (75,6), Opus 5.5 (72,8) et GPT-6.1 Sol (65,6), sur un seul essai et à 160,92 $ par tâche. L'indice d'agents de code d'AA ne mesure Opus 5.5 et GPT-6.1 Sol qu'en max.
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
Claude Opus 5.5(défaut)·effort xhigh
Agent
Claude Code
Abonnement
Claude Max (100 $) ou Ultra (200 $) pour les longues sessions
Fournisseur
Anthropic
Un agent seul n'atteint jamais la limite de 5 h (≈ 8,6 heures-agent par fenêtre) · ≈ 82,2 heures-agent par semaine avec Claude Max 5x (estimation centrale). Simuler votre cas
Choix retenu
GPT-6.1 Sol(défaut)·effort xhigh
Agent
Codex
Abonnement
ChatGPT Plus (20 $) ou Pro
Fournisseur
OpenAI
≈ 3,7 heures-agent par fenêtre de 5 h · ≈ 26,3 par semaine avec ChatGPT Plus (Codex) (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pendant toute la session, jusqu'à ce que la condition de /goal soit remplie — des heures s'il le faut. Vérifiez les étapes clés plutôt que chaque action.
Ensuite
Une fois l'objectif atteint, arrêtez la session, faites relire en contexte vierge (/code-review), puis revenez en medium (Code au quotidien) pour la suite. Si la session échoue deux fois sur la même erreur, arrêtez-la et replanifiez plutôt que de la laisser consommer du quota.
Alternative
Claude Sonnet 5.5·effort max
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Troisième de l'indice d'agents de code d'AA dans Claude Code, 59,3 à 13,30 $ par tâche contre 61,7 à 11,42 $ pour Opus 5.5 en max, mais devant sur Terminal-Bench 4.0 (AA), 63,6 % contre 59,6 %, et deuxième du classement officiel tbench.ai (63,94 %). Depuis la baisse de moitié du prix de ses lectures de cache le 2026-10-07, il devrait consommer environ 40 % de quota en moins par heure active qu'Opus 5.5 (estimation).
Alternative
GPT-6 Astra·effort high
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Pour les longues sessions les plus dures dans Codex avec ChatGPT Pro : premier de Vals SRE-bench (rétro-ingénierie de binaires) en max (56,9 %, GPT-6.1 Sol 50,8 %, Opus 5.5 33,6 %), deuxième de FrontierSWE (65,5, derrière Fable 5.2) et de la suite longue durée de LiveBench 2.0 en max (75,6, un seul essai). Ailleurs, GPT-6.1 Sol fait aussi bien pour bien moins (indice d'agents de code d'AA en max : 54,7 pour 7,04 $, contre 54,1 pour 1,50 $). Sur le classement officiel tbench.ai, high atteint déjà 60,0 %.
Alternative
Gemini 4 Carbon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Avec Google AI Ultra dans Antigravity (/goal compris) : deuxième modèle seul de l'indice d'agents de code d'AA (59,4 pour 7,74 $ par tâche au prix catalogue, environ 15,60 $ par heure d'agent active, moitié moins jusqu'au 2026-11-30), premier de SWE-Marathon (53,75 %, dans la marge des autres) et meilleur « pire essai » de FrontierSWE (56,2 ; moyenne 61,2 pour 61,93 $ par essai, le moins cher des meilleurs). Moins fiable sur les commandes shell dans les sessions d'agent d'Arena ; fixez une limite d'agents à /swarm. Google AI Pro n'a pas Carbon, et Gemini 4 Argon n'y donne qu'environ 2 heures d'agent par fenêtre de 5 heures.
Alternative
Claude Fable 5.2·effort high
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Seulement pour le build le plus dur de la semaine, sur Claude Max ou Ultra : premier de FrontierSWE (69,9, contre 62,3 pour Opus 5.5) et de Vals ProgramBench (19,0 % en high), et de la suite longue durée de LiveBench 2.0 en xhigh (82,9). Mais il coûte environ 1,7 fois Opus 5.5 par essai sur FrontierSWE (168,78 $ contre 98,87 $), Fable peut utiliser au plus 50 % de la limite hebdomadaire, et sa system card signale du travail laissé inachevé dans 6 à 13 % des sessions : donnez à /goal une condition vérifiable.
Comment travailler
Planifiez d'abord avec /plan, puis confiez l'objectif avec /goal <condition> (Claude Code et Codex). Rendez la condition vérifiable (« les tests passent », « tous les endpoints sont migrés ») : un évaluateur séparé la revérifie après chaque tour.
Restez en mode auto (le défaut) pour que la session n'attende jamais une confirmation, et écrivez dans AGENTS.md / CLAUDE.md de ne s'arrêter que s'il est bloqué ou avant toute action destructrice. Jamais --dangerously-skip-permissions hors d'un bac à sable.
Effort : /effort xhigh dans Claude Code ; model_reasoning_effort = 'xhigh' pour GPT-6.1 Sol dans Codex (son défaut est low).
Découpez les parties indépendantes : /batch <instruction> ou claude --worktree <nom> dans Claude Code ; worktrees ou tâches cloud dans Codex.
ultracode (ou « use a workflow ») orchestre des dizaines d'agents mais consomme beaucoup plus de quota : essayez d'abord sur un seul dossier.
Terminez par une revue en contexte vierge : /code-review (alias /review) dans Claude Code, /review dans Codex.
Pourquoi
Sur l'indice d'agents de code d'AA, qui fait tourner chaque modèle dans l'agent de son éditeur, Opus 5.5 en max dans Claude Code est premier (61,7 pour 11,42 $ par tâche), devant Gemini 4 Carbon (59,4) et Claude Sonnet 5.5 (59,3) ; GPT-6.1 Sol en max dans Codex obtient 54,1 pour 1,50 $, moins bien mais pour environ un huitième du coût. Sur le classement officiel tbench.ai (Terminal-Bench 4.1, la renotation de la 4.0 du 2026-11-09), Opus 5.5 en max est premier (65,76 %, 14,30 $ par essai) et GPT-6.1 Sol en max (60,91 %) devance de peu GPT-6 Astra (60,30 %) pour un cinquième de son coût par essai (1,92 $ contre 9,90 $).
Opus 5.5 : max n'apporte rien par rapport à xhigh sur Terminal-Bench 4.0 mesuré par AA (59,6 % des deux côtés) pour 49 % de coût en plus ; Anthropic recommande xhigh pour les tâches de plus de 30 minutes.
GPT-6.1 Sol consomme environ la moitié du quota de GPT-6 Sol par heure active dans l'indice d'agents de code d'AA : ChatGPT Plus suffit pour commencer. En xhigh : Terminal-Bench 4.0 (AA) 54,0 % pour 1,03 $ par tâche, le score de GPT-6 Astra en high pour un quart du coût. Max ajoute environ 2 points (56,1 %) pour 75 % de plus, ce qu'une session de plusieurs heures sur Plus ressent : gardez max pour une session courte et difficile.
Beaucoup de petites tâches bien définies : la meilleure qualité qu'un petit budget permet, sans y dépenser le quota d'un modèle de pointe.
Renommer, reformater, ajouter des types sur de nombreux fichiers
Écrire en masse des docstrings, des tests ou des traductions
Sous-agents qui cherchent ou résument du code
Corrections rapides d'une ligne
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
GPT-6.1 Terra·effort medium(défaut)
Agent
Codex
Abonnement
ChatGPT Plus (20 $)
Fournisseur
OpenAI
Un agent seul n'atteint jamais la limite de 5 h (≈ 6,6 heures-agent par fenêtre) · ≈ 47,4 heures-agent par semaine avec ChatGPT Plus (Codex) (estimation centrale). Simuler votre cas
Choix retenu
Claude Haiku 5.5·effort medium(défaut)
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
Un agent seul n'atteint jamais la limite de 5 h (≈ 16,1 heures-agent par fenêtre) · ≈ 122,3 heures-agent par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Tant que les tâches restent mécaniques et entièrement spécifiées : renommages, types, docstrings, tests sur un modèle clair. Testez le prompt sur 2 ou 3 fichiers, puis parallélisez.
Ensuite
Dès qu'une tâche demande du jugement (un choix de conception, un bug flou), revenez au Code au quotidien. Seulement quand le quota de Terra s'épuise sur des retouches triviales, GPT-6 Luna en max coûte un peu moins, mais fait bien moins bien (Terminal-Bench 4.0 (AA) 12,6 % contre 32,3 %). Jamais Claude Fable 5.2 pour le travail en masse ou les sous-agents : il viderait son plafond de 50 % de la semaine sur des retouches qu'un petit modèle fait aussi bien.
Alternative
Claude Opus 5.5(défaut)·effort low
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Dans Claude Code, Anthropic recommande low pour les sous-agents : 87,4 % sur son sous-ensemble SWE-bench Pro à 0,12 $ par tâche résolue.
Alternative
MiMo-V2.6-Pro·effort high(défaut)
MiMo Code · MiMo Token Plan (6 $ / 16 $ / 50 $ / 100 $)
L'option compétente la moins chère : 34,8 % sur Terminal-Bench 4.0 (AA) à 0,44 $ par tâche et 29,9 à l'indice AA à 0,26 $ — devant GLM-5.3-Flash (32,8 % à 0,89 $ ; 27,8 à 0,58 $) — et 57,8 % au Vals Index pour 0,43 $, dans MiMo Code avec le MiMo Token Plan dès 6 $. AA n'indique pas l'effort de ces mesures MiMo (high supposé).
Alternative
GPT-6 Luna·effort max
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Dernier recours dans Codex quand le quota de Terra est épuisé : ChatGPT Plus permet environ 350 à 3 000 messages Luna par 5 heures contre 35 à 285 pour Terra, mais Luna en max est derrière sur tous les classements indépendants (Terminal-Bench 4.0 (AA) 12,6 %, indice AA 27,9, SWE-Marathon 28,1 %). Gardez-le pour des retouches triviales et entièrement spécifiées ; jamais en dessous de max (high : 4,5 % sur Terminal-Bench 4.0 (AA)).
Comment travailler
Un modèle moins cher plutôt qu'un modèle de pointe en effort bas : GPT-6.1 Terra dans Codex (/model), ou Claude Haiku 5.5 dans Claude Code (/model haiku), tous deux à leur réglage par défaut, medium.
Parallélisez : /batch <instruction> ou une boucle claude -p dans Claude Code ; demandez à Codex de lancer des sous-agents.
Testez le prompt sur 2 ou 3 fichiers avant de paralléliser, et restreignez les outils avec --allowedTools.
Chaque sous-agent puise dans le même quota d'abonnement : donnez-leur un effort plus bas (effort: low) ou un modèle plus petit (model: haiku, Claude Haiku 5.5) dans .claude/agents/<nom>.md ; dans Codex, agents.default_subagent_reasoning_effort.
Mettez les règles communes dans AGENTS.md / CLAUDE.md pour que chaque exécution les suive.
Pourquoi
La qualité d'abord, puis le prix, pour des tâches faciles : les retouches en masse sont mécaniques et entièrement spécifiées, donc l'effort par défaut suffit. En medium, GPT-6.1 Terra obtient 32,3 % sur Terminal-Bench 4.0 (AA) pour 0,28 $ par tâche, 38,2 à l'indice AA pour 0,17 $ et 42,0 à l'indice d'agents de code d'AA pour 0,39 $ : devant Claude Haiku 5.5 en medium (15,2 %, 24,6) et loin devant GPT-6 Luna en max (12,6 %, 27,9, 31,2).
Quand un élément du lot est plus dur que prévu, montez l'effort pour cet élément seulement : Terra en high atteint 41,9 % sur Terminal-Bench 4.0 (AA) pour 0,44 $, et Haiku 5.5 en xhigh 44,3 % sur CursorBench 4.0 pour 0,56 $ (36,9 % en medium).
Dans Claude Code, Haiku 5.5 est le petit modèle à utiliser : il tient sur les tâches longues (SWE-Marathon en max : 50,0 %), et Anthropic le destine aux sous-agents, aux résumés et à la compaction ; model: haiku dans .claude/agents/<nom>.md en fait le modèle des sous-agents.
Algorithmique, preuves et programmation compétitive
Un algorithme très difficile, un problème d'optimisation, une preuve, une tâche de type programmation compétitive.
Optimiser un algorithme difficile (graphes, programmation dynamique)
Problèmes de type programmation compétitive
Démontrer ou vérifier une propriété mathématique
Une heuristique pour une optimisation difficile (planification, tournées)
Les modèles d'OpenAI mènent tous les classements d'algorithmique, mais Opus 5.5 n'est mesuré sur ALE-Bench qu'en high, et Claude Fable 5.2 et Gemini 4 Carbon ne sont pas encore classés sur ALE-Bench, Vals IOI ni WeirdML v3.
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
GPT-6 Astra·effort max
Agent
Codex
Abonnement
ChatGPT Pro (100 $ / 200 $ / 500 $)
Fournisseur
OpenAI
≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale). Simuler votre cas
Choix retenu
GPT-6.1 Sol(défaut)·effort max
Agent
Codex
Abonnement
ChatGPT Plus (20 $) ou Pro
Fournisseur
OpenAI
≈ 3,7 heures-agent par fenêtre de 5 h · ≈ 26,3 par semaine avec ChatGPT Plus (Codex) (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Seulement pour le cœur difficile — l'algorithme, la preuve, l'optimisation : une session ciblée.
Ensuite
Une fois le cœur correct et testé, revenez au Code au quotidien pour le code autour, les entrées-sorties et les tests.
Alternative
Gemini 4 Argon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Pour des problèmes de type programmation compétitive dans Antigravity avec Google AI Pro payant ou Ultra : 100 % sur Vals IOI (au niveau de GPT-6 Astra) pour 5,31 $ par tâche et premier de LiveBench 2.0 en raisonnement (95,1). Moins fort en optimisation et en apprentissage automatique : 2100 sur ALE-Bench en high, 20,3 sur WeirdML v3.
Alternative
Claude Opus 5.5(défaut)·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Si vous n'avez qu'un plan Claude : 95,1 % sur Vals IOI et 31,2 sur WeirdML v3 en xhigh, derrière les modèles d'OpenAI ; ALE-Bench ne le mesure qu'en high (2147). Évitez max : Anthropic prévient qu'il peut trop réfléchir.
Comment travailler
Demandez d'abord une solution de référence naïve et des tests, puis l'algorithme optimisé, et laissez l'agent comparer les deux.
Dans Codex : /model → GPT-6 Astra, model_reasoning_effort = 'max' ; sur ChatGPT Plus, GPT-6.1 Sol en max.
Pour une preuve, demandez que chaque étape soit vérifiée par un test ou un petit programme (ou un assistant de preuve) plutôt que par la relecture du modèle.
Sur un plan Claude : Opus 5.5 en /effort xhigh, ou ultrathink pour un seul tour difficile.
Pourquoi
La qualité d'abord : GPT-6 Astra en max mène ALE-Bench (2951, contre 2147 pour Opus 5.5 en high), obtient 100 % sur Vals IOI (Opus 5.5 95,1 % ±4,9) et mène WeirdML v3 (42,2 en xhigh, Opus 5.5 31,2).
GPT-6.1 Sol en max est proche pour bien moins cher, sur ChatGPT Plus : deuxième d'ALE-Bench (2744 pour 0,60 $, contre 2,86 $ pour Astra), 96,9 % sur Vals IOI pour 1,26 $ par tâche et deuxième de WeirdML v3 (38,3). GPT-6.1 Terra en max est troisième d'ALE-Bench (2609 pour 0,41 $).
Simulations, noyaux numériques, data science et code de recherche, où une formule fausse donne des résultats faux sans prévenir.
Une simulation physique ou financière
Porter un noyau numérique (NumPy, Julia, CUDA)
Reproduire la méthode d'un article
Un pipeline d'analyse de données avec des statistiques
Deux classements, en partie disjoints : Terminal-Bench Science (Artificial Analysis) mesure tous les modèles actuels, SciCode ne mesure pas encore Claude Fable 5.2.
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
Claude Fable 5.2·effort high
Agent
Claude Code
Abonnement
Claude Max (100 $) ou Ultra (200 $) : Fable peut utiliser jusqu'à 50 % de la limite hebdomadaire (sur Pro, crédits payants uniquement)
Fournisseur
Anthropic
≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale). Simuler votre cas
Choix retenu
Claude Opus 5.5(défaut)·effort xhigh
Agent
Claude Code
Abonnement
Claude Max (100 $) ou Ultra (200 $) pour les longues sessions
Fournisseur
Anthropic
Un agent seul n'atteint jamais la limite de 5 h (≈ 8,6 heures-agent par fenêtre) · ≈ 82,2 heures-agent par semaine avec Claude Max 5x (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pour le cœur numérique : le modèle, les formules, le noyau, jusqu'à ce qu'il corresponde à un résultat de référence.
Ensuite
Une fois le cœur conforme à sa référence, revenez au Code au quotidien (Opus 5.5 en medium) pour les entrées-sorties, les graphiques et le packaging : Fable 5.2 dépenserait son plafond hebdomadaire sur du code qu'un modèle moins cher écrit aussi bien.
Alternative
Gemini 4 Carbon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Antigravity avec Google AI Ultra : deuxième de Terminal-Bench Science (AA) (64,8 %) et proche d'Opus 5.5 sur SciCode (64,2 %). Sur Google AI Pro, Gemini 4 Argon est plus faible ici (SciCode 61,8 %, Terminal-Bench Science 52,9 %).
Alternative
GPT-6.1 Sol(défaut)·effort max
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Codex sur ChatGPT Plus : 58,1 % sur Terminal-Bench Science (AA) pour bien moins cher par tâche, quelques points derrière les leaders Claude et Google.
