Valumigo

LMArena · Réussite des tâches des agents

Nous récupérons régulièrement les données publiques de benchmarks (classements issus des votes des utilisateurs de LMArena, scores aux tests d’Epoch AI et classements d’utilisation d’OpenRouter) pour les afficher. Chaque classement indique sa date de publication et sa date de récupération. Ces scores ne sont pas attribués par ce site.

Les scores LMArena proviennent des votes de personnes qui comparent les réponses de deux modèles et choisissent la meilleure (méthode Elo). Si l’écart entre les scores reste dans l’intervalle de confiance, considérez les modèles comme de niveau similaire.

Comment lire ce classement

Ce qui est mesuré : Ce classement isole le signal de confirmation de réussite des tâches parmi les signaux d’Agent Arena. Il utilise les résultats que les utilisateurs ont directement indiqués comme réussis ou échoués après la fin du travail de l’agent.

Comment lire le score : Le score est exprimé en IPS(τ̂), avec 0 comme référence : plus il est élevé, plus les résultats indiqués comme réussis par les utilisateurs dépassent la référence.

Points à surveiller : Seuls les résultats directement indiqués par les utilisateurs sont pris en compte ; les tâches sans indication sont exclues. L’ordre peut différer de celui du classement global.

Ce que révèle ce classement

  • Les intervalles de confiance à 95% de Claude Fable 5.1 (Max), en 1re place, et de GPT 6.1 Sol (Max), en 2e place, se chevauchent. Cette agrégation seule permet difficilement de déterminer leur ordre.
  • 5 autres modèles ont un intervalle de confiance qui chevauche celui du premier. Interprétez les petits écarts de classement avec prudence, en tenant compte du nombre de votes.
  • Parmi les 10 premiers, les modèles de Anthropic sont les plus nombreux, avec 5 modèles.
  • Le modèle en tête compte 7,868 observations, et ce classement comprend 50 modèles.

Réussite des tâches des agents LMArena

Publié le 2026-10-02 · Récupéré le 2026-10-04

00.050.10.150.20.25
AnthropicClaude Fable 5.1 (Max)
0.176
OGPT 6.1 Sol (Max)
0.155
GoogleGemini 4 Argon (High)
0.154
AnthropicClaude Opus 5.5 (High)
0.141
AnthropicClaude Sonnet 5.5 (Max)
0.139
OGPT 6 Astra (Max)
0.132
AnthropicClaude Opus 5 (Max)
0.095
DeepSeekDeepseek V4.1 Flash (Max)
0.084
Moonshot AIKimi K3 (Max)
0.076
OGPT 6 Sol (Max)
0.071
GoogleGemini 3.8 Flash (High)
0.069
AnthropicClaude Fable 5 (High)
0.061
THy4 preview
0.058
XiaomiMiMo V2.6 Flash
0.056
xGrok 4.7 (xHigh)
0.055
ZGLM 5.3 (Max)
0.053
OGPT 5.6 Sol (xHigh)
0.05
MetaMuse Spark 1.3 (Max)
0.05
ZGLM 5.2 (Max)
0.048
AlibabaQwen3.8 Max
0.047

Les scores sont exprimés en IPS(τ̂), avec 0 comme référence ; plus le score est élevé, mieux c’est. Les lignes représentent les intervalles de confiance à 95%. Le graphique affiche uniquement le meilleur score parmi les réglages de raisonnement d’un même modèle (high, max, etc.). Le tableau présente les classements de tous les réglages.

