Quel modèle IA choisir ?

Comment le score est-il calculé ?

En gros : la qualité rapportée au prix, avec un petit bonus pour les modèles réellement adoptés. La qualité, c'est la position du modèle dans chaque classement (Artificial Analysis, LMArena, Epoch AI), convertie en percentile puis moyennée. Un modèle noté par une seule source est tiré vers la moyenne : il ne peut pas dépasser 75. Le prix est un prix mixte entrée/sortie, pondéré selon la tâche : un agent de code lit beaucoup plus de tokens qu'il n'en écrit, donc le prix d'entrée pèse 90 % pour le code et 95 % pour les agents. À l'inverse, rédiger part d'un brief court pour produire un long texte : le prix de sortie y pèse 60 %.

Chaque usage a ses propres juges. Pour la rédaction, ce sont les classements LMArena de rédaction créative et de respect des consignes, plus l'indice d'intelligence d'Artificial Analysis ; en rédaction en français, le classement des prompts en français remplace cet indice, parce qu'un bon modèle en anglais n'est pas toujours bon en français. Pour l'analyse de documents longs, c'est le classement des requêtes longues.

À noter : aucun benchmark public ne mesure la capacité d'un modèle à écrire pour le référencement ou à être cité par les moteurs génératifs. Pour la rédaction, on juge donc la qualité d'écriture et le respect des consignes, ce qui compte le plus quand on suit un brief SEO.

Le prix est pris en racine carrée : un modèle deux fois plus cher doit être environ 41 % meilleur pour garder le même score. C'est un choix, et il est affiché sous chaque tableau.

Le score qualité-prix du tableau est ramené sur 100 : 100, c'est le meilleur rapport qualité-prix parmi les modèles qui passent vos filtres. Un modèle à 64 offre donc 36 % de moins que le premier, pour la même dépense.

D'où vient la part entrée / sortie du prix ?

Un appel à un modèle se paie deux fois : les tokens que vous lui envoyez (entrée) et ceux qu'il écrit (sortie), souvent 3 à 8 fois plus chers. Le prix affiché mélange les deux selon un ratio par usage. Ce ratio est une hypothèse, pas une mesure : aucune source publique ne donne la répartition par type de tâche. Deux repères l'encadrent. Sur OpenRouter, 98 % des tokens traités sont des tokens d'entrée, parce que les agents de code relisent sans cesse leur contexte. À l'autre bout, un brief de quelques lignes qui produit un article de 1 500 mots est surtout de la sortie. J'ai donc retenu 40 % d'entrée pour la rédaction, 80 % en usage général, 90 à 95 % pour le code, les agents et les documents longs.

Votre ratio peut être très différent. À titre d'exemple, dans mes propres outils : le générateur de voix de marque lit environ 9 000 tokens d'articles pour écrire un guide d'environ 2 000, soit à peu près 80 % d'entrée ; la question libre de ce comparateur envoie environ 1 300 tokens pour en recevoir 120, soit plus de 90 %. Dès qu'un workflow de rédaction injecte un guide de style, des exemples ou le contenu des SERP, l'entrée reprend le dessus. Bonne nouvelle : en testant 40, 60, 80 et 95 % d'entrée, les cinq finalistes restent les mêmes, seul leur ordre change.

Pourquoi un percentile plutôt que la note brute ?

Parce que les classements ne parlent pas la même langue : un indice sur 100 chez Artificial Analysis, un Elo chez LMArena, un indice de capacités chez Epoch AI. Le percentile les ramène tous à la même question : combien de modèles font moins bien ? Revers de la médaille, c'est un rang, pas un écart : deux modèles très proches peuvent être séparés de quelques points.

D'où viennent la latence et la vitesse ?

Des statistiques de performance d'OpenRouter, mesurées sur les vraies requêtes : la latence, c'est le délai médian avant le premier token, et la vitesse, le nombre médian de tokens produits par seconde. Un même modèle est servi par plusieurs hébergeurs, plus ou moins rapides : j'en fais la moyenne pondérée par leur nombre de requêtes, ce qu'obtient un appel « typique ». Le tableau indique aussi l'hébergeur le plus rapide : sur OpenRouter, vous pouvez le choisir explicitement. Pour un chat ou tout usage en temps réel, le tri « Rapide + qualité/prix » multiplie le score habituel par un facteur de 0,5 à 1,5 selon la réactivité du modèle. Attention, pour un modèle qui réfléchit avant de répondre, la latence inclut souvent sa réflexion.

Pourquoi tenir compte de l'usage ?

Un bon score ne dit pas si un modèle tient la route au quotidien. Des milliards de tokens traités chaque jour, ça ne prouve pas la qualité à soi seul, mais c'est un signal terrain : un développeur paie chaque appel, il prend le modèle le moins cher qui fait le travail. C'est un vote avec le portefeuille, le rapport qualité-prix vu du terrain. Un vote biaisé, cela dit : il mélange toutes les tâches et suit les réglages par défaut des outils. D'où un bonus plafonné à 25 % : l'adoption départage, elle ne fait pas gagner un modèle médiocre.

Quelles sont les limites ?

L'usage mesuré est celui des développeurs qui passent par OpenRouter, pas du grand public. OpenAI, Anthropic et Google y sont sous-représentés par rapport à leurs propres API, et les modèles économiques dominent mécaniquement le volume. Les modèles tout juste sortis ne sont pas encore évalués : ils sont signalés à part, pas classés. Et LMArena note souvent la version « max » d'un modèle, qui consomme plus de tokens de réflexion que le prix au token ne le laisse penser.

Que devient ma question ?

Elle est envoyée à un modèle de langage pour être traduite en filtres, sans aucune donnée personnelle associée. La correspondance question → filtres est gardée en mémoire, pour qu'une question déjà posée ne relance pas un appel. Rien n'est enregistré sur disque.