Comment travailler
/model fable puis /effort high sur Max ou Ultra (Claude Code règle Fable 5.2 en medium par défaut) ; sur Pro, Opus 5.5 en /effort xhigh.
Donnez une référence : une solution analytique connue, un petit cas calculé à la main ou les chiffres publiés de l'article, et faites comparer l'agent à chaque modification.
Demandez les unités, les tolérances et les invariants (conservation, symétrie) sous forme de tests, pas de commentaires.
Pourquoi
La qualité d'abord : Claude Fable 5.2 mène Terminal-Bench Science (AA) en high (70,0 % ; 73,3 % en max), nettement devant Gemini 4 Carbon (64,8 %), GPT-6 Astra (63,3 % en max) et Opus 5.5 en xhigh (61,9 %). High plutôt que xhigh (67,6 %) ou max, qui coûte bien plus pour 3 points.
Opus 5.5 est premier sur SciCode (66,9 % en max, 65,0 % en xhigh), devant Gemini 4 Carbon (64,2 %) et une dizaine de points devant GPT-6 Astra (56,5 %), et fonctionne sur Claude Pro sans le plafond hebdomadaire de Fable. xhigh plutôt que max : Terminal-Bench Science (AA) 61,9 % en xhigh contre 59,0 % en max.
Icônes, logos et illustrations écrits en code SVG. Génération de code uniquement : il ne s'agit pas de génération d'images (pas d'images matricielles à partir d'un prompt). Les graphiques et les diagrammes ont leur propre fiche.
Un jeu d'icônes cohérent pour une application, en SVG
Une illustration ou un logotype dans un seul fichier SVG
Un logo avec quelques variantes (sombre, clair, carré)
Un petit SVG animé pour une landing page
Design Arena est le seul grand classement par votes à l'aveugle : il indique xhigh pour GPT-6 Astra mais aucun effort pour les modèles Claude (sur ce classement, un effort plus élevé rapporte environ 20 Elo, bien moins que l'avance d'Astra), et il publie de nouveau une erreur type. Le benchmark de Playcode tire un seul dessin par modèle et par effort, jugé à l'œil. Claude Fable 5.2, Gemini 4 Carbon, GPT-6.1 Sol et GPT-6.1 Terra ne sont pas encore classés en SVG sur Design Arena (il faut environ 200 duels par catégorie) : Fable 5.2 fait peut-être mieux, mais rien ne le mesure encore.
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
GPT-6 Astra·effort xhigh
Agent
Codex
Abonnement
ChatGPT Plus (20 $, 5 à 45 messages Astra par 5 heures) ou Pro (100 $ / 200 $ / 500 $)
Fournisseur
OpenAI
≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale). Simuler votre cas
Choix retenu
Claude Opus 5.5(défaut)·effort high
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 1,8 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pendant la création des éléments — un jeu d'icônes, une illustration, un logo — en itérant avec des rendus jusqu'à ce que ce soit juste.
Ensuite
Pour de petites retouches d'un SVG existant (couleurs, tailles), votre agent du quotidien suffit.
Alternative
GPT-6 Sol·effort max
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
La voie la moins chère sur ChatGPT Plus (15 à 150 messages par 5 heures, contre 5 à 45 pour Astra) : sixième du benchmark SVG MacBook de Playcode, avec un rendu produit correct pour 0,39 $ en max, environ un sixième des 2,29 $ d'Astra en max (GPT-6.1 Sol, cinquième, en dessine autant pour 0,21 $ en xhigh). Treizième de Design Arena SVG (1302 sur 893 duels, effort non indiqué), proche de Claude Opus 5.5.
Alternative
Gemini 4 Argon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Avec Google AI Pro (19,99 $) dans Antigravity : le meilleur modèle généraliste de Design Arena SVG après GPT-6 Astra (1329 sur 628 duels, 61,1 % gagnés), juste devant Opus 5.5. Effort non indiqué par le classement ; Antigravity est en High par défaut.
Comment travailler
Demandez un fichier, pas du code dans la réponse : un .svg par élément avec un viewBox, sans image matricielle embarquée, et une grille fixe (par exemple 24 × 24 pour des icônes) pour qu'un jeu reste cohérent.
Bouclez visuellement : faites rendre le fichier par l'agent dans un navigateur, prendre une capture et corriger ce qu'il voit avant votre relecture.
Pourquoi
Premier modèle généraliste de l'arène SVG de Design Arena : Elo 1421 ±9 sur 1 808 duels à l'aveugle (68,8 % gagnés), environ 90 points devant Gemini 4 Argon (1329), Kimi K3.1 Pro (1326) et Claude Opus 5.5 (1321 ±10, 1 261 duels) : environ sept erreurs types, le seul signal sur un large échantillon pour les illustrations SVG. Seul Arrow 2 Telos, spécialisé en SVG et absent de tout abonnement, fait mieux.
Le benchmark SVG MacBook de Playcode (34 modèles, un dessin par modèle et par effort, jugé à l'œil, mis à jour le 2026-11-09) place désormais Claude Opus 5.5 premier, Claude Fable 5.2 deuxième et GPT-6 Astra troisième. Le meilleur dessin d'Opus 5.5 est en max via l'API Batch, inaccessible sur abonnement : en streaming, max rend un fichier vide ; high dessine un portable correct pour 0,40 $ et xhigh un portable plus détaillé pour 1,72 $, quatre fois plus cher — gardez xhigh pour une illustration vitrine. Fable 5.2 dessine son meilleur portable en medium (3,91 $) et rien en xhigh ni en max. Chaque effort d'Astra dessine un portable correct (0,98 $ en xhigh).
Graphiques, tableaux de bord et diagrammes en code
Visualisations de données, tableaux de bord et diagrammes d'architecture ou de séquence écrits en code (ECharts, D3, Mermaid, PlantUML). Génération de code uniquement, pas d'images.
Un graphique interactif ou un tableau de bord de données
Un diagramme d'architecture ou de séquence en Mermaid
Un logigramme d'un processus, gardé à côté du code
Transformer un CSV en rapport lisible avec des graphiques
Les graphiques ont un seul grand classement par votes à l'aveugle, la visualisation de données de Design Arena ; aucun benchmark ne compare les modèles sur les langages de diagrammes (Mermaid, PlantUML, draw.io, Excalidraw), donc pour les diagrammes le choix repose sur ce classement et sur le coût. Claude Fable 5.2 et Gemini 4 Carbon n'y sont pas encore classés.
Choix retenu
Claude Opus 5.5(défaut)·effort medium(défaut)
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pendant que vous construisez le graphique ou la première version du diagramme, en itérant avec des rendus jusqu'à ce qu'il se lise bien.
Ensuite
Pour les retouches suivantes (un libellé, un nœud de plus, une couleur), votre agent du quotidien suffit : un diagramme Mermaid est du texte ordinaire une fois qu'il existe.
Alternative
Claude Sonnet 5.5·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Deuxième en visualisation de données sur Design Arena (1362), sur seulement 160 duels pour l'instant : un rang provisoire, pour moins de quota par heure qu'Opus 5.5.
Alternative
Kimi K3·effort high(défaut)
Kimi Code · Plan Kimi Code (Plus ou supérieur)
Troisième de l'arène de visualisation de données (1348), sur un plan Kimi Code bien moins cher. Sur les mêmes plans, Kimi K3.1 Pro n'y est que seizième (1306).
Alternative
Gemini 4 Argon·effort high(défaut)
Antigravity · Google AI Pro (19,99 $) ou Ultra (99,99 $ / 199,99 $)
Avec Google AI Pro (19,99 $) dans Antigravity : septième en visualisation de données (1333). Effort non indiqué par le classement ; Antigravity est en High par défaut.
Comment travailler
Bouclez visuellement : faites rendre le graphique par l'agent dans un navigateur (ou npx @mermaid-js/mermaid-cli pour Mermaid), prendre une capture et corriger ce qu'il voit avant votre relecture.
Gardez les diagrammes en texte (Mermaid dans le Markdown) à côté du code qu'ils décrivent, pour que l'agent les mette à jour à chaque changement.
Donnez les vraies données (ou un échantillon) et dites ce que le lecteur doit voir d'un coup d'œil ; demandez un tableau accessible à côté de chaque graphique.
Pourquoi
Claude Opus 5.5 mène la visualisation de données de Design Arena (1390 ±14 sur 700 duels à l'aveugle), devant Claude Sonnet 5.5 (1362, sur seulement 160 duels), Kimi K3 (1348), Claude Fable 5.1 (1342), Gemini 4 Argon (1333) et GPT-6 Astra (1325, 10e) : environ trois erreurs types devant Astra, le premier pour les illustrations SVG.
Medium, le réglage par défaut : Design Arena n'indique aucun effort pour Claude, et graphiques et diagrammes sont du code ordinaire une fois les données connues. Montez en high pour un tableau de bord complexe ; évitez max, qui sur le benchmark SVG de Playcode rend un fichier vide après 128 000 tokens de réflexion.
Scènes Three.js, WebGL, jeux dans le navigateur, art génératif et animation, écrits en code. Génération de code uniquement : il ne s'agit pas de génération d'images ni de modèles 3D.
Une scène 3D interactive complexe en Three.js
Un jeu jouable dans le navigateur avec de la physique
Shaders, particules et animation procédurale
Data art avec p5.js ou D3
Aucun classement actuel ne mesure les scènes Three.js ou WebGL (l'arène Three.js de ZeroEval s'est arrêtée en août 2026 sans aucun modèle actuel). Le plus proche est le classement jeux de Design Arena, qui ne publie pas d'erreur type : GPT-6 Astra en max est en tête (1466, 1 244 duels) devant Astra en xhigh (1457) et Claude Opus 5.5 (1429) — une avance, pas un écart décisif —, puis GPT-6.1 Sol (1409), Kimi K3.1 Pro (1406), Claude Fable 5.2 (1404, sur seulement 396 duels) et Claude Sonnet 5.5 (1394) se suivent de près. Choisissez selon votre abonnement. Design Arena n'indique aucun effort pour les modèles Claude.
Choix à égalité — prenez celui que votre abonnement vous donne :
Choix retenu
Claude Opus 5.5(défaut)·effort medium(défaut)
Agent
Claude Code
Abonnement
Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
Fournisseur
Anthropic
≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale). Simuler votre cas
Choix retenu
GPT-6 Astra·effort xhigh
Agent
Codex
Abonnement
ChatGPT Pro (100 $ / 200 $ / 500 $)
Fournisseur
OpenAI
≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale). Simuler votre cas
Combien de temps, puis quoi
Restez dessus
Pendant que vous construisez la scène et ses interactions, à l'effort par défaut, medium.
Ensuite
Pour régler des valeurs, des couleurs et de petites corrections, /effort medium (défaut). Textures et icônes en SVG : voir Illustrations et icônes SVG.
Alternative
GPT-6 Astra·effort max
Codex · ChatGPT Plus (20 $) ou Pro (100 $ / 200 $ / 500 $)
Le choix dans Codex : premier du classement jeux de Design Arena en max (1466 sur 1 244 duels ; 1457 en xhigh) et cinquième d'Arena WebDev en max (1764,4). Max est le réglage le plus gourmand en quota de Codex : sur ChatGPT Plus (5 à 45 messages Astra par 5 heures), gardez-le pour les parties difficiles.
Alternative
Claude Sonnet 5.5·effort xhigh
Claude Code · Claude Pro (20 $), Max (100 $) ou Ultra (200 $)
1394 sur le classement jeux de Design Arena (2 008 duels), 35 points sous Opus 5.5, et troisième d'Arena WebDev en xhigh (1772,5, derrière Opus 5.5 et Fable 5.2), pour environ 40 % de quota en moins par heure active au même effort (estimation).
Comment travailler
Planifiez d'abord la structure de la scène (mode plan), puis construisez-la étape par étape avec le serveur de développement lancé.
Vérifiez chaque itération visuellement : avec claude --chrome, l'agent lance la scène, lit les erreurs de console et capture le résultat pour le comparer à ce que vous attendez.
Construisez en medium (le défaut) ; montez en /effort high pour des shaders et une physique qui résistent, ou ultrathink pour un tour difficile. Évitez max : aucun classement n'y montre de gain pour la 3D, et il peut consommer toute la limite de 128 000 tokens de sortie sur un seul gros fichier.
Pourquoi
Jeux : le meilleur modèle Claude du classement jeux de Design Arena (1429, 2 666 duels), derrière GPT-6 Astra en max (1466) et en xhigh (1457), et devant Claude Fable 5.2 (1404), sur des jeux pour navigateur écrits en code.
Travail web visuel : en tête d'Arena WebDev (1814,3 ±11,7 en max, à égalité avec Claude Fable 5.2 ; Astra en max 1764,4 ±8,6) et au niveau d'Astra en xhigh sur le classement code global de Design Arena (1381 contre 1387). Aucun des deux ne mesure la 3D en tant que telle.
Pourquoi medium : l'entrée d'Opus 5.5 sur les jeux n'indique aucun effort, et elle génère à peu près aussi vite que Claude Sonnet 5.5 (483 s contre 486 s), plus vite qu'Astra en xhigh (603 s) et bien plus vite qu'Astra en max (1 133 s), ce qui évoque l'effort par défaut, medium. La seule entrée en max, Arena WebDev, porte sur des applications web.
Quelle que soit la tâche : ce que recommandent les documentations de Claude Code, Codex, Antigravity et Grok Build, vérifié dans leur version actuelle (les astuces périmées sont écartées).
01La vérification d'abord
Donnez à l'agent un test réussi/échoué (tests, build, capture) et demandez des preuves, pas des affirmations. Tous les éditeurs placent ce conseil en premier.
Planifiez un travail ambigu, sur plusieurs fichiers ou dans un code inconnu ; pas une modification d'une phrase (documentation de Claude Code et de Grok Build). /plan est là quand vous en avez besoin.
/clear entre deux tâches sans rapport, /rewind plutôt que d'empiler les corrections, /btw pour une question annexe, /compact <quoi garder> en cours de tâche.
Gardez AGENTS.md / CLAUDE.md courts : ajoutez une règle quand une erreur se répète, retirez ce que le modèle fait déjà, et retestez après chaque nouveau modèle (/doctor).
Partez de l'effort par défaut de l'agent ; montez-le (ou ultrathink pour un tour) plutôt que d'écrire « réfléchis plus », et gardez xhigh et max pour les tâches où le gain est mesuré.
Worktrees, sessions parallèles, sous-agents et workflows démultiplient le travail, mais tous puisent dans les mêmes limites d'abonnement : vérifiez le simulateur avant de passer à l'échelle.
>Choisissez une tâche pour retrouver la méthode, les commandes adaptées à votre agent et une demande prête à adapter. Les commandes indiquent leur surface ; leur disponibilité dépend de la version et des skills activés.
Dans [projet], réalise [une modification]. Respecte [contraintes]. Le résultat attendu est [comportement observable]. Examine d’abord les fichiers utiles. Exécute [contrôles] et indique le résultat, les fichiers modifiés et les limites restantes.
Critère de fin. Pour un formulaire : envoyez des valeurs valides et invalides, rechargez pour vérifier la persistance attendue, puis essayez sur petit écran.
En cas d’échec. Si le périmètre grandit, sauvegardez l’état courant puis séparez la modification suivante.
Lis les instructions du projet. Indique les commandes de lancement et de test ainsi que les fichiers utiles à [tâche]. Propose un ajout court uniquement pour une règle récurrente manquante. Vérifie la commande avant de la documenter.
Critère de fin. Une nouvelle session retrouve les commandes et contraintes sans relire la conversation précédente.
En cas d’échec. Retirez les règles périmées ou contradictoires. Ce dépôt utilise AGENTS.md et un import dans CLAUDE.md ; cette convention n’est pas universelle.
Depuis [état], quand [action], j’attends [résultat]. Aujourd’hui [résultat observé]. Respecte [contraintes]. Vérifie [cas normal] et [cas d’erreur]. Sépare les observations des suppositions.
Critère de fin. Une autre personne peut suivre les contrôles et décider si la demande est satisfaite.
En cas d’échec. Si le résultat attendu reste ambigu, tranchez ce point avant de demander plus d’implémentation.
Explique comment [action utilisateur] produit [résultat]. Cite les fichiers et symboles utiles, décris les changements d’état et indique ce que tu n’as pas pu vérifier. Ne modifie pas encore les fichiers.
Critère de fin. Vous retrouvez le code responsable du comportement et reproduisez un exemple.
En cas d’échec. Réduisez la question à une route ou une fonction si l’explication devient un inventaire du dépôt.
Reproduis [étapes]. Attendu : [résultat]. Observé : [erreur]. Étaye la cause, applique une correction ciblée puis rejoue la reproduction et [contrôles utiles]. Indique les contrôles non exécutés.
Critère de fin. L’échec initial a disparu et les contrôles utiles passent. Un test sans rapport qui réussit ne suffit pas.
En cas d’échec. Si la reproduction échoue, conservez les journaux et détails d’environnement. N’empilez pas des corrections spéculatives.
Relis cette modification selon [critères d’acceptation]. Vérifie [parcours principal], [cas d’erreur] et [contraintes]. Exécute les tests utiles. Rapporte les problèmes avec références de fichiers, les contrôles faits et les incertitudes restantes.
Critère de fin. Les contrôles ont des résultats observables et permettent de distinguer ce qui est vérifié des suppositions.
En cas d’échec. Corrigez les problèmes importants et rejouez les contrôles concernés. L’approbation d’un second agent ne remplace pas les preuves.