Meilleur classement par entreprise

  • AnthropicAnthropicClaude Fable 5.1 (Max)#1
  • OOpenAIGPT 6.1 Sol (Max)#2
  • GoogleGoogleGemini 4 Argon (High)#3
  • DeepSeekDeepSeekDeepseek V4.1 Flash (Max)#8
  • Moonshot AIMoonshot AIKimi K3 (Max)#9
  • TTencentHy4 preview#14
  • XiaomiXiaomiMiMo V2.6 Flash#15
  • xxAIGrok 4.7 (xHigh)#16
  • ZZ.aiGLM 5.3 (Max)#17
Voir le tableau (top 50)
RangModèleDéveloppeurScoreIntervalle de confiance à 95%Nombre d’observations
1#1AnthropicClaude Fable 5.1 (Max)Anthropic0.1760.148–0.2057,868
2#2OGPT 6.1 Sol (Max)OpenAI0.1550.114–0.1962,270
3#3GoogleGemini 4 Argon (High)Google0.1540.125–0.1844,422
4#4AnthropicClaude Opus 5.5 (High)Anthropic0.1410.101–0.1823,425
5#5AnthropicClaude Sonnet 5.5 (Max)Anthropic0.1390.086–0.1931,195
6#6OGPT 6 Astra (Max)OpenAI0.1320.095–0.1695,954
7#7AnthropicClaude Opus 5 (Max)Anthropic0.0950.064–0.12615,453
8#8DeepSeekDeepseek V4.1 Flash (Max)DeepSeek0.0840.074–0.09560,410
9#9Moonshot AIKimi K3 (Max)Moonshot AI0.0760.064–0.08899,685
10#10AnthropicClaude Opus 5 (High)Anthropic0.0760.046–0.10620,843
11#11OGPT 6 Sol (Max)OpenAI0.0710.028–0.1143,312
12#12GoogleGemini 3.8 Flash (High)Google0.0690.05–0.08722,497
13#13AnthropicClaude Fable 5 (High)Anthropic0.0610.035–0.08733,005
14#14THy4 previewTencent0.0580.042–0.07524,238
15#15XiaomiMiMo V2.6 FlashXiaomi0.0560.03–0.0827,967
16#16xGrok 4.7 (xHigh)xAI0.0550.021–0.0895,906
17#17ZGLM 5.3 (Max)Z.ai0.0530.037–0.06862,886
18#18OGPT 5.6 Sol (xHigh)OpenAI0.050.024–0.07728,118
19#19MetaMuse Spark 1.3 (Max)Meta0.050.037–0.06445,563
20#20ZGLM 5.2 (Max)Z.ai0.0480.032–0.06355,555
21#21AlibabaQwen3.8 MaxAlibaba0.0470.033–0.06135,416
22#22SStep 5 PreviewStepFun0.0450.012–0.0784,266
23#23ZGLM 5.3 FlashZ.ai0.0440.032–0.05560,370
24#24AnthropicClaude Opus 4.8 (High)Anthropic0.0420.016–0.06930,039
25#25AlibabaQwen3.8 Flash NextAlibaba0.0360.021–0.05138,898
26#26xGrok 4.5xAI0.013-0.01–0.03729,109
27#27AnthropicClaude Sonnet 5 (High)Anthropic0.012-0.023–0.04722,551
28#28GoogleGemini 3.7 Flash (High)Google0.012-0.006–0.02948,036
29#29AlibabaQwen 3.8 27BAlibaba0.01-0.005–0.02436,984
30#30OGPT 6 Luna (Max)OpenAI-0.001-0.025–0.02314,416
31#31xGrok 4.6 (xHigh)xAI-0.006-0.029–0.01820,463
32#32OGPT 5.5 (xHigh)OpenAI-0.009-0.031–0.01443,172
33#33DeepSeekDeepSeek V4 Pro (High) (0813)DeepSeek-0.017-0.057–0.0233,790
34#34OGPT 5.4 (High)OpenAI-0.025-0.046–-0.00457,450
35#35OGPT 5.6 Luna (xHigh)OpenAI-0.033-0.049–-0.01733,799
36#36OGPT 5.6 Terra (xHigh)OpenAI-0.039-0.065–-0.01318,613
37#37MetaMuse Spark 1.1Meta-0.043-0.054–-0.03195,130
38#38OGPT 5.5OpenAI-0.047-0.068–-0.02664,950
39#39MetaMuse Spark 1.2 (xHigh)Meta-0.054-0.072–-0.03633,552
40#40GoogleGemini 3.6 Flash (High)Google-0.057-0.083–-0.03118,029
41#41AlibabaQwen3.7 MaxAlibaba-0.091-0.115–-0.06630,156
42#42AlibabaQwen3.7 PlusAlibaba-0.093-0.126–-0.0615,130
43#43XiaomiMimo V2.5 ProXiaomi-0.096-0.119–-0.07329,517
44#44GoogleGemini 3.1 Pro PreviewGoogle-0.099-0.121–-0.07869,866
45#45THy3Tencent-0.112-0.14–-0.08414,238
46#46MiniMaxMinimax M3MiniMax-0.137-0.162–-0.11228,148
47#47Mistral AIMistral Medium 3.5Mistral AI-0.145-0.183–-0.1086,629
48#48TInkling SmallThinky-0.201-0.244–-0.1587,271
49#49USolar Pro 4Upstage-0.205-0.259–-0.1524,788
50#50TInklingThinky-0.207-0.237–-0.17724,644

Données : LMArena leaderboard dataset (CC BY 4.0). Modifications : Seuls les 50 premiers de chaque classement sont affichés. Les scores sont arrondis.. https://huggingface.co/datasets/lmarena-ai/leaderboard-datasetLes logos sont des marques de leurs entreprises respectives et servent uniquement à les distinguer (icônes : Simple Icons).Données : Epoch AI — Capabilities & benchmarking (CC BY 4.0). https://epoch.ai/benchmarksSource: OpenRouter (openrouter.ai/rankings), as of 2026-10-04. Licensed under CC BY 4.0. https://openrouter.ai/rankings