Prépare une transmission : objectif, contraintes, branche et fichiers, décisions, contrôles et résultats, essais échoués, questions ouvertes et prochaine étape concrète. Exclue les secrets et l’historique inutile.
Critère de fin. Une nouvelle session reprend depuis un état vérifié sans répéter les essais échoués.
En cas d’échec. Si l’état diffère, rapprochez d’abord les fichiers et contrôles. La transmission ne prouve pas l’état courant.
Pour des tâches indépendantes aux limites claires, avec un responsable de l’intégration.
Avant de commencer. Des livrables distincts, des fichiers attribués ou worktrees isolés et des critères communs.
Séparez les recherches ou implémentations indépendantes. Évitez les modifications simultanées des mêmes fichiers.
Donnez contexte, périmètre et contrôles à chaque agent ; désignez un intégrateur.
Relisez le résultat commun et testez l’intégration après rapprochement des changements.
Commandes utiles
/batchClaude Code CLI
Pour un changement répétitif à grande échelle : décrivez le travail, validez le plan puis lancez les modifications en worktrees. Prévoir le quota et la revue d’intégration.
/forkCodex CLI
Créer une autre conversation pour explorer une piste. Ne crée pas à lui seul un worktree isolé.
Prends en charge [périmètre/fichiers] pour [livrable]. Coordonne-toi avant de toucher aux fichiers partagés. Valide avec [contrôles]. Rapporte changements, résultats et notes d’intégration. L’intégrateur vérifiera le comportement commun.
Critère de fin. Chaque contribution est vérifiée et l’ensemble fonctionne. Des agents en parallèle consomment davantage de quota.
En cas d’échec. Repassez en séquentiel si les tâches dépendent l’une de l’autre ou si les conflits annulent le gain de temps.
Lorsqu’une tâche récurrente nécessite une méthode réutilisable ou un outil externe précis.
Avant de commencer. Un besoin récurrent démontré et la documentation officielle de l’agent pour cette surface.
Utilisez les instructions du projet pour les règles durables, une demande pour une tâche et un skill pour une procédure répétable.
Utilisez un hook pour une action du cycle de vie prise en charge, MCP pour connecter un outil et un sous-agent pour déléguer une tâche bornée. La prise en charge dépend de l’agent.
Vérifiez les permissions et les données envoyées aux services externes. Testez un petit cas et documentez comment désactiver ou mettre à jour le mécanisme.
Commandes utiles
/mcpClaude Code CLI · Codex CLI
Inspecter les serveurs et outils connectés avant de les utiliser.
/skillsCodex CLI
Sélectionner un skill installé pour la prochaine demande.
Pour [besoin récurrent], compare le mécanisme le plus simple pris en charge : instruction, skill, hook ou connexion d’outil. Précise surface, permissions, données consultées, vérification et entretien. N’installe rien tant que le choix n’est pas clair.
Critère de fin. Le mécanisme résout un besoin récurrent et ses permissions, entrées et entretien sont compris.
En cas d’échec. Retirez la configuration inutilisée. Une demande d’autorisation n’est pas un sandbox et une interface locale n’implique pas une inférence locale.
>Les habitudes qui gaspillent du quota ou de la qualité avec les modèles et abonnements actuels — chacune avec ce qu'il faut faire à la place et les chiffres qui le justifient. Revérifié à chaque mise à jour des données.
Modèles
À éviter : Coder tout avec Claude Fable 5.2, surtout en max
À la place : Claude Opus 5.5 en medium (défaut) pour le travail de la journée ; Fable 5.2 en high seulement pour la planification, le code scientifique et le build le plus dur, sur Max ou Ultra.
Fable 5.2 mène les indices généraux, mais max est son pire réglage : FrontierCode 2.0 45,7 % en max pour 55,87 $ par tâche, sous son propre xhigh (49,1 % pour 17,73 $) ; Terminal-Bench 4.0 (AA) 59,6 % en max pour 31,59 $, le score d'Opus 5.5 en xhigh pour 8,78 $ ; CursorBench 4.0 60,0 % en max pour 32,79 $, au niveau de Gemini 4 Carbon en high (60,4 % pour 9,22 $). Fable peut utiliser au plus 50 % de la limite hebdomadaire sur Max et Ultra et demande des crédits payants sur Pro : tout coder avec lui termine la semaine avant l'heure. Fable 5.1 ne fait pas mieux (CursorBench 51,8 % en max pour 17,28 $, contre 56,0 % pour 3,97 $ pour Opus 5.5 en high).
À éviter : Choisir Mistral Large 4 pour du code agentique sur la foi de ses graphiques de lancement
À la place : Parmi les modèles à poids ouverts, Kimi K3.1 Pro ou GLM-5.3 ; pour le volume bon marché, GPT-6.1 Terra ou Claude Haiku 5.5. Gardez Mistral Large 4 pour un hébergement souverain.
Le lancement de Mistral du 2026-10-29 citait 41 % sur Terminal-Bench 4.0 et 48 à l'indice d'agents de code d'AA ; les mesures indépendantes donnent aujourd'hui 24,7 % (AA, high), 26,3 % (Vals) et 35,4 à l'indice d'agents de code d'AA (30e sur 35), contre 67,2 % et 63,6 % sur Terminal-Bench 4.0 pour Kimi K3.1 Pro. Au Vals Index, il obtient 56,5, sous tous les autres modèles ouverts ou bon marché mesurés.
À éviter : Utiliser GPT-6 Sol, même en max, pour de longues sessions intensives dans le terminal
À la place : GPT-6.1 Sol en xhigh, ou GPT-6 Astra en high : dix points de plus, pour un quart du coût ou le même coût.
Terminal-Bench 4.0 (AA) : GPT-6 Sol en max 43,9 % pour 4,00 $ par tâche, Astra en high 54,0 % pour 4,05 $, GPT-6.1 Sol en xhigh 54,0 % pour 1,03 $. Sur le classement officiel tbench.ai, GPT-6 Sol en max est aussi derrière (50,3 %, contre 60,9 % pour GPT-6.1 Sol et 60,3 % pour GPT-6 Astra en max) pour plus de deux fois le coût par essai de GPT-6.1 Sol (4,40 $ contre 1,92 $), et sur Vals SRE-bench (rétro-ingénierie de binaires) il obtient 30,5 % contre 50,8 % et 56,9 %. GPT-6 Sol reste un bon modèle pour le quotidien.
À éviter : Confier à Kimi K3 de longues tâches dans le terminal
À la place : Sur les mêmes plans Kimi Code, Kimi K3.1 Pro (/model) pour le travail en terminal ; GLM-5.3 en max (41,9 %) pour un petit budget. Gardez Kimi K3 pour la visualisation de données, où il est troisième.
Terminal-Bench 4.0 (AA) : Kimi K3 obtient 12,6 % (AA le classe désormais comme déprécié). Kimi K3.1 Pro est premier de ce classement (67,2 % en max) et quatrième de la mesure de Vals (63,6 % en max), mais n'obtient que 38,7 sur les tâches longues de LiveBench 2.0 du 2026-11-06 (GPT-6.1 Sol 65,6 ; un seul essai) et 27,1 % sur Vals SRE-bench : vérifiez-le sur vos propres longues sessions avant de vous y fier.
À éviter : Laisser max pour le travail de tous les jours
À la place : L'effort par défaut de l'agent pour le travail courant ; high pour le débogage, xhigh pour la planification et les sessions de plusieurs heures ; max seulement là où vous avez mesuré un gain.
Opus 5.5 : sur Terminal-Bench 4.0 (AA), max égale xhigh (59,6 %) pour 49 % de plus. Claude Fable 5.2 : xhigh bat max sur FrontierCode 2.0 (49,1 % contre 45,7 %) pour un tiers du coût. GPT-6 Astra : xhigh égale ou bat max sur Terminal-Bench 4.0 et DeepSWE (59,6 % contre 59,1 % ; 74,1 % contre 73,2 %) pour environ 30 % de moins. Anthropic prévient que max peut trop réfléchir.
À éviter : Descendre Gemini 4 Carbon en low pour économiser du quota
À la place : Medium pour le travail interactif, high pour les longues sessions ; pour le travail bon marché, un modèle plus petit (Gemini 3.8 Flash).
Avec Carbon, low réfléchit moins mais fait plus d'étapes : indice AA 54,2 en low pour 7,19 $ par tâche contre 58,3 en medium pour 6,59 $ ; CursorBench 4.0 58,6 % en low pour 11,89 $ contre 60,1 % en medium pour 8,49 $. Moins bon score, coût égal ou supérieur.
À éviter : Dessiner du SVG avec Claude Opus 5.5 en max
À la place : Opus 5.5 en high ou xhigh — ou GPT-6 Astra en xhigh, premier modèle généraliste de Design Arena SVG.
Dans le benchmark SVG de Playcode, Opus 5.5 en max a consommé toute la limite de 128 000 tokens de sortie à réfléchir sans rendre de dessin (avec 300 000 tokens sur l'API Batch, il a terminé, ce qu'un abonnement ne permet pas), alors que high a dessiné un portable correct pour 0,40 $ et xhigh un portable détaillé pour 1,72 $. Anthropic conseille de garder xhigh et max pour des gains mesurés.
À éviter : Pousser Grok 4.7 au-dessus de high (défaut)
À la place : Restez en high (défaut).
xhigh ajoute 1 point sur Terminal-Bench 4.0 (24,7 % → 25,8 %) pour 63 % de coût en plus, et 0,3 point à l'indice AA (35,2 → 35,5) pour 26 % de plus. CursorBench gagne 2,4 points (43,9 % → 46,3 %) pour 28 % de plus.
À éviter : Activer /fast avec Claude Fable 5.2 sur un abonnement
À la place : La vitesse normale, comprise dans votre plan ; le mode rapide seulement si vous acceptez de le payer.
Le mode rapide de Fable 5.2 (sortie jusqu'à 2,5 fois plus rapide) est facturé 16 $ / 80 $ par million de tokens, le double du prix normal, et uniquement en crédits d'usage payants sur les plans Claude : il ne puise jamais dans le quota inclus.
À éviter : Lancer ultracode, un workflow ou un /swarm sans limite pour des tâches ordinaires
À la place : Une seule session pour le travail courant ; gardez les workflows pour une grosse migration ou un audit, essayés d'abord sur un seul dossier.
Un workflow orchestre des dizaines d'agents, et chaque agent puise dans les mêmes limites d'abonnement : Claude Code avertit au-delà de 25 agents ou 1,5 M de tokens, et Google prévient que le /swarm multi-agents d'Antigravity consomme le quota beaucoup plus vite. Combiné à Fable ou à max, une seule exécution peut consommer une semaine de quota.
À éviter : Lancer avec --dangerously-skip-permissions pour aller plus vite
À la place : Le mode auto (le défaut) : un classifieur filtre chaque action ; ou un bac à sable, un conteneur.
Il supprime toutes les protections sur la suppression de fichiers, les commandes shell et l'accès réseau, alors que le mode auto évite déjà la plupart des demandes.
À éviter : Forcer le mode plan pour chaque petite modification
À la place : Planifiez seulement un travail ambigu ou sur plusieurs fichiers, avec /plan.
Les documentations de Claude Code et de Grok Build disent de sauter le plan quand la modification est évidente ou tient en une phrase : pour une petite modification, il coûte surtout un aller-retour.
//Indiquez vos abonnements et votre façon de travailler : vous obtenez les heures d'agent par fenêtre de 5 h et par semaine, et le moment où le quota sera épuisé.
//Chaque ligne représente un modèle à travers ses niveaux d'effort de raisonnement. Plus à gauche = la tâche consomme moins de quota ; plus haut = meilleur résultat. La ligne rouge pointillée en escalier est la frontière efficace : aucune autre combinaison modèle × effort ne fait mieux pour moins cher.
Score selon le coût par tâche
Coût équivalent API aux tarifs catalogue, échelle logarithmique — un indice secondaire de consommation relative ; les règles des quotas diffèrent.
Molette ou pincement pour zoomer (Maj + molette pour l'axe vertical), faites glisser le curseur, ou utilisez l'outil de zoom en haut à droite. Cliquez sur une entrée de la légende pour la masquer ou l'afficher.
Chargement des résultats…
Score selon l'effort de raisonnement
Là où la courbe s'aplatit, le niveau d'effort suivant coûte plus de quota pour un gain faible ou nul.
//Classements indépendants des agents de code et du développement web. Activez ou désactivez chaque classement ; faites défiler ou zoomez dans un graphique, et cliquez sur un fournisseur dans sa légende pour le masquer.
Classés par niveau de confiance (⭐⭐⭐ = indépendant, contrôlé, centré sur le code et à jour ; ⭐ = agrégats de chiffres auto-déclarés ou sources figées), puis par notoriété.
Arena Code: WebDev⭐⭐⭐
Votes humains à l'aveugle, par paires, sur des tâches de développement web (995 980 votes, arrêtés au 2026-11-10).
Confiance ⭐⭐⭐3 étoiles de confiance sur 3L'arène de code la plus citée : un très grand nombre de votes humains à l'aveugle sur de vraies applications web, mise à jour en continu.
Utile pour : Front-end et interfaces web · 3D, jeux et creative coding en code
Source mise à jour le 10 nov. 2026 · Récupéré le 11 nov. 2026 · 157 modèles
Anomalie détectée : Claude Fable 5.2 (xHigh) entre premier sur seulement 994 votes (±22 points), et Gemini 4 Carbon (High) est quatrième en préversion. Le 2026-11-10, Arena a remplacé l'entrée propriétaire de Mistral Large 4 par le modèle à poids ouverts sous le même nom : ses deux scores ne sont pas comparables.
Chargement des lignes…
Afficher le tableau de données
Artificial Analysis Coding Agent Index⭐⭐⭐
Chaque agent de code avec le modèle de son éditeur (Claude Code, Codex, Grok Build, Kimi Code, Antigravity, OpenCode, Muse Code, Devin Fusion, GitHub Copilot, Mistral Vibe, Mirror, DeepSeek Harness) sur FrontierCode v1.1, Terminal-Bench 4.0 et SWE-Atlas-QnA — l'indicateur le plus proche de ce qu'un abonnement vous donne.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3Indépendant, mesure les agents eux-mêmes (Claude Code, Codex, Antigravity…) avec leurs modèles, sur les versions actuelles.
Utile pour : Code au quotidien · Longues sessions d'agent autonome · Gros volume, sous-agents, retouches rapides
Source mise à jour le 10 nov. 2026 · Récupéré le 11 nov. 2026 · 35 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Kimi K3.1 Pro, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Le 2026-10-27, Artificial Analysis a remplacé DeepSWE v1.1 par FrontierCode v1.1 dans l'indice et recalculé SWE-Atlas-QnA : les scores ne sont pas comparables aux précédents. GPT-6.1 Terra obtient le même score en xhigh et en max (48,2 et 48,1) pour 56 % du coût en xhigh. Le coût de Gemini 4 Argon a doublé le 2026-11-10 à score inchangé, AA ayant doublé son prix API. Muse Wonder Full et Muse Ember n'ont pas de coût publié : leur coût par tâche est absent, pas nul. Claude Fable 5.2 n'a pas encore de ligne.
Chargement des lignes…
Afficher le tableau de données
Scale SWE-Bench Pro V2 (hard)⭐⭐⭐
De vrais tickets de dépôts commerciaux et open source, recorrigés sur une image propre, chaque modèle dans l'agent de son éditeur (Claude Code, Codex) ou mini-swe-agent. Le sous-ensemble difficile : l'ensemble complet plafonne vers 99 % pour les modèles de pointe.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3Indépendant, vraies issues de dépôts commerciaux et open source re-notées sur une image propre, modèles actuels.
Utile pour : Débogage · Code au quotidien
Source mise à jour le 6 nov. 2026 · Récupéré le 11 nov. 2026 · 18 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Grok 4.7, Kimi K3.1 Pro, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Claude Sonnet 5.5 (mini-swe-agent, xhigh) obtient 70,6 % sur le sous-ensemble difficile contre 95,8 % sur l'ensemble complet, une chute bien plus forte que pour tout autre modèle de pointe (Gemini 4 Argon 92,2 contre 99,2). Le sous-ensemble difficile ne publie aucun intervalle de confiance (0), sauf pour Claude Haiku 5.5 (±13,0), et ses 51 tâches font varier les scores par pas d'environ 2 points : comparez les rangs, pas les petits écarts. Inkling 2 Small (ajouté le 2026-11-06) est listé sans harnais ni effort.
Chargement des lignes…
Afficher le tableau de données
LiveBench 2.0: long-horizon⭐⭐⭐
LiveBench 2.0 (version du 2026-11-06, mise à jour le 2026-11-09) : 18 tâches agentiques de longue durée en six groupes (applications étendues sur plusieurs tours d'exigences changeantes, opérations déléguées et de longue durée sur une base de code pendant des semaines simulées, travail système et performance), notation déterministe, chaque modèle à son effort maximal pris en charge sauf indication dans son nom, avec le coût par tâche.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3Indépendant, longues tâches à contamination limitée, renouvelées régulièrement, modèles actuels.
Utile pour : Longues sessions d'agent autonome · Code au quotidien
Source mise à jour le 9 nov. 2026 · Récupéré le 11 nov. 2026 · 33 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon, GLM-5.3. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Chaque suite est mesurée en un seul essai : entre les versions du 2026-10-25 et du 2026-11-06, les mêmes tâches ont fait varier certains modèles de jusqu'à 22 points (Muse Spark 1.3 25,5 → 47,9) : lisez les petits écarts comme du bruit. Claude Fable 5.2 est affiché en xhigh car son essai en max a obtenu moins au global ; son coût par tâche (160,93 $) est environ le double de celui de Claude Opus 5.5. LiveBench a réécrit ses versions précédentes après publication (coûts remesurés, modèles ajoutés). Mistral Large 4 apparaît deux fois : sous le nom « Mistral Large 4 1029 » (24,7) et sous son nom seul (9,2).
Chargement des lignes…
Afficher le tableau de données
Arena Agent Arena: code⭐⭐⭐
De vraies sessions de code d'utilisateurs d'Arena avec chaque modèle dans un agent, jugées sur des signaux comme la réussite confirmée, les compliments et plaintes, l'effort de pilotage et les erreurs d'outils (909 397 sessions de code). Des sessions réelles, pas un jeu de tâches fixe.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3De vraies sessions d'agents de code notées par leurs utilisateurs, près d'un million de sessions, modèles actuels.
Utile pour : Code au quotidien · Longues sessions d'agent autonome
Source mise à jour le 8 nov. 2026 · Récupéré le 11 nov. 2026 · 57 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Arena a changé deux des cinq signaux de ce score : le pilotage (Steerability) le 2026-10-01 (chaque tour jugé au lieu du tour suivant une correction) et Bash Recovery, remplacé par Bash Reliability le 2026-10-12 (échecs bash par appel, détectés par un juge LLM). Les instantanés antérieurs au 2026-10-16 ne sont pas comparables à celui-ci. Le 2026-11-08, quatre lignes (DeepSeek-V4.1-Flash-20260910, DeepSeek-V4-Pro High, MiMo-V2.5-Pro et le Mistral Large 4 propriétaire) ont été retirées sans explication, et Mistral Large 4 désigne désormais le modèle à poids ouverts.
Chargement des lignes…
Afficher le tableau de données
FrontierSWE V2⭐⭐⭐
34 tâches d'ingénierie très difficiles avec 20 heures de budget chacune — l'extrême du long horizon.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3Indépendant, tâches de génie logiciel difficiles notées sur la moyenne de cinq essais, modèles actuels.
Utile pour : Longues sessions d'agent autonome
Source mise à jour le 9 nov. 2026 · Récupéré le 11 nov. 2026 · 24 modèles
Couverture incomplète — ces données n'incluent pas GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Kimi K3.1 Pro, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : La source prévient que le coût de Gemini 4 Argon (129,36 $ par essai) a été mesuré avec un taux de cache bien plus bas qu'en production (réglage hors production) : son coût est surestimé par rapport à un usage réel.
Chargement des lignes…
Afficher le tableau de données
SWE-Marathon v1.1⭐⭐⭐
20 tâches d'ingénierie de plusieurs heures, 8 essais chacune, chaque modèle dans un agent (surtout Claude Code) à l'effort publié, avec le coût de chaque essai.
Confiance ⭐⭐⭐3 étoiles de confiance sur 3Longues tâches indépendantes avec de nombreux essais par modèle, récent et couvrant les modèles actuels.
Utile pour : Longues sessions d'agent autonome
Source mise à jour le 7 nov. 2026 · Récupéré le 11 nov. 2026 · 26 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, GPT-6.1 Terra, Gemini 3.8 Flash, Kimi K3.1 Pro, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Le 2026-10-15, le site a retiré 11 modèles plus anciens de son classement (Claude Opus 5, Opus 4.8, Sonnet 5, Fable 5, GPT-6 Sol, GPT-5.6 Sol/Terra/Luna, Grok 4.5, Grok 4.6, GLM 5.2) ; leurs résultats sont inchangés à la source mais, comme sur le site, ils ne sont plus affichés ici. Le 2026-10-20, il a remplacé les essais de septembre de Muse Spark 1.3 par un nouvel essai en max (46,25 %, 14,29 $ par essai). Gemini 4 Carbon (Antigravity CLI, high, 53,75 %), Muse Wonder Full et Muse Wonder sont en tête sans coût publié. Inkling 2 Small coûte 424 $ par essai. Kimi K3 coûte 661 $ par essai (133 M de tokens), 4 à 10 fois plus que tout autre essai : sans doute un problème de prix ou de comptage de tokens à la source. Claude Haiku 5.5 en max (50,0 %) passe devant Claude Opus 5.5 en max (46,25 %), un écart de 6 essais sur 160 qui reste dans le bruit.
Chargement des lignes…
Afficher le tableau de données
LiveBench v1: agentic coding⭐⭐
LiveBench v1 (version du 2026-06-25, désormais archivée par LiveBench 2.0) : questions conçues pour limiter la contamination ; code agentique en JavaScript, TypeScript et Python.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant et reconnu, mais la suite v1 est désormais remplacée par LiveBench 2.0.
Utile pour : Code au quotidien · Gros volume, sous-agents, retouches rapides
Source mise à jour le 16 oct. 2026 · Récupéré le 11 nov. 2026 · 71 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, GPT-6.1 Terra, Gemini 4 Carbon, Gemini 4 Argon, Kimi K3.1 Pro, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Design Arena: code overall⭐⭐
Toutes les catégories de code de Design Arena dans un seul classement (1 950 799 votes) : sites, composants, jeux, SVG, graphiques et plus. Aucune erreur type n'est publiée : des Elo proches ne se départagent pas.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur du code généré, indépendant, mais moins de votes qu'Arena et jugé d'abord sur le rendu.
Utile pour : Front-end et interfaces web · Illustrations et icônes SVG en code · 3D, jeux et creative coding en code
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 195 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Design Arena: agentic web app, full-stack⭐⭐
Deux agents construisent la même application full-stack (React, Supabase, déployée sur Vercel) dans un bac à sable avec 23 outils ; des personnes votent pour la meilleure.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des applications full-stack construites par des agents ; indépendant, mais un vote plus restreint et axé design.
Utile pour : Front-end et interfaces web · Longues sessions d'agent autonome
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 51 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7, GLM-5.3, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Design Arena ne publie plus d'erreur type depuis le 2026-10-10 (vide pour chaque ligne de tous ses classements) : aucun intervalle de confiance n'est affiché, comparez les rangs plutôt que de petits écarts d'Elo. Le 2026-11-11, Claude Opus 5.5 est entré premier sur seulement 318 duels, et tous les autres modèles ont perdu environ 19 points d'Elo d'un coup.
Chargement des lignes…
Afficher le tableau de données
Design Arena: agentic web app, frontend⭐⭐
Même arène pour des front-ends React multi-fichiers (13 outils).
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des front-ends construits par des agents ; indépendant, mais un vote plus restreint et axé design.
Utile pour : Front-end et interfaces web
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 56 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Haiku 5.5, GPT-6.1 Terra, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Design Arena ne publie plus d'erreur type depuis le 2026-10-10 : aucun intervalle de confiance n'est affiché. GPT-6.1 Sol, cinquième sur 523 duels le 2026-10-27, est tombé 14e (−39 points d'Elo) sur 871 : les premiers rangs de ce classement bougent beaucoup.
Chargement des lignes…
Afficher le tableau de données
Design Arena: website⭐⭐
Des sites générés en une fois par chaque modèle, jugés par votes à l'aveugle (1 190 870 votes, le plus grand classement web de Design Arena). Aucune erreur type n'est publiée : des Elo proches ne se départagent pas.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des sites web ; indépendant, mais étroit et jugé sur le rendu.
Utile pour : Front-end et interfaces web
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 206 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Arena Code: Image-to-WebDev⭐⭐
Votes à l'aveugle, par paires, sur des pages web construites à partir d'une image, comme une maquette ou une capture (210 832 votes, arrêtés au 2026-11-10).
Confiance ⭐⭐2 étoiles de confiance sur 3Votes à l'aveugle d'Arena, mais étroit : transformer une capture d'écran en page web.
Utile pour : Front-end et interfaces web
Source mise à jour le 10 nov. 2026 · Récupéré le 11 nov. 2026 · 66 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Haiku 5.5, GPT-6.1 Terra, Gemini 4 Carbon, Gemini 4 Argon, Kimi K3.1 Pro, GLM-5.3. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
WeirdML v3 (agentic)⭐⭐
Des problèmes d'apprentissage automatique inhabituels résolus de bout en bout par un agent (Claude Code, Codex CLI, Gemini CLI, Kimi Code, OpenCode), avec le coût de chaque essai. Données d'Epoch AI.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant avec des passages répétés, mais des tâches d'apprentissage automatique plutôt que du développement courant.
Utile pour : Algorithmique, preuves et programmation compétitive · Code scientifique et numérique
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 26 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Gemini 4 Carbon, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
GSO (software optimization)⭐⭐
Rendre de vrais dépôts plus rapides sans les casser, dans OpenHands, noté après retrait des triches. Seul GPT-6 Astra parmi les modèles actuels.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant, corrigé des tricheries, mais étroit (optimisation des performances) et mis à jour moins souvent.
Utile pour : Algorithmique, preuves et programmation compétitive
Source mise à jour le 27 sept. 2026 · Récupéré le 11 oct. 2026 · 32 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Gemini 3.8 Flash, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Les lignes du 2026-09-27 suivent une nouvelle méthode et bondissent à 70–88 % : elles ne se comparent pas aux plus anciennes.
Chargement des lignes…
Afficher le tableau de données
Scale SWE Atlas: codebase Q&A⭐⭐
Répondre à des questions pointues sur une vraie base de code en l'explorant et en l'exécutant, dans l'agent de l'éditeur — un tiers de l'indice d'agents de code d'Artificial Analysis.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant (Scale), mais une compétence étroite (répondre aux questions sur une base de code) et pas renouvelé récemment.
Utile pour : Planification avancée et architecture · Code au quotidien
Source mise à jour le 9 sept. 2026 · Récupéré le 29 sept. 2026 · 24 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Scale SWE Atlas: test writing⭐⭐
Écrire des tests qui détectent de vrais bugs dans une base de code existante, dans l'agent de l'éditeur.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant (Scale), mais une compétence étroite (écrire des tests) et pas renouvelé récemment.
Utile pour : Code au quotidien · Gros volume, sous-agents, retouches rapides
Source mise à jour le 9 sept. 2026 · Récupéré le 29 sept. 2026 · 24 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Scale SWE Atlas: refactoring⭐⭐
Refactoriser du vrai code sans en casser le comportement, dans l'agent de l'éditeur.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant (Scale), mais une compétence étroite (refactoring) et pas renouvelé récemment.
Utile pour : Gros volume, sous-agents, retouches rapides · Code au quotidien
Source mise à jour le 9 sept. 2026 · Récupéré le 29 sept. 2026 · 17 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Snorkel Agentic Coding 2.0⭐⭐
Des tâches agentiques en terminal sans accès réseau, 5 tentatives chacune, avec le coût par essai. Mesuré par Snorkel AI (un fournisseur de données) ; aucun effort indiqué.
Confiance ⭐⭐2 étoiles de confiance sur 3Tâches de code agentique indépendantes avec les coûts, mais aucun effort indiqué et moins de modèles.
Utile pour : Longues sessions d'agent autonome · Code au quotidien
Source mise à jour le 23 oct. 2026 · Récupéré le 11 nov. 2026 · 16 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Kimi K3.1 Pro, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Snorkel SWE-bench CLI⭐⭐
Des modifications de dépôt qui touchent au moins deux fichiers, résolues en ligne de commande, avec le coût par essai. Mesuré par Snorkel AI ; aucun effort indiqué.
Confiance ⭐⭐2 étoiles de confiance sur 3Modifications de dépôt multi-fichiers indépendantes, mais aucun effort indiqué et moins de modèles.
Utile pour : Débogage · Code au quotidien
Source mise à jour le 23 oct. 2026 · Récupéré le 11 nov. 2026 · 16 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Kimi K3.1 Pro, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Vals AI: ProgramBench⭐⭐
Reconstruire de vrais programmes à partir de zéro, mesuré par Vals AI avec un effort par modèle, avec le coût par test.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant, construire un programme de zéro, mais un effort par modèle et une tâche étroite.
Utile pour : Longues sessions d'agent autonome · Planification avancée et architecture
Source mise à jour le 9 nov. 2026 · Récupéré le 11 nov. 2026 · 66 modèles
Couverture incomplète — ces données n'incluent pas GPT-6.1 Terra, Gemini 4 Carbon, Kimi K3.1 Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Vals AI: SRE-bench⭐⭐
Rétro-ingénierie de vrais binaires, non contaminés, mesurée par Vals AI avec un effort par modèle, avec le coût par test.
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant et non contaminé, mais une compétence étroite (rétro-ingénierie) et un effort par modèle.
Utile pour : Longues sessions d'agent autonome
Source mise à jour le 5 nov. 2026 · Récupéré le 11 nov. 2026 · 37 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, GPT-6.1 Terra, Gemini 4 Carbon, Kimi K3, Qwen3.8 Max. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
CWE-bench v2⭐⭐
Trouver et corriger de vraies vulnérabilités dans de vraies bases de code (250 tâches d'audit et de correctif sur 185 CWE : 100 publiques, 150 réservées), chaque modèle dans son propre agent en raisonnement high, noté par des vérificateurs déterministes (pass@1 sur 4 essais), avec le coût moyen par essai. Mesuré par Collinear AI.
Confiance ⭐⭐2 étoiles de confiance sur 3Tâches de correction de sécurité indépendantes, récent, mais étroit (vulnérabilités).
Utile pour : Code au quotidien
Source mise à jour le 2 nov. 2026 · Récupéré le 11 nov. 2026 · 11 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 3.8 Flash, Kimi K3, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : CWE-bench v2 (2026-11-02) a remplacé la v1 avec plus de tâches, plus de types de faiblesses et des vérificateurs plus stricts : les scores v1 ne se comparent pas. Les quatre premiers (Claude Opus 5.5 67,1 %, Muse Wonder 66,1 %, Gemini 4 Argon 65,0 %, GPT-6 Astra 64,2 %) sont dans la marge de ±5 points. Claude Fable 5.2 et Gemini 4 Carbon ne sont pas mesurés sur la v2.
Chargement des lignes…
Afficher le tableau de données
Endor Labs Agent Security League⭐⭐
Le code écrit par un agent passe-t-il à la fois les tests fonctionnels et les tests de sécurité ? Part des tâches correctes et sûres, par agent × modèle (Claude Code, Codex, Cursor, Muse Code). Mesuré par Endor Labs (un éditeur de sécurité).
Confiance ⭐⭐2 étoiles de confiance sur 3Indépendant, code sûr et correct, mais étroit (sécurité) et moins de modèles.
Utile pour : Code au quotidien
Source mise à jour le 24 oct. 2026 · Récupéré le 11 nov. 2026 · 34 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 3.8 Flash, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Entre le 2026-10-16 et le 2026-10-24, Endor Labs a recalculé presque toutes les lignes sans explication, surtout à la baisse (Claude Code + Claude Opus 5.5 de 33,5 % à 30,7 % de code sûr), après avoir ajouté des garde-fous anti-triche à sa méthode. Claude Opus 5.5 reste moins souvent correct fonctionnellement que Claude Opus 5 (64,8 % contre 73,7 %) et est désormais aussi moins souvent sûr (30,7 % contre 32,4 %).
L'exécution de Terminal-Bench-Science par Artificial Analysis avec le même harnais pour tous les modèles, à plusieurs efforts (moyenne de 3 répétitions).
Confiance ⭐⭐2 étoiles de confiance sur 3Passage indépendant avec le même harnais pour chaque modèle, mais des tâches scientifiques en terminal plutôt que du développement.
Utile pour : Code scientifique et numérique
Source mise à jour le 9 nov. 2026 · Récupéré le 11 nov. 2026 · 135 modèles
Anomalie détectée : Les lignes Claude ont été mesurées avec un modèle de repli par défaut, et AA classe Claude Opus 5.5 en xhigh (61,9 %) devant max (59,05 %), alors que le miroir de Snorkel donne 63,3 % à Opus 5.5 en max dans Claude Code. Claude Fable 5.2 obtient un score plus élevé en high (70,0 %) qu'en xhigh (67,6 %). GPT-6.1 Terra obtient un score plus élevé sans raisonnement (24,3 %) qu'en low (7,6 %).
Chargement des lignes…
Afficher le tableau de données
Design Arena: UI components⭐⭐
Votes à l'aveugle sur des composants d'interface écrits en code (114 714 votes). Aucune erreur type n'est publiée : des Elo proches ne se départagent pas.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des composants d'interface ; indépendant, mais étroit et jugé sur le rendu.
Utile pour : Front-end et interfaces web
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 186 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Les deux premiers sont à 6 points d'Elo : GPT-6 Astra (xhigh) sur 669 duels et Kimi K3.1 Pro sur 324. Claude Fable 5.2 est entré 16e sur seulement 125 : considérez ces rangs comme provisoires.
Chargement des lignes…
Afficher le tableau de données
Design Arena: game dev⭐⭐
Votes à l'aveugle sur des jeux pour navigateur écrits en code (318 370 votes) — le classement le plus proche de la 3D et du creative coding. Aucune erreur type n'est publiée : des Elo proches ne se départagent pas.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur de petits jeux ; indépendant, mais étroit.
Utile pour : 3D, jeux et creative coding en code
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 193 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Claude Sonnet 5.5, premier sur 435 duels le 2026-10-16, est maintenant neuvième sur 2 008 : les premiers rangs de ce classement bougent beaucoup. Claude Fable 5.2 est entré huitième sur 396 duels.
Chargement des lignes…
Afficher le tableau de données
Design Arena: mobile apps (agents)⭐⭐
Deux agents construisent la même application mobile et des personnes votent pour la meilleure (45 185 votes) : on compare des agents, pas des modèles seuls. Aucune erreur type n'est publiée : des Elo proches ne se départagent pas.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des applications mobiles construites par des agents ; indépendant, mais étroit et un vote plus restreint.
Utile pour : Front-end et interfaces web
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 58 modèles
Couverture incomplète — ces données n'incluent pas Claude Haiku 5.5, Gemini 4 Carbon, Gemini 4 Argon, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Claude Fable 5.2 entre premier sur seulement 179 duels, 40 points d'Elo devant Claude Opus 5.5, et aucune erreur type n'est publiée : considérez son rang comme provisoire.
Chargement des lignes…
Afficher le tableau de données
Design Arena: SVG⭐⭐
Votes à l'aveugle sur des icônes, illustrations et logos SVG écrits en code (211 612 votes). Inclut des modèles spécialisés en SVG qu'aucun abonnement ne propose.
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des dessins SVG ; indépendant, mais une compétence très étroite.
Utile pour : Illustrations et icônes SVG en code
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 139 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, GPT-6.1 Sol, GPT-6.1 Terra, Gemini 4 Carbon, Qwen3.8 Max. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Design Arena ne publie plus d'erreur type depuis le 2026-10-10 (elle l'était pour ce classement le 2026-09-29) : aucun intervalle de confiance n'est affiché, comparez les rangs plutôt que de petits écarts d'Elo.
Chargement des lignes…
Afficher le tableau de données
Design Arena: data visualization⭐⭐
Votes à l'aveugle sur des graphiques et tableaux de bord écrits en code (90 018 votes ; aucune erreur type publiée).
Confiance ⭐⭐2 étoiles de confiance sur 3Votes humains à l'aveugle sur des graphiques ; indépendant, mais une compétence très étroite.
Utile pour : Graphiques, tableaux de bord et diagrammes en code · Front-end et interfaces web
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 156 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Depuis le 2026-10-16, le classement ne liste que les modèles ayant au moins 100 duels, une règle que le site n'indique pas. Claude Sonnet 5.5 revient deuxième sur 160 duels, et aucune erreur type n'est publiée : considérez son rang comme provisoire.
Chargement des lignes…
Afficher le tableau de données
llm-stats: Best AI for coding⭐
Score agrégé sur 68 benchmarks de code, en majorité déclarés par les éditeurs.
Confiance ⭐1 étoiles de confiance sur 3Un agrégat qui mélange de nombreux scores, pour la plupart déclarés par les éditeurs : un contexte utile, pas une mesure.
Utile pour : Code au quotidien
Source mise à jour le 11 nov. 2026 · Récupéré le 11 nov. 2026 · 207 modèles
Couverture incomplète — ces données n'incluent pas Gemini 4 Carbon. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Anomalie détectée : Muse Wonder Full et Muse Wonder figurent chacun deux fois le 2026-11-11, sous deux identifiants de modèle aux scores différents ; le site ne donne aucune explication. Claude Mythos 5.2 entre quatrième sur seulement deux résultats déclarés par l'éditeur, et Gemini 4 Carbon figure dans l'index mais pas dans le tableau.
Chargement des lignes…
Afficher le tableau de données
SWE-rebench⭐périmé
Issues GitHub récentes et décontaminées — mais la dernière fenêtre s'arrête au 2026-07-01, avant la plupart des modèles actuels.
Confiance ⭐1 étoiles de confiance sur 3Méthode reconnue, mais sa dernière fenêtre précède la plupart des modèles actuels.
Utile pour : Débogage · Code au quotidien
Source mise à jour le 24 juil. 2026 · Récupéré le 28 sept. 2026 · 17 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Gemini 3.8 Flash, Grok 4.7, Kimi K3.1 Pro, Kimi K3, GLM-5.3, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
KiloBench (Terminal-Bench 2.0 in Kilo)⭐
Terminal-Bench 2.0 exécuté dans l'agent Kilo ; le coût est par passage complet de la suite, pas par tâche.
Confiance ⭐1 étoiles de confiance sur 3Fait tourner l'ancien Terminal-Bench 2.0 dans un seul agent, et n'est pas renouvelé souvent.
Utile pour : Code au quotidien
Source mise à jour le 28 sept. 2026 · Récupéré le 28 sept. 2026 · 38 modèles
Couverture incomplète — ces données n'incluent pas Claude Opus 5.5, Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Grok 4.7, Kimi K3.1 Pro, GLM-5.3, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Terminal-Bench-Science 0.1⭐
Du travail scientifique en terminal (sciences de la vie, physiques, de la Terre, de l'ingénieur et mathématiques) réalisé par des agents de code, chaque modèle dans l'agent de son éditeur à un effort indiqué. Classement officiel, lignes reprises du miroir de Snorkel.
Confiance ⭐1 étoiles de confiance sur 3Miroir de la version 0.1, supplanté par le passage d'Artificial Analysis du même benchmark.
Utile pour : Code scientifique et numérique · Longues sessions d'agent autonome
Source mise à jour le 24 sept. 2026 · Récupéré le 11 nov. 2026 · 17 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Kimi K3.1 Pro, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
Chargement des lignes…
Afficher le tableau de données
Snorkel LibraryDesignBench⭐
Le modèle sait-il concevoir une bibliothèque que d'autre code utilise ensuite ? Taux de réussite des problèmes en aval multiplié par la simplicité de l'API, par modèle et harnais. Mesuré par Snorkel AI.
Confiance ⭐1 étoiles de confiance sur 3Étroit (conception d'API de bibliothèque), peu de modèles, pas renouvelé récemment.
Utile pour : Planification avancée et architecture
Source mise à jour le 1 oct. 2026 · Récupéré le 11 nov. 2026 · 11 modèles
Couverture incomplète — ces données n'incluent pas Claude Fable 5.2, Claude Sonnet 5.5, Claude Haiku 5.5, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Luna, Gemini 4 Carbon, Gemini 4 Argon, Gemini 3.8 Flash, Grok 4.7, Kimi K3.1 Pro, Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
#Ce que chaque éditeur a publié pour son propre modèle à sa sortie, avec l'effort utilisé. Chaque éditeur choisit son agent, son harnais et ses réglages : ces chiffres sont en général plus élevés que les mesures indépendantes. Servez-vous-en pour connaître les annonces de chacun, et des graphiques ci-dessus pour comparer.
Couverture incomplète — ces données n'incluent pas Qwen3.8 Max, MiMo-V2.6-Pro. Des modèles importants actuels manquent : le classement présenté ici n'est donc pas entièrement pertinent.
>Quand faire tourner un modèle sur sa propre machine a du sens : matériel, performances et limites face aux agents distants.
Faire tourner des modèles en local
Les modèles locaux forment une catégorie à part : ils ne consomment aucun quota, mais les meilleurs atteignent 5 à 33 % sur Terminal-Bench 4.0, contre environ 60 % pour les modèles de pointe. Associez un modèle local pour le travail de routine à un modèle distant de pointe pour les tâches difficiles.
Matériel
Modèle conseillé
Mémoire
Vitesse de génération
Qualité (indice AA · Terminal-Bench 4.0)
GPU 24 Go (RTX 4090 / 3090)
Qwen3.8-27B Q4_K_M
16.5 GB
38–46 tok/s
AA 33.7 · TB4 5.6%
GPU 32 Go (RTX 5090)
Qwen3.8-27B Q6 / NVFP4
22–25 GB
23–75 tok/s · MTP 98–134
AA 33.7 · TB4 5.6%
128 Go de mémoire unifiée (Strix Halo, DGX Spark, M5 Max)
Qwen3.8-Flash-Next IQ4_XS
93.7 GB
11–37 tok/s · MTP 47–84
AA 39.8 · TB4 25.3%
256 Go de mémoire unifiée (M5 Ultra, M3 Ultra)
GLM-5.3-Flash MLX 4-bit
204 GB
26–41 tok/s
AA 41.8 · TB4 32.8%
Intéressant pour
Du code privé ou réglementé qui ne doit pas quitter la machine
Travailler hors ligne
Du matériel que vous possédez déjà
Du travail de routine en volume : boilerplate, tests, sous-agents
Une machine de 256 Go partagée par une équipe
Pas intéressant pour
Économiser par rapport à un abonnement à 20 $ (matériel et électricité : 10 à 270 $ par mois)
Les tâches agentiques difficiles : l'écart de qualité avec les modèles de pointe est grand
>Des réponses ciblées pour choisir un modèle, arbitrer l’effort et gérer le quota de vos abonnements.
Qu'est-ce qu'un agent de code IA ?
Une IA qui travaille dans un projet logiciel : elle lit les fichiers, modifie le code, lance des commandes et des tests, et itère jusqu'à ce que la tâche soit terminée, sous le contrôle du développeur. Les plus utilisés en 2026 sont Claude Code, GitHub Copilot, Codex et Cursor.
L'endroit et la façon dont on utilise un agent : un terminal (CLI), une application desktop, une extension d'IDE, un service web hébergé, à distance depuis un téléphone ou un autre navigateur, dans GitHub et la CI/CD, depuis les outils d'équipe (Slack, Teams, Linear, Jira) ou via un SDK dans vos propres scripts. Le même agent en a souvent plusieurs, chacune avec son nom : Codex CLI, l'app de bureau ChatGPT, l'extension IDE Codex, Codex cloud, Codex Remote, Codex code review et le Codex SDK.
Quel agent, quel modèle et quel effort pour « Planification avancée et architecture » ?
Claude Code · Claude Fable 5.2 · high, avec Claude Max (100 $) ou Ultra (200 $) : Fable peut utiliser jusqu'à 50 % de la limite hebdomadaire (sur Pro, crédits payants uniquement). ≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale). Ou : Claude Code · Claude Opus 5.5 (défaut) · xhigh, avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 1,7 heures-agent par fenêtre de 5 h · ≈ 13 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Seulement pour le plan : une session, jusqu'à ce que le plan ou le SPEC.md soit écrit, relu et validé. Ensuite : Arrêtez-vous là. Implémentez dans une nouvelle session avec Opus 5.5 en medium (défaut) — voir Code au quotidien — ou confiez le plan à une longue session avec /goal. Rester en xhigh pour implémenter coûte 2,5 fois plus par tâche (indice AA : 6,05 $ contre 2,45 $), et implémenter avec Fable 5.2 dépenserait son plafond hebdomadaire sur la partie qu'un modèle moins cher fait bien.
Pourquoi : Un plan, c'est une longue passe de raisonnement : l'effort y rapporte. Opus 5.5 obtient 57,4 à l'indice d'intelligence d'AA (v5) en xhigh, devant Claude Sonnet 5.5 en max (54,5 pour 10,02 $) et juste sous son propre max (59,1), pour 40 % de moins que max (6,05 $ contre 10,04 $ par tâche). Il fonctionne avec Claude Pro.
Quel agent, quel modèle et quel effort pour « Code au quotidien » ?
Claude Code · Claude Opus 5.5 (défaut) · medium (défaut), avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Toute la journée : medium, le réglage par défaut de Claude Code, est celui à laisser. Une session par tâche (/clear entre deux tâches), et arrêtez une session après deux corrections ratées. Ensuite : Une tâche qui résiste (une modification subtile, deux tentatives ratées) : /effort high pour cette tâche seulement, ou ultrathink pour un tour, puis retour en medium. Un bug que vous n'expliquez pas : Débogage. Une modification qui ne tient pas en une phrase : planifiez-la d'abord (Planification avancée). Beaucoup de petites retouches mécaniques : Gros volume.
Pourquoi : La meilleure qualité pour le quota sur le travail courant. Les benchmarks sont faits de tâches difficiles : là, high ajoute environ 4 points à medium (CursorBench 4.0 52,5 % → 56,0 %, Terminal-Bench 4.0 (AA) 52,5 % → 56,6 %, FrontierCode 2.0 30,1 % → 34,5 %) pour environ 35 % de quota en plus, donc environ un quart d'heures d'agent en moins. Sur les tâches courantes que medium résout déjà, ce gain ne se voit pas : gardez high pour les tâches qui résistent.
Quel agent, quel modèle et quel effort pour « Débogage » ?
Claude Code · Claude Opus 5.5 (défaut) · high, avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 1,8 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Jusqu'à ce que la cause soit trouvée et la correction prouvée par un test, puis /effort medium à nouveau : high coûte environ 27 % de plus par tâche que medium, trop pour le laisser toute la journée. Ensuite : Toujours bloqué : ajoutez ultrathink au prompt suivant (un tour en xhigh). Bloqué après deux tentatives : /clear, puis Claude Fable 5.2 en xhigh (Max ou Ultra) avec ce que vous avez appris. Une fois corrigé : retour au Code au quotidien.
Pourquoi : Le diagnostic est une tâche difficile, où l'effort se voit. Terminal-Bench, c'est surtout du diagnostic en terminal (builds cassés, services en panne, données à récupérer) ; sur le passage d'Artificial Analysis, Opus 5.5 gagne 4 points de medium à high (52,5 % → 56,6 %) pour 4,04 $ → 5,12 $ par tâche, environ 27 % de quota en plus.
Quel agent, quel modèle et quel effort pour « Front-end et interfaces web » ?
Claude Code · Claude Opus 5.5 (défaut) · medium (défaut), avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Pour les pages, les composants et les retouches : medium, le réglage par défaut, mène déjà Design Arena, dont les entrées Opus 5.5 tournent à un effort proche du défaut. Ensuite : Pour la page qui doit marquer (une landing page, une vitrine) : /effort max pendant sa construction, le réglage derrière l'avance sur Arena WebDev, puis retour en medium. Max consomme environ 35 % de quota en plus par heure (facteur d'effort 1 contre 0,74).
Pourquoi : En tête d'Arena WebDev (1814,3 ±11,7, votes humains à l'aveugle, arrêtés au 2026-11-10), à égalité avec Claude Fable 5.2 en xhigh (1835,8 ±22,4 sur seulement 994 votes, rangs 1 à 2), et nettement devant Claude Sonnet 5.5 en xhigh (1772,5), Gemini 4 Carbon en high (1768,2, préversion), GPT-6 Astra en max (1764,4) et GPT-6.1 Sol en max (1743,0). Premier aussi d'Arena Image-to-WebDev (1751,9 ±19,2), au niveau de Claude Sonnet 5.5 (1744,1).
Quel agent, quel modèle et quel effort pour « Longues sessions d'agent autonome » ?
Claude Code · Claude Opus 5.5 (défaut) · xhigh, avec Claude Max (100 $) ou Ultra (200 $) pour les longues sessions. Un agent seul n'atteint jamais la limite de 5 h (≈ 8,6 heures-agent par fenêtre) · ≈ 82,2 heures-agent par semaine avec Claude Max 5x (estimation centrale). Ou : Codex · GPT-6.1 Sol (défaut) · xhigh, avec ChatGPT Plus (20 $) ou Pro. ≈ 3,7 heures-agent par fenêtre de 5 h · ≈ 26,3 par semaine avec ChatGPT Plus (Codex) (estimation centrale).
Combien de temps : Pendant toute la session, jusqu'à ce que la condition de /goal soit remplie — des heures s'il le faut. Vérifiez les étapes clés plutôt que chaque action. Ensuite : Une fois l'objectif atteint, arrêtez la session, faites relire en contexte vierge (/code-review), puis revenez en medium (Code au quotidien) pour la suite. Si la session échoue deux fois sur la même erreur, arrêtez-la et replanifiez plutôt que de la laisser consommer du quota.
Pourquoi : Sur l'indice d'agents de code d'AA, qui fait tourner chaque modèle dans l'agent de son éditeur, Opus 5.5 en max dans Claude Code est premier (61,7 pour 11,42 $ par tâche), devant Gemini 4 Carbon (59,4) et Claude Sonnet 5.5 (59,3) ; GPT-6.1 Sol en max dans Codex obtient 54,1 pour 1,50 $, moins bien mais pour environ un huitième du coût. Sur le classement officiel tbench.ai (Terminal-Bench 4.1, la renotation de la 4.0 du 2026-11-09), Opus 5.5 en max est premier (65,76 %, 14,30 $ par essai) et GPT-6.1 Sol en max (60,91 %) devance de peu GPT-6 Astra (60,30 %) pour un cinquième de son coût par essai (1,92 $ contre 9,90 $).
Quel agent, quel modèle et quel effort pour « Gros volume, sous-agents, retouches rapides » ?
Codex · GPT-6.1 Terra · medium (défaut), avec ChatGPT Plus (20 $). Un agent seul n'atteint jamais la limite de 5 h (≈ 6,6 heures-agent par fenêtre) · ≈ 47,4 heures-agent par semaine avec ChatGPT Plus (Codex) (estimation centrale). Ou : Claude Code · Claude Haiku 5.5 · medium (défaut), avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). Un agent seul n'atteint jamais la limite de 5 h (≈ 16,1 heures-agent par fenêtre) · ≈ 122,3 heures-agent par semaine avec Claude Pro (estimation centrale).
Combien de temps : Tant que les tâches restent mécaniques et entièrement spécifiées : renommages, types, docstrings, tests sur un modèle clair. Testez le prompt sur 2 ou 3 fichiers, puis parallélisez. Ensuite : Dès qu'une tâche demande du jugement (un choix de conception, un bug flou), revenez au Code au quotidien. Seulement quand le quota de Terra s'épuise sur des retouches triviales, GPT-6 Luna en max coûte un peu moins, mais fait bien moins bien (Terminal-Bench 4.0 (AA) 12,6 % contre 32,3 %). Jamais Claude Fable 5.2 pour le travail en masse ou les sous-agents : il viderait son plafond de 50 % de la semaine sur des retouches qu'un petit modèle fait aussi bien.
Pourquoi : La qualité d'abord, puis le prix, pour des tâches faciles : les retouches en masse sont mécaniques et entièrement spécifiées, donc l'effort par défaut suffit. En medium, GPT-6.1 Terra obtient 32,3 % sur Terminal-Bench 4.0 (AA) pour 0,28 $ par tâche, 38,2 à l'indice AA pour 0,17 $ et 42,0 à l'indice d'agents de code d'AA pour 0,39 $ : devant Claude Haiku 5.5 en medium (15,2 %, 24,6) et loin devant GPT-6 Luna en max (12,6 %, 27,9, 31,2).
Quel agent, quel modèle et quel effort pour « Algorithmique, preuves et programmation compétitive » ?
Codex · GPT-6 Astra · max, avec ChatGPT Pro (100 $ / 200 $ / 500 $). ≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale). Ou : Codex · GPT-6.1 Sol (défaut) · max, avec ChatGPT Plus (20 $) ou Pro. ≈ 3,7 heures-agent par fenêtre de 5 h · ≈ 26,3 par semaine avec ChatGPT Plus (Codex) (estimation centrale).
Combien de temps : Seulement pour le cœur difficile — l'algorithme, la preuve, l'optimisation : une session ciblée. Ensuite : Une fois le cœur correct et testé, revenez au Code au quotidien pour le code autour, les entrées-sorties et les tests.
Pourquoi : La qualité d'abord : GPT-6 Astra en max mène ALE-Bench (2951, contre 2147 pour Opus 5.5 en high), obtient 100 % sur Vals IOI (Opus 5.5 95,1 % ±4,9) et mène WeirdML v3 (42,2 en xhigh, Opus 5.5 31,2).
Quel agent, quel modèle et quel effort pour « Code scientifique et numérique » ?
Claude Code · Claude Fable 5.2 · high, avec Claude Max (100 $) ou Ultra (200 $) : Fable peut utiliser jusqu'à 50 % de la limite hebdomadaire (sur Pro, crédits payants uniquement). ≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale). Ou : Claude Code · Claude Opus 5.5 (défaut) · xhigh, avec Claude Max (100 $) ou Ultra (200 $) pour les longues sessions. Un agent seul n'atteint jamais la limite de 5 h (≈ 8,6 heures-agent par fenêtre) · ≈ 82,2 heures-agent par semaine avec Claude Max 5x (estimation centrale).
Combien de temps : Pour le cœur numérique : le modèle, les formules, le noyau, jusqu'à ce qu'il corresponde à un résultat de référence. Ensuite : Une fois le cœur conforme à sa référence, revenez au Code au quotidien (Opus 5.5 en medium) pour les entrées-sorties, les graphiques et le packaging : Fable 5.2 dépenserait son plafond hebdomadaire sur du code qu'un modèle moins cher écrit aussi bien.
Pourquoi : La qualité d'abord : Claude Fable 5.2 mène Terminal-Bench Science (AA) en high (70,0 % ; 73,3 % en max), nettement devant Gemini 4 Carbon (64,8 %), GPT-6 Astra (63,3 % en max) et Opus 5.5 en xhigh (61,9 %). High plutôt que xhigh (67,6 %) ou max, qui coûte bien plus pour 3 points.
Quel agent, quel modèle et quel effort pour « Illustrations et icônes SVG en code » ?
Codex · GPT-6 Astra · xhigh, avec ChatGPT Plus (20 $, 5 à 45 messages Astra par 5 heures) ou Pro (100 $ / 200 $ / 500 $). ≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale). Ou : Claude Code · Claude Opus 5.5 (défaut) · high, avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 1,8 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Pendant la création des éléments — un jeu d'icônes, une illustration, un logo — en itérant avec des rendus jusqu'à ce que ce soit juste. Ensuite : Pour de petites retouches d'un SVG existant (couleurs, tailles), votre agent du quotidien suffit.
Pourquoi : Premier modèle généraliste de l'arène SVG de Design Arena : Elo 1421 ±9 sur 1 808 duels à l'aveugle (68,8 % gagnés), environ 90 points devant Gemini 4 Argon (1329), Kimi K3.1 Pro (1326) et Claude Opus 5.5 (1321 ±10, 1 261 duels) : environ sept erreurs types, le seul signal sur un large échantillon pour les illustrations SVG. Seul Arrow 2 Telos, spécialisé en SVG et absent de tout abonnement, fait mieux.
Quel agent, quel modèle et quel effort pour « Graphiques, tableaux de bord et diagrammes en code » ?
Claude Code · Claude Opus 5.5 (défaut) · medium (défaut), avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
Combien de temps : Pendant que vous construisez le graphique ou la première version du diagramme, en itérant avec des rendus jusqu'à ce qu'il se lise bien. Ensuite : Pour les retouches suivantes (un libellé, un nœud de plus, une couleur), votre agent du quotidien suffit : un diagramme Mermaid est du texte ordinaire une fois qu'il existe.
Pourquoi : Claude Opus 5.5 mène la visualisation de données de Design Arena (1390 ±14 sur 700 duels à l'aveugle), devant Claude Sonnet 5.5 (1362, sur seulement 160 duels), Kimi K3 (1348), Claude Fable 5.1 (1342), Gemini 4 Argon (1333) et GPT-6 Astra (1325, 10e) : environ trois erreurs types devant Astra, le premier pour les illustrations SVG.
Quel agent, quel modèle et quel effort pour « 3D, jeux et creative coding en code » ?
Claude Code · Claude Opus 5.5 (défaut) · medium (défaut), avec Claude Pro (20 $), Max (100 $) ou Ultra (200 $). ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale). Ou : Codex · GPT-6 Astra · xhigh, avec ChatGPT Pro (100 $ / 200 $ / 500 $). ≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale).
Combien de temps : Pendant que vous construisez la scène et ses interactions, à l'effort par défaut, medium. Ensuite : Pour régler des valeurs, des couleurs et de petites corrections, /effort medium (défaut). Textures et icônes en SVG : voir Illustrations et icônes SVG.
Pourquoi : Jeux : le meilleur modèle Claude du classement jeux de Design Arena (1429, 2 666 duels), derrière GPT-6 Astra en max (1466) et en xhigh (1457), et devant Claude Fable 5.2 (1404), sur des jeux pour navigateur écrits en code.
Rarement. L'effort par défaut de l'agent pour le travail courant ; high pour le débogage, xhigh pour la planification et les sessions de plusieurs heures ; max seulement là où vous avez mesuré un gain.
Opus 5.5 : sur Terminal-Bench 4.0 (AA), max égale xhigh (59,6 %) pour 49 % de plus. Claude Fable 5.2 : xhigh bat max sur FrontierCode 2.0 (49,1 % contre 45,7 %) pour un tiers du coût. GPT-6 Astra : xhigh égale ou bat max sur Terminal-Bench 4.0 et DeepSWE (59,6 % contre 59,1 % ; 74,1 % contre 73,2 %) pour environ 30 % de moins. Anthropic prévient que max peut trop réfléchir.
Comment fonctionnent les limites de 5 heures et hebdomadaires ?
Une limite glissante comptée sur 5 heures à partir de la première requête, puis remise à zéro. Les plans Claude et ChatGPT (Codex) la combinent avec une limite hebdomadaire.
Un second plafond compté sur 7 jours, qui arrête les gros utilisateurs même quand chaque fenêtre de 5 heures a encore de la marge. Sur les plans Claude Max et Ultra, les modèles Claude Fable (5.2, 5.1, 5) peuvent en utiliser au plus 50 % à eux tous. Claude Ultra n'a que cette limite hebdomadaire (pas de fenêtre de 5 heures une fois le compte vérifié).
Le simulateur estime combien d'heures d'agent chaque abonnement donne, et quand le quota sera épuisé.
Combien d'heures de travail d'agent donne un abonnement ?
Estimations centrales du simulateur pour les préconisations actuelles (un agent qui travaille en continu) :
Planification avancée et architecture (Claude Code · Claude Fable 5.2 · high): ≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale).
Code au quotidien (Claude Code · Claude Opus 5.5 (défaut) · medium (défaut)): ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
Débogage (Claude Code · Claude Opus 5.5 (défaut) · high): ≈ 1,8 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Pro (estimation centrale).
Front-end et interfaces web (Claude Code · Claude Opus 5.5 (défaut) · medium (défaut)): ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
Longues sessions d'agent autonome (Claude Code · Claude Opus 5.5 (défaut) · xhigh): Un agent seul n'atteint jamais la limite de 5 h (≈ 8,6 heures-agent par fenêtre) · ≈ 82,2 heures-agent par semaine avec Claude Max 5x (estimation centrale).
Gros volume, sous-agents, retouches rapides (Codex · GPT-6.1 Terra · medium (défaut)): Un agent seul n'atteint jamais la limite de 5 h (≈ 6,6 heures-agent par fenêtre) · ≈ 47,4 heures-agent par semaine avec ChatGPT Plus (Codex) (estimation centrale).
Algorithmique, preuves et programmation compétitive (Codex · GPT-6 Astra · max): ≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale).
Code scientifique et numérique (Claude Code · Claude Fable 5.2 · high): ≈ 2,9 heures-agent par fenêtre de 5 h · ≈ 14 par semaine avec Claude Max 5x (estimation centrale).
Illustrations et icônes SVG en code (Codex · GPT-6 Astra · xhigh): ≈ 130,7 heures-agent par semaine avec ChatGPT Pro 200 (Codex) (pas de fenêtre de 5 h ; estimation centrale).
Graphiques, tableaux de bord et diagrammes en code (Claude Code · Claude Opus 5.5 (défaut) · medium (défaut)): ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
3D, jeux et creative coding en code (Claude Code · Claude Opus 5.5 (défaut) · medium (défaut)): ≈ 2,3 heures-agent par fenêtre de 5 h · ≈ 17,6 par semaine avec Claude Pro (estimation centrale).
>Utile ? Partagez le lien en un clic, ou publiez le carrousel qui le résume : chaque partage cite l'outil et renvoie vers lui.
Partager le lien
Ouvre le réseau avec le texte et le lien déjà remplis : il ne reste qu'à valider. Le texte est aussi copié, pour les réseaux qui ne le reprennent pas (Facebook, LinkedIn sur mobile).
L'essentiel de la page en slides, générées dans votre langue, votre mode et votre thème de couleurs : changez-les en haut de page, les slides suivent. Chaque slide porte le nom et l'adresse de l'outil.
>Un projet personnel, gratuit et fait avec cœur : pourquoi cette page existe, et comment me joindre.
Pourquoi cette page
Tout est parti d'une question qu'on me pose sans arrêt : « Qu'est-ce qu'il faut utiliser en ce moment ? » Je teste moi-même en continu, à peu près chaque semaine : il y a toujours du nouveau, en open source comme en poids ouverts, dans les modèles payants, dans les mises à jour et les nouveaux modèles, pour l'image comme pour le code. J'en avais assez de répéter les mêmes conseils à des dizaines de personnes, alors j'ai fait cette page : je la tiens à jour, et vous pouvez venir voir ce qu'il faut utiliser ou non, ce qu'il faut faire ou éviter. C'est la petite piqûre de rappel du moment.
Comment les préconisations sont classées
Les préconisations sont une synthèse, par cas d’usage, des résultats et analyses des sites de benchmark et des recommandations officielles des fournisseurs. Le choix du modèle et du niveau d’effort tient compte des performances mesurées, du coût et de la consommation estimée de quota. Chaque choix renvoie à ses sources datées, en distinguant les mesures indépendantes des résultats publiés par les éditeurs.
Pas à jour ? Dites-le-moi
C'est un projet personnel. En général, je l'actualise au fur et à mesure ; mais si je suis en vacances ou très occupé par d'autres projets, il peut prendre un peu de retard. Si vous voyez qu'il n'est plus à jour, n'hésitez pas à m'envoyer un petit rappel — par e-mail, WhatsApp, LinkedIn ou n'importe quel autre moyen — et je m'occupe de tout réactualiser sur-le-champ. Tous mes contacts sont sur mon portfolio, à la racine de ce site.
Partagez vos retours
Partagez vous aussi votre expérience pour que cette page s'améliore pour tout le monde : envoyez-moi vos retours, même critiques — j'adore la critique, c'est ce qui fait progresser.
Gratuit, fait avec cœur ❤️
Comme la plupart de mes projets, celui-ci est gratuit et fait avec amour. J'espère qu'il vous aura servi ; en tout cas, il a été fait avec cœur.
Un mot pour les providers 🚜
Si vous êtes l'un des providers présents dans cet outil, n'hésitez pas à me contacter pour m'offrir des resets de quota ou des crédits : c'est ce qui me manque le plus. Chacun de nous a déjà entre 1 et 4 abonnements Max. Vous ne pouvez pas nous faire plus plaisir qu'avec des resets ou des crédits. Contactez-nous : vous aurez droit ici à une mention spéciale ❤️.
pass@1 over 20 multi-hour tasks × 8 trials, mean cost per trial, tokens and errors for every agent × model × effort (data in the site's JS bundle, newest trial 2026-11-07; the deploy of 2026-10-15 hides 11 older models from the board, and so do we; Gemini 4 Carbon (Antigravity CLI) and Inkling 2 Small added in November 2026).
Publiée le 7 nov. 2026 · Consultée le 11 nov. 2026
Coding Plan Pro $50: 6,000 requests per 5 hours, 45,000 per week, 90,000 per month; its model list has no Qwen3.8 model (up to qwen3.7-plus); sold in limited quantity, Lite discontinued.
Publiée le 28 sept. 2026 · Consultée le 28 sept. 2026
`opencode web` starts a server (127.0.0.1 by default, network access protected by OPENCODE_SERVER_PASSWORD) and opens the interface in a browser; no hosted web surface.
Verification first (prompt, `/goal`, Stop hook, subagent); skip the plan for one-sentence changes; prune CLAUDE.md; `/clear` after two failed corrections; `/batch` fan-out; adversarial review.
2.1.299 (2026-10-14): idle compaction, a 200K+ token conversation left idle about 54 minutes is compacted before its one-hour prompt cache expires; minimum set by CLAUDE_CODE_IDLE_COMPACT_MIN_TOKENS, off with "idleCompaction": false. 2.1.302 (2026-10-16): Idle compaction row in /config. 2.1.304 (2026-10-19): warning on Pro and Max when resuming an inactive conversation would use a noticeable share of the 5-hour limit. 2.1.311 (2026-10-26): ultrathink runs its turn at xhigh effort on Opus 5.5, Sonnet 5.5, Haiku 5.5 and Fable 5.1 in the interactive terminal. 2.1.312 (2026-10-27): usage messages say "5-hour limit" instead of "session limit". 2.1.316 (2026-10-31): CLAUDE_CODE_DISABLE_ULTRATHINK, CLAUDE_CODE_SUBAGENT_EFFORT (effort of subagents when nothing else sets one), ultrathink at xhigh in VS Code; Opus 4.8 fast mode deprecated, removed 2026-11-30. 2.1.317 (2026-11-03): subagents on another model use that model's saved or default effort, not the session's. 2.1.321 (2026-11-09): Claude Fable 5.2 ($8 / $40, $0.20 cache reads, 1M context) becomes the fable alias; saved Fable 5.1 picks move to it on Pro, Max and Ultra; Ultra named alongside Pro and Max. 2.1.322 (2026-11-10): Fable 5.2 fast mode on Vertex (global, us and eu regions).
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Local /code-review checks correctness; /review alias since 2.1.223. /simplify applies cleanup; --fix and --comment are explicit modification/publication options, not default review steps.
Bundled /run and /verify launch and exercise the app. /run-skill-generator records launch instructions; /verify may save a project skill. Availability depends on enabled bundled skills and project overrides.
Coding scores at max effort unless stated: SWE-bench Pro 93.0%, Multilingual 96.6%, Multimodal 74.1%; DeepSWE v1.1 74.3%; Terminal-Bench 4.0 67.6% (Claude Code --bare, 660 trials, ±1.8; Opus 5.5 66.4% at xhigh, Fable 5.1 55.8%); FrontierCode 2.0 49.1% at xhigh and 45.7% at max (44.4% if 22 timed-out attempts count as zero); FrontierSWE v2 69.9%.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
From 2026-11-09: Pro and Team standard seats get every Fable model in their plan until 2026-11-16 (up to 50% of the weekly limit) plus one Fable reset; Max, Ultra and premium seats get one to three Fable resets by subscription length (under 6 months, 6–12, over 12), valid until 2027-03-08; a reset restores Fable usage on the weekly limit and refills the whole 5-hour window, without raising limits.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Fable 5.2, 5.1 and 5 on all paid plans; they use limits faster and are capped at 50% of the weekly limit on Max, Ultra and Team Premium; usage credits only on Pro and Team Standard; Fable 5.2 needs Claude Code 2.1.321 or later.
Model id claude-haiku-5-5, 1M context, 128K output; $0.10 input, $0.01 cache read, $0.50 output per MTok up to 100K-token prompts ($0.50 / $0.05 / $2.50 above); efforts low to max, medium by default; adaptive thinking.
Publiée le 7 oct. 2026 · Consultée le 10 oct. 2026
Coding capabilities at max effort: SWE-bench Pro 64.8, Multilingual 83.7, Multimodal 30.7, FrontierCode Main 46.4 (45.8 at xhigh), Terminal-Bench 4.0 39.2, FrontierSWE v2 43.8; FrontierCode per effort in output tokens (figure 8.3.A).
Publiée le 7 oct. 2026 · Consultée le 10 oct. 2026
Score and cost per task at each effort level for Opus 5.5, Fable 5.1 and Opus 5 on Terminal-Bench 4.0, FrontierCode v1.1 and CursorBench 4.0; five-hour limit change of 2026-09-22.
Publiée le 22 sept. 2026 · Consultée le 28 sept. 2026
Prices of Free, Pro ($20, $17 a month billed yearly), Max ($100, 5× Pro), Ultra ($200, 10× Pro per week, no 5-hour limit for verified accounts), Team and Enterprise plans and what each includes; Fable on usage credits on Pro, up to half the weekly limit on Max and Ultra; monthly API credits on Max ($100), Ultra ($200) and Team (up to $500); API price table with Fable 5.2 $8 / $0.20 / $40.
Model id claude-sonnet-5-5, 1M context, 128K output; $2 input, $0.10 cache read (cut from $0.20 on 2026-10-07), $10 output per MTok; efforts low to max, default high on the API and medium in Claude Code and the apps; thinking can no longer be disabled (between_tools instead).
Publiée le 28 sept. 2026 · Consultée le 10 oct. 2026
Effort levels available per model and when to use each (xhigh for agentic coding over 30 minutes, low for subagents); Haiku 5.5 supports low to max, medium by default; Fable 5.2 supports low to max, high by default on the API (start at high, gains above it are uneven).
Score and cost per task at each effort level for Fable 5.2, Opus 5.5 and Fable 5.1 on FrontierCode 2.0 (also GPT-6 Astra and Gemini 4 Carbon; Fable 5.2 49.1% at xhigh for $14.19, 45.6% at max for $44.70), WANDR, BenchCAD 2.1, Humanity's Last Exam and Chartography; benchmark table (FrontierSWE v2 69.9%, Terminal-Bench-Science 0.1 74.6%); $8 / $40, fast mode $16 / $80; medium is the default in the Claude apps and Claude Code; Fable up to 50% of the weekly limit for Pro and Team standard seats during the launch week.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Score and cost at each effort level for Haiku 5.5, Haiku 4.5, Sonnet 5.5 and GPT-6 Luna on OSWorld 2.1, GDPval-AA v2.1, Humanity's Last Exam and Terminal-Bench 4.0 (Sonnet 5.5 at $0.10 and $0.20 cache reads); headline Terminal-Bench 4.0 39.2 and FrontierCode 1.1 Main 46.4 at max; prices by prompt length; Sonnet 5.5 cache reads cut to $0.10; monthly API credits for Max and Team.
Publiée le 7 oct. 2026 · Consultée le 10 oct. 2026
Score and cost at each effort level for Sonnet 5.5, Opus 5.5 and Sonnet 5 on Terminal-Bench 4.0 ($ per attempt), FrontierCode v1.1 and CursorBench 4.0 ($ per task); headline SWE-bench Pro 81.3 and Terminal-Bench 4.0 70.6 at max.
Publiée le 28 sept. 2026 · Consultée le 29 sept. 2026
Default model (Opus 5.5 on every plan since v2.1.280; no Fable model is a default); default effort per model (medium on Fable 5.2, Opus 5.5, Sonnet 5.5 and Haiku 5.5); fable alias → Fable 5.2 and saved Fable 5.1 picks moved to it on Pro, Max and Ultra (v2.1.321); haiku alias → Haiku 5.5 since v2.1.293; ultrathink raises one terminal turn to xhigh (v2.1.311+, Fable 5.2 included).
Model IDs, release dates, context windows, max output and status of every current Claude model: current lineup Fable 5.2, Opus 5.5, Sonnet 5.5, Haiku 5.5; Fable 5.1, Fable 5 and Haiku 4.5 legacy, still available.
Max 5x $100, Max 20x $200, Team $20 per Standard and $100 per Premium seat pooled up to $500 a month; Claude Platform only (API, Managed Agents, Agent SDK with an API key); not interactive Claude Code nor extra usage; plan limits unchanged.
Publiée le 7 oct. 2026 · Consultée le 10 oct. 2026
Cost per solved task on a 478-problem SWE-bench Pro subset for Opus 5.5, Fable 5.1 and Sonnet 5 configurations; effort trade-offs for Opus 5.5; Haiku 5.5: GPQA Diamond 85% at about a twentieth of Opus 5.5's cost per question.
Max at $100: five times Pro usage every five hours and every week, a separate weekly limit for Fable; monthly billing only; $100 a month of API credits; Max 20x replaced by the Ultra plan.
The Max 20x plan is now called Ultra, existing subscribers moved automatically with no price change; $200 a month, monthly only; 10 times Pro usage every week; no five-hour limit for verified accounts (a temporary limit until verification); a weekly limit across all models and a separate weekly limit for Fable; $200 a month of API credits.
Net improvement over an average model (with CI), sessions and the five signal scores of each model × effort on live coding-agent sessions (snapshot of 2026-11-08, 909,397 sessions, 57 models; flight payload; Bash Reliability replaced Bash Recovery on 2026-10-12).
Publiée le 8 nov. 2026 · Consultée le 11 nov. 2026
Rating, 95% confidence bounds and votes of every model building a web page from an image (vote cutoff 2026-11-10, 210,832 votes, 66 models; entries[] in the payload).
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Rating, 95% confidence interval, votes and rank of every model on blind pairwise web-development votes (entries[] in the server-rendered payload; vote cutoff 2026-11-10, 995,980 votes, 157 models). The page now sits behind a Cloudflare challenge: load it in a headed browser.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Intelligence Index v5.0.1 and AA's own Terminal-Bench 4.0 run for every model × effort, with cost per task and output tokens per task (JSON embedded in the page; 734 models, 119 with a v5 score, newest release 2026-11-09: Claude Fable 5.2). Costs AA publishes as exactly 0 (no API price) are left empty.
FrontierCode 2.0 (132 tasks, from 2026-10-27; data/frontier-code-2.0/data.json): score, pass rate, cost, tokens and flagged rate for every model × effort. FrontierCode v1 and v1.1 archive (frontiercode-leaderboard/data.json): score, pass rate and cost, main and extended subsets. Changelog: Gemini 4 Carbon 2026-10-28; SWE-2 Flash and Muse Spark Open 2026-11-04; Kimi K3.1 Pro 2026-11-05; Claude Fable 5.2 and Inkling 2 Small 2026-11-09.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Deterministic pass@1 and pass@4 with 95% CI and mean cost per rollout of 11 models in their agents, all at high reasoning, on the combined 250 tasks and on the public (100) and held-out (150) sets (v2, results as of 2026-11-02; table data attributes and data-v2.js). Archives: v1 at /v1 (120 tasks, programmatic and judge-panel pass@1/pass@4, updated 2026-10-28 with Gemini 4 Carbon) and v0 at /v0 (100 tasks).
Publiée le 2 nov. 2026 · Consultée le 11 nov. 2026
The X Subscription (2026-10-12): Plus $8, Premium $30, Super $100, Ultra $200; one weekly pool for Cursor models shared with Grok (4×, 15×, 50× Plus); third-party models at API list price from prepaid credit on Premium and up.
Publiée le 12 oct. 2026 · Consultée le 17 oct. 2026
Score, cost per task, tokens and steps for every model × effort (server-rendered results table). Rows added without a changelog entry: Gemini 4 Argon and Muse Wonder (after 2026-10-10), DeepSeek V4.1 Flash 1017 (after 2026-10-17), Gemini 4 Carbon and Claude Fable 5.2 (November 2026); the changelog's latest entry is still 2026-10-07, so the published date is inferred.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Hobby, Start, Pro $20, Pro+ $60, Ultra $200 and Teams continue for existing customers with two monthly pools (Cursor Models, Other Models); comparable X Subscription tiers Premium, Super, Ultra.
One subscription for Grok, Cursor and X, launched on 2026-10-12: Grok and Cursor share one weekly included usage pool; third-party models in Cursor (Claude, GPT) are not included and are billed at API list price from the first use, paid from prepaid credit; switching is optional and permanent, and existing Cursor, SuperGrok and X Premium plans continue.
Publiée le 12 oct. 2026 · Consultée le 17 oct. 2026
Elo, win rate and battles for the full-stack and frontend agentic web-app arenas (full-stack from /api/leaderboard, frontend from the embedded board). No standard error published since 2026-10-10 (btStdErr null).
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Elo, battles, win rate and mean generation time of 195 models across every code category (category allcategories, 1,950,799 votes; no standard error published). Claude Opus 5.5 369 s, Claude Sonnet 5.5 390 s, Claude Fable 5.2 732 s, GPT-6.1 Sol 228 s, GPT-6.1 Terra 132 s, GPT-6 Astra xhigh 574 s, max 1,093 s, Gemini 4 Argon 205 s, Kimi K3.1 Pro 1,121 s.
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Elo, battles and win rate of 156 models on blind human votes for chart and dashboard code (POST /api/leaderboard, category dataviz, 90,018 votes; no standard error published; models with fewer than 100 battles are no longer listed since 2026-10-16).
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Elo, battles, win rate and mean generation time of 193 models on browser games (category gamedev, 318,370 votes; no standard error published). Claude Opus 5.5 483 s, Claude Sonnet 5.5 486 s, Claude Fable 5.2 919 s, GPT-6.1 Sol 228 s, GPT-6.1 Terra 123 s, GPT-6 Astra xhigh 603 s, max 1,133 s, Gemini 4 Argon 198 s, Kimi K3.1 Pro 1,076 s.
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Elo, battles and win rate of 139 models on blind human votes for SVG generation (POST /api/leaderboard, category svg, 211,612 votes; standard error no longer published since 2026-10-10).
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Elo, battles and win rate of 206 models on single-shot websites (POST /api/leaderboard, category website, 1,190,870 votes; no standard error published).
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
ALE-Bench Performance score (algorithm optimization) and cost per model × effort (ale_bench_external.csv): GPT-6 Astra max 2951, GPT-6.1 Sol max 2744, GPT-6.1 Terra max 2609 at $0.41, GPT-6 Sol max 2462, Claude Opus 5.5 high 2147 (the only Opus 5.5 effort measured).
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
Copilot code review passed 60 million reviews; usage grew 10x since its April 2025 launch and accounts for more than one in five code reviews on GitHub.
Publiée le 5 mars 2026 · Consultée le 29 sept. 2026
Copilot cloud agent works in the background from the agents panel on GitHub.com, issues or VS Code and opens pull requests; it can also be started from Microsoft Teams and Slack (public preview) and from Azure Boards, Jira or Linear.
Claude Fable 5.2 generally available on 2026-11-09 for Copilot Pro+, Max, Business and Enterprise on the same surfaces; billed at provider list price; requires data retention by Anthropic (policy off by default for organizations; zero data retention for eligible enterprises until the end of 2026).
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Gemini 4 Argon generally available on 2026-10-13 for Copilot Pro+, Max, Business and Enterprise in VS Code, Visual Studio, Copilot CLI, cloud agent, Copilot app, JetBrains, Xcode and Eclipse; billed at provider list price.
Publiée le 13 oct. 2026 · Consultée le 17 oct. 2026
Gemini 4 Carbon generally available on 2026-11-10 for Copilot Pro+, Max, Business and Enterprise in VS Code, Visual Studio, Copilot CLI, coding agent, Copilot app, github.com, GitHub Mobile, JetBrains, Xcode and Eclipse; billed at provider list price; on by default for organizations unless disabled.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Copilot Pro, Pro+, Max, Business and Enterprise prices and the AI Credits included with each (unchanged: $10 / $39 / $100 with $15 / $70 / $200); Gemini 4 Carbon, Gemini 4 Argon and Claude Fable 5, 5.1 and 5.2 on Pro+ and Max, not on Free or Pro.
Publiée le 28 sept. 2026 · Consultée le 11 nov. 2026
Copilot Fusion generally available on 2026-10-28 on all Copilot plans (VS Code, Copilot app, CLI, JetBrains): Standard, High and Max efforts route and orchestrate enabled models; billed per model used at its standard rate, 30% off for a limited time on paid plans; Fusion Max scored 60 on the AA Coding Agent Index at about half the cost per task of Claude Code with Opus 5.5 Max.
Publiée le 28 oct. 2026 · Consultée le 11 nov. 2026
Models per plan: Gemini 4 Carbon (Low/Medium/High, default High) on Ultra and Enterprise only; Gemini 4 Argon (same levels) on paid Google AI Pro (or a trial with eligible premium devices), Ultra and Enterprise; Claude Opus 5.5 and Sonnet 5.5 (thinking) on Pro (non-trial), Ultra and Enterprise; Gemini 3.8 Flash on every plan; Gemini 3.7 Flash, 3.6 Flash and 3.1 Pro on Enterprise only; Claude 4.6 models and GPT-OSS-120b to be removed on 2026-11-18 (was 2026-11-02). Two usage pools with five-hour and weekly remaining percentages.
Remote Control: a browser dashboard, installable on a phone with push notifications, that drives Antigravity 2.0 and CLI sessions running on your own machines; no hosted web agent.
Gemini 4 Argon rolls out in the Antigravity desktop app and CLI for Google AI Pro and Ultra subscribers and eligible Gemini Enterprise subscriptions, from 2026-10-13.
Publiée le 13 oct. 2026 · Consultée le 17 oct. 2026
General availability on 2026-10-13: Gemini API and AI Studio, Gemini app and AI Mode for Google AI Pro and Ultra, Antigravity; introductory price $2 / $10 per MTok (cached input 95% off) until 2026-11-30, then $4 / $20; 1M unified input-output token limit.
Publiée le 13 oct. 2026 · Consultée le 17 oct. 2026
Restricted rollout to cyber defenders (Fairwind Program) before paid API customers and Google AI Ultra; introductory price $2 input / $10 output per MTok, cached input 95% off, then $4 / $20; 1M-token output limit; DeepSWE v1.1 77.9%.
Publiée le 30 sept. 2026 · Consultée le 10 oct. 2026
Gemini 4 Carbon for Google AI Ultra subscribers in the Antigravity app, CLI and IDE extensions from 2026-11-10, and in Gemini for business; /swarm multi-agent teams in preview ("consume quota much faster than a standard chat").
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
General availability on 2026-11-10: Gemini API paid tier (AI Studio, Android Studio), Gemini for business; Google AI Ultra subscribers in Antigravity, the Gemini app and AI Mode (not Pro). Argon stays the choice for most work; Carbon uses more tokens. #1 on CursorBench 4.0, WANDR and AutomationBench; /swarm preview in Antigravity; intro price ends 2026-11-30.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Restricted rollout to a subset of cyber defenders (Fairwind Program) from 2026-10-28; same introductory price as Argon, $2 / $10 per MTok, cached input 95% off, then $4 / $20. Results table (same values as the evaluation PDF): Terminal-Bench 4.0 (AA) 65.2, FrontierSWE 2 61.2, SWE-sweep 9.6; WebDev Arena #4 (1768, +89); cheating on Terminal-Bench 4.0 reduced to 0.0%.
Publiée le 28 oct. 2026 · Consultée le 11 nov. 2026
gemini-3.7-flash deprecated on 2026-10-08 with requests routed to gemini-3.8-flash; gemini-3.5-flash routed to gemini-3.6-flash; gemini-2.5-pro routed to gemini-3.8-flash and gemini-2.5-flash to gemini-3.5-flash-lite from 2026-12-01 (announced 2026-11-02); gemini-4-carbon (2026-11-10) and gemini-4-argon (2026-10-13) with no shutdown date.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Prices per million tokens: Gemini 4 Carbon and Gemini 4 Argon both $2 input / $0.10 cached / $10 output through 2026-11-30, then $4 / $0.20 / $20 (Batch and Flex half, Priority 1.8×, no long-context tier, not on the free tier; Contributor tier for Argon only); Gemini 3.8 Flash (introductory until 2026-12-31) and 3.1 Pro Preview. The page moved from ai.google.dev (301) and no longer prints a date; published = the Carbon entry of the API changelog.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Thinking levels and defaults per Gemini model (Gemini 4 Carbon and Gemini 4 Argon: low, medium, high, default medium); Gemini 4 shares one 1,048,576-token window between input and output.
Prices of Google AI Plus, Pro, Ultra 5x and Ultra 20x (unchanged: $4.99, $19.99, $99.99, $199.99); Gemini 4 Argon included from AI Pro, Gemini 4 Carbon on Ultra only ("highest access" to both); Antigravity rate-limit wording per plan.
Model id gemini-4-argon (stable); thinking levels low, medium (default, recommended for complex code and agentic use) and high; 1,048,576-token unified context, 65,536 output per synchronous request and up to 1M with long decode; implicit caching only (95% off); not on the free tier. Since Gemini 4 Carbon (2026-11-10): "efficient" model with fewer thinking tokens per turn than Carbon at the same price, and usable on the Google AI Pro plan in AI Studio (Carbon needs Ultra). The guide moved from ai.google.dev/gemini-api/docs/latest-model, now a model overview.
Publiée le 13 oct. 2026 · Consultée le 11 nov. 2026
Model id gemini-4-carbon (stable, released 2026-11-10, no shutdown date); thinking levels low, medium (default) and high; same 1,048,576-token unified window, 65,536 output per synchronous request and up to 1M with long decode, and same per-token price as Argon; spends more thinking tokens per turn than Argon; implicit caching only; AI Studio subscription access on AI Ultra only (Argon on AI Pro and Ultra).
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Vetted Fairwind partners (governments, critical infrastructure, core platforms) get Gemini 4 Argon without cyber guardrails, standalone or in CodeMender; they had exclusive access from 2026-09-30 until general availability on 2026-10-13.
Sparse mixture-of-experts, 1M combined input-output tokens, knowledge cutoff March 2026; distributed in the Gemini app, Gemini API, AI Studio, Gemini for business, Antigravity and AI Mode. Its results table is the same image as the 2026-09-30 evaluation PDF (no new figure).
Publiée le 13 oct. 2026 · Consultée le 17 oct. 2026
Benchmark table of Gemini 4 Argon at its highest thinking setting versus GPT-6 Astra, Claude Fable 5.1 and Opus 5.5 (DeepSWE v1.1 77.9, Terminal-Bench 4.0 57.4, FrontierSWE v2 55.0, Vibe Code Bench 91.9), with the harness and settings per benchmark.
Publiée le 30 sept. 2026 · Consultée le 10 oct. 2026
Based on Gemini 4 Argon; 1M combined input-output tokens; knowledge cutoff March 2026; uses more thinking tokens than Argon; Ultra in consumer surfaces and Antigravity, paid API tiers, Fairwind for verified defenders. Its results image is byte-identical to the evaluation PDF's.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Benchmark table of Gemini 4 Carbon and Argon at their highest thinking setting versus GPT-6 Astra, Claude Opus 5.5 and Fable 5.1: AA Index v5.0 59, Vals Index v2.2 70.4, SWE-sweep 9.6, FrontierSWE 2 61.2, Terminal-Bench 4.0 (AA) 65.2 (Argon 57.1), Agents' Last Exam v1.1 77.4, OSWorld-2.1 offline 81.5; harness and source per benchmark.
Publiée le 10 nov. 2026 · Consultée le 11 nov. 2026
Hack-adjusted and raw Opt@1 scores per model × effort in OpenHands (leaderboard.json, last_updated 2026-09-27; rows after the 2026-09-27 elicitation change are not comparable with older ones).
Publiée le 27 sept. 2026 · Consultée le 11 oct. 2026
Share of professional developers using each AI coding tool at work, May–July 2026 (Developer Ecosystem Survey 2026, 15,000+ respondents, reweighted by region): Claude Code 39%, GitHub Copilot 21%, Codex 16%, Cursor 12%, JetBrains AI and/or Junie about 9%, OpenCode 7%, Antigravity 6%.
Publiée le 15 août 2026 · Consultée le 28 sept. 2026
LiveBench 2.0 releases of 2026-11-06 (shown as updated 2026-11-09), 2026-10-25 and 2026-10-14 (data/<release>/table.csv, categories.json, cost.csv, breakdown.json): suite scores, weighted overall (×2 long agentic, ×1.5 coding and design from 2026-10-25) and cost per task, each model at its highest supported effort (Claude Fable 5.2 at xhigh). Earlier releases were republished with changed costs and added models. LiveBench v1 release 2026-06-25 (under /v1/): coding and agentic-coding category scores and cost per question.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
TrueSkill coding rating (μ − 3σ) over 68 benchmark games for every model (initialIndexData in the payload; 237 models reviewed). The CDN can serve stale copies even with a cache-busting query: check dateModified of each fetch.
Publiée le 11 nov. 2026 · Consultée le 11 nov. 2026
M Plan replaced Token Plan on 2026-09-30 at the same prices: Go $22, Explore $55, Build $132 a month (minimax.io/m-plan); Explore 3× and Build 7.5× Go usage; 5-hour and weekly windows, no sizes; text model M3.1 Flash Preview.
Publiée le 30 sept. 2026 · Consultée le 11 oct. 2026
Public preview of Mistral Large 4 (1T parameters, 52B active, open weights by the end of October); coding scores from the text: DeepSWE v1.1 61.7%, SWE-Atlas QnA 59.4%, Terminal-Bench 4.0 28.3%, Coding Agent Index 49.8% (runs by Artificial Analysis, effort not stated). Charts are images with rounded labels.
Publiée le 6 oct. 2026 · Consultée le 10 oct. 2026
Open weights of the improved Mistral Large 4 ("Le Chonk") on 2026-10-29, three reasoning modes (low replaces none, medium, high by default), $0.70 / $0.07 cached / $2.10 per MTok. From the embedded chart JSON: Terminal-Bench 4.0 41.4% (28% for the preview), Artificial Analysis Coding Agent Index 48 at high (8.5M tokens per task) and 35 at medium (5.8M), Cognition's FrontierCode 2.0 19.7% (the high-effort run in Cognition's data, https://cognition.com/data/frontier-code-2.0/data.json: low 9.5, medium 8.8, Mistral Vibe harness), AA Cyber Index 50.9%.
Publiée le 29 oct. 2026 · Consultée le 11 nov. 2026
Ids mistral-large-4 / mistral-large-4-0, version 26.10, GA, release date 2026-11-05, 1.05T total and 52B active parameters, 1M context, open weights (Mistral Ecosystem Open Weight License); $0.70 input, $0.07 cached, $2.10 output per MTok (preview list price $1.36 / $0.14 / $4.18). Reasoning guide: reasoning_effort low, medium or high (high recommended); none, minimal, xhigh and max refused. Mistral Medium 3.5 deprecated 2026-10-31 (retirement 2027-04-30), replaced by Mistral Large 4.
Publiée le 5 nov. 2026 · Consultée le 11 nov. 2026
Pro $14.99 with $25.50 of API credits a month (was $30 on 2026-09-28; seen with France preselected in the country selector), Education $5.99 with $15, Team $24.99 per user ($50 minimum); fair usage, PAYG past the limit at API rates.
Publiée le 28 sept. 2026 · Consultée le 11 nov. 2026
Free 2 and paid 100 Vibe Code Web sessions a day, 24-hour sessions; Vibe Code Web and the CLI with a Mistral model use Mistral Medium 3.5 (unchanged on 2026-11-11).
Input, cached input, output and cache-write prices per million tokens for Kimi K3.1 Pro ($2 / $0.20 / $10), K3.1 Pro Highspeed ($4 / $0.20 / $20), Kimi K3 ($3 / $0.30 / $15) and K2.7 Code; 1,048,576-token context for the K3 series.
Models in Kimi Code (K3.1 Pro, K3.1 Pro Highspeed at 2× quota, K3, K3 256K, K2.8 Preview, K2.7 Code Highspeed at 3× quota), effort levels with their defaults, and plan access.
K3.1 Pro series live in Kimi Code on 2026-10-23: K3.1 Pro on Plus / Moderato and above (1M context from Pro / Allegretto), K3.1 Pro Highspeed on Pro / Allegretto and above; low / high / max with high as the default.
Publiée le 23 oct. 2026 · Consultée le 27 oct. 2026
Open weights of Kimi K3.1 Pro (repository created 2026-11-02, Kimi K3.1 Pro License), MXFP4 weights with quantization-aware training, and the launch benchmark table (Terminal-Bench 4.0 in the Claude Code harness).
Publiée le 2 nov. 2026 · Consultée le 11 nov. 2026
Model ids kimi-k3.1-pro and kimi-k3.1-pro-highspeed, 1M context, thinking always on, reasoning_effort low / high / max with max as the API default, access after a $1 top-up.
Benchmark table of Kimi K3.1 Pro at max effort in the Claude Code harness (Terminal-Bench 4.0 65.7, DeepSWE v1.1 75.5, SWE-Marathon v1.1 51.7, Terminal-Bench-Science 0.1 38.1) against Fable 5.1, GPT-6 Astra, Opus 5.5, DeepSeek-V4.1-Flash-1017 and GLM-5.3; Terminal-Bench 4.0 score and cost per task at high (52.8%, $4.16) and max (65.7%, $5.25); K3.1 Pro Highspeed 2-3× faster; weights by 2026-11-04.
Publiée le 24 oct. 2026 · Consultée le 27 oct. 2026
Pro 100, Pro 200 and Pro 500 ($500, Ultrafast). Updated 2026-11-03: Pro 100 and Pro 500 include twice their previous Work and Codex allowance; the Pro 200 reduction announced on 2026-09-29 is canceled, every Pro 200 subscription has the higher allowance (the lower one doubled to match); Plus unchanged; no five-hour limit on Pro.
Publiée le 3 nov. 2026 · Consultée le 11 nov. 2026
Since 2026-10-28, monthly API credits for eligible subscriptions: Pro 100 $100, Pro 200 $200, Pro 500 $500, Business Standard $20 and Premium $100 per paid seat (capped at $500 per workspace); unused credits expire each cycle; Codex usage through API keys is not covered and the credits do not raise ChatGPT or Codex limits.
Publiée le 28 oct. 2026 · Consultée le 11 nov. 2026
Standard, batch, flex, fast and ultrafast prices per million tokens for GPT-6 Astra, GPT-6.1 Sol, GPT-6.1 Terra, GPT-6 Sol and Luna; Ultrafast is 6× Standard (Astra and 6.1 Sol only).
Credits per million tokens for each model (25× the API price; GPT-6.1 Sol 50 / 2.5 / 250); Fast 2× and Ultrafast 6× when paid with credits; 2.5× and 8× of included usage.
Goal / Context / Constraints / Done when; start GPT-6.1 Sol at the client's default effort, Luna High, Astra Light; `/plan`, interview and PLANS.md; update AGENTS.md after a repeated mistake; worktrees for parallel tasks (the .md copy is gone: read the HTML page).
Review in CLI and desktop, local changes or a base branch; reviewer reports findings without changing the working tree. GitLab merge requests in preview and automatic cloud reviews.
CLI syntax for /init, /plan, /diff, /mention, /compact, /resume, /fork, /mcp and /skills; codex review --uncommitted includes staged, unstaged and untracked files. Review target flags and a custom prompt are mutually exclusive.
GPT-6.1 Sol recommended (Plus to Enterprise, not Free/Go), effort Light to Ultra; starting presets: client default for 6.1 Sol, Luna High, Astra Light; GPT-6.1 Terra for writing, visual understanding and computer use (Codex CLI 0.159.0 or later, desktop app, Work on the web, API); surfaces per model.
Plan prices, estimated local messages per 5 hours on Plus and Standard Business (GPT-6.1 Sol 15–160, GPT-6.1 Terra 35–285), no 5-hour limit on Pro; credit rates per model (GPT-6.1 Terra 25 / 1.25 / 125); Fast 2.5× and Ultrafast 8× of included usage.
Task context, expected and actual behaviour, constraints and verification for coding-agent requests. Used to write editorial workflow templates, not universal commands.
Pro 500 plan at 25× the Plus allowance with Ultrafast; Ultrafast up to 8× faster token generation (300 tokens per second) in Codex, 6× in the API; GPT-6.1 Sol launch; Codex cloud, CLI and Code Review updates.
Publiée le 29 sept. 2026 · Consultée le 10 oct. 2026
Terminal-Bench 4.0 score, cost, output tokens and latency at each effort for GPT-6 Astra, GPT-5.6 Sol and Fable 5.1; FrontierCode 1.1 Extended; output tokens per DeepSWE task.
Publiée le 3 sept. 2026 · Consultée le 28 sept. 2026
Model id gpt-6.1-sol; 1,050,000 context, 128,000 output, cutoff 2026-04-30; efforts low to max (no none), default medium; $2 input, $0.10 cached, $2.50 cache write, $10 output; Fast 2×, Ultrafast 6×, batch and flex 50%.
Publiée le 29 sept. 2026 · Consultée le 10 oct. 2026
Score and cost per task at each effort for GPT-6.1 Sol, GPT-6 Sol and GPT-6 Astra on DeepSWE v1.1 (6.1 Sol 75.22 at high), Terminal-Bench Science 0.1, OSWorld 2.0, AutomationBench, GDP.pdf and factual errors; prices $2 / $0.10 / $10.
Publiée le 29 sept. 2026 · Consultée le 10 oct. 2026
Score and cost per task at each effort for GPT-6.1 Terra, GPT-6.1 Sol, GPT-6 Astra and others on Terminal-Bench 4.0 (Terra 50.3 at max, $1.84), Terminal-Bench-Science 0.1, Agents' Last Exam v1, OSWorld 2.1, MMMU-Pro and factual errors; prices $1 / $0.05 / $5; Plus, Pro, Enterprise and Edu in Work and Codex.
Publiée le 26 oct. 2026 · Consultée le 27 oct. 2026
Five-hour and weekly windows, shared allowance across Codex and Work, effort advice (Astra Low can beat Sol High); no 5-hour limit on Pro 100, 200 and 500; Ultrafast on Pro 500 at 8× included usage.
Go ($10), Go Plus ($40) and Go Teams ($20 per member, $5 a month more usage than Go on every model) prices, requests per 5 hours, week and month and monthly dollar limit per model (open-weight models plus Grok 4.7, GPT-6 Luna, Haiku 5.5 and Gemini 4 Argon at half price until 2026-11-30); DeepSeek V4.1 Flash 43,330 / 86,670 / 45,500 per 5 h. 5-hour limit 20% and weekly 50% of the monthly limit.
Publiée le 28 sept. 2026 · Consultée le 11 nov. 2026
Share of spend and tokens per task over 30 days (code: general implementation 10.1%, debugging 5.2%, file edits 4.3%, review 2.8%, front-end UI 2.0%; math 0.8%), from /api/frontend/v1/rankings/task-spend.
Publiée le 27 sept. 2026 · Consultée le 28 sept. 2026
Quality order judged by eye over 249 runs (34 models, first answer kept per model × effort), updated 2026-11-09: 1st Claude Opus 5.5 (best drawing at max on the Batch API, 255,957 tokens, $2.56; streamed max returns an empty file; xhigh $1.72, high $0.40), 2nd Claude Fable 5.2 (best at medium $3.91, high $3.05; xhigh and max streamed drew nothing, $5.12 each), 3rd GPT-6 Astra (max $2.29, every effort assembles; xhigh $0.98), 4th Claude Sonnet 5.5, 5th GPT-6.1 Sol (xhigh $0.21), 6th GPT-6 Sol (max $0.39), 7th Claude Fable 5.1, 8th GPT-6.1 Terra, 9th Gemini 4 Argon, 10th Kimi K3.1 Pro.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Score and confidence interval per model, harness and effort on the three SWE Atlas boards (sweatlas-qna, sweatlas-tw, sweatlas-refactoring); newest entry 2026-09-09.
Publiée le 9 sept. 2026 · Consultée le 29 sept. 2026
Resolved % of the full and hard subsets per model, harness and effort (update of 2026-09-22: 642 tasks, web tools disabled, re-graded on a clean image; Sonnet 5.5 added 2026-10-12, Gemini 4 Argon and Muse Wonder 1.0 on 2026-10-14, Muse Spark Open on 2026-10-16, MiniMax M3.1 Flash on 2026-11-02, Inkling 2 Small on 2026-11-06). The hard subset is shown.
Publiée le 6 nov. 2026 · Consultée le 11 nov. 2026
pass@1 and pass@5 with cost per trial and per task for 16 models (benchmark-data/tb_ed4_leaderboard.json loaded by the page; data as_of 2026-10-20, page modified 2026-10-23; no effort stated).
Publiée le 23 oct. 2026 · Consultée le 11 nov. 2026
Score (pass rate² × simplicity) with 95% CI, cost per downstream problem and library cost per model × harness; reference arms left out of the layer (the unranked production-library arm scores 46.6).
Publiée le 1 oct. 2026 · Consultée le 11 nov. 2026
pass@1 and pass@5 with cost per trial and per task for 16 models on multi-file changes (benchmark-data/swe_ed2_leaderboard.json; data as_of 2026-10-20, page modified 2026-10-23; no effort stated).
Publiée le 23 oct. 2026 · Consultée le 11 nov. 2026
Resolution rate with CI per model × agent × effort, overall and per science domain, and the total cost of each run (shown rounded); official board at tbench.ai/leaderboard/terminal-bench-science/0.1 (rows loaded client-side).
Publiée le 24 sept. 2026 · Consultée le 11 nov. 2026
Same 66 tasks with hardened verifiers; 4.0 submissions regraded from saved artifacts (162 of 11,550 trials changed, 28 kept at their 4.0 score); every 4.1 score is within its 4.0 95% CI.
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Accuracy with confidence interval, pass@2–5, total cost and tokens per agent × model × effort over 330 trials (Terminal-Bench 4.1, the 2026-11-09 regrade of the 4.0 submissions; the 4.0 page now redirects to the home page).
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Accuracy, cost per test and latency for Terminal-Bench 4.0 (every model re-run), Vibe Code Bench, Vals Index v2.2, IOI (competitive programming, with standard error), Vibe Code Bench 1-100 and other coding benchmarks (benchmark_view_*.json files linked from each page).
Publiée le 9 nov. 2026 · Consultée le 11 nov. 2026
Vals Index v2.2 score, cost per test and latency (Finance Agent v2.1, EMB v1.1, Code Migration v1.1, HLAB-Vals-1.1 and all-pass Tax scoring; scores not comparable with v2.1).
Total installs on 2026-10-11: GitHub Copilot Chat 78,727,453; GitHub Copilot 74,729,595; Claude Code for VS Code 27,485,072; Codex (openai.chatgpt) 15,360,093; OpenCode (sst-dev.opencode) 1,205,522; Kimi Code 602,491; Google Antigravity (Google.google-antigravity) 557,580; Qwen Code Companion 376,437.
CursorBench 4.0 score, cost per task, output tokens and steps at each effort for Grok 4.7 and for Fable 5.1, Opus 5, Sonnet 5, GPT-5.6 Sol/Terra/Luna and Gemini 3.8 Flash (JS dataset behind the chart).
Publiée le 21 sept. 2026 · Consultée le 28 sept. 2026
Lite $6 / Standard $16 / Pro $50 / Max $100 for 4.1B / 11B / 38B / 82B credits per month; no 5-hour or weekly window; credits per token (MiMo-V2.6-Pro 2.5 cache hit / 300 input / 600 output; V2.6-Flash 2 / 100 / 200); off-peak ×0.8.
Publiée le 21 sept. 2026 · Consultée le 28 sept. 2026