Classements publics des IA : ce que disent Arena, Artificial Analysis et compar:IA fin octobre 2026

En une phrase : Fin octobre 2026, les modèles Gemini 4 de Google occupent la première place du classement général d'Arena, de sa catégorie française et de l'indice d'Artificial Analysis, mais les écarts entre les premiers sont souvent plus petits que les marges d'incertitude, et aucun de ces classements ne dit quelle IA vous conviendra.

Quand un nouveau modèle sort, son éditeur cite presque toujours un classement public. Ces palmarès ne mesurent pas tous la même chose : certains reposent sur des votes d'internautes, d'autres sur des batteries d'épreuves automatiques. Cet article fait le point sur trois d'entre eux, tels qu'ils étaient affichés le 31 octobre 2026, et explique comment les lire. Il rapporte des résultats publiés par des tiers : Le Latent n'a testé aucun de ces modèles et ne produit pas de classement maison (notre propre banc d'essai en français, le Bench FR, n'a encore publié aucune édition).

Arena : des votes à l'aveugle entre deux réponses

Arena, l'ancien LMArena (l'adresse lmarena.ai redirige vers arena.ai), fonctionne comme un match. Sur sa page « How Arena Works », la plateforme explique qu'en mode « battle », l'internaute reçoit les réponses de deux modèles anonymes, choisit celle qu'il préfère, puis découvre leurs noms. Les votes alimentent les classements publics.

La méthode statistique est décrite dans l'article fondateur de l'équipe, publié sur arXiv le 7 mars 2024 sous le nom de Chatbot Arena : les scores sont des coefficients d'un modèle de Bradley-Terry, qui estime la probabilité qu'un modèle l'emporte sur un autre, et chaque score est accompagné d'un intervalle de confiance. C'est le « ± » qui suit chaque note.

Au classement général du Text Arena, daté du 27 octobre 2026 et consulté le 31 octobre (9 003 272 votes, 419 modèles affichés), les cinq premiers étaient :

Deux remarques s'imposent. Le premier, Gemini 4 Carbon, est noté « Preliminary » par Arena et ne totalise que 4 403 votes, contre plus de 80 000 pour certains modèles plus anciens du top 10 ; son score peut encore bouger. Ensuite, du troisième au cinquième, les scores (1509, 1507, 1504) sont séparés de moins que leurs marges d'incertitude : dire que l'un « bat » l'autre serait abusif. La page propose aussi des réglages, dont un ajustement « Style Control », qui était sur « None » lors de notre lecture.

Côté éditeurs, la tête du classement est partagée entre Alphabet (Google), Anthropic et Meta.

La catégorie française d'Arena

Arena publie aussi des classements par langue. La catégorie « French », datée elle aussi du 27 octobre 2026, ne retient que les conversations en français : 178 926 votes et 302 modèles. En tête : Gemini 4 Argon (High) de Google à 1548 ± 28, devant Claude Fable 5 (High) d'Anthropic à 1525 ± 17 et Muse Wonder (Max) de Meta à 1520 ± 33.

Les marges d'incertitude y sont bien plus larges qu'au classement général, parce que chaque modèle a reçu peu de votes en français : 517 pour le premier. Le français ne représente qu'environ 2 % des votes du classement général (178 926 sur 9 003 272, d'après les deux pages d'Arena). Le premier modèle de Mistral AI, Mistral Large 4, y était 42e, à 1490 ± 28, sur 483 votes.

Artificial Analysis : une batterie d'épreuves automatiques

Artificial Analysis, une société qui se présente comme indépendante, ne fait pas voter d'internautes. Elle fait passer aux modèles une série d'épreuves et en tire un score composite, l'Intelligence Index. Sa page de méthodologie détaille la version 5.0, annoncée le 27 octobre 2026 : neuf évaluations réparties en quatre familles pondérées à 25 % chacune (travail de bureau, programmation, sciences, connaissances générales). On y trouve des tâches d'agent dans un terminal, des modifications de code dans de vrais dépôts et un test de connaissances qui pénalise les hallucinations.

Selon l'article d'Artificial Analysis du 28 octobre 2026, Gemini 4 Carbon (raisonnement « high ») obtient 59 à l'indice v5 et en prend la tête, avec la première place dans 4 des 9 épreuves. L'organisme précise que ce modèle n'est encore déployé que pour certains utilisateurs et « pas encore disponible publiquement », et qu'il ne mène ni en programmation ni en travail de bureau, où Claude Opus 5.5 reste devant sur l'indice des agents de code.

Point important pour un lecteur francophone : la même page de méthodologie indique que l'indice est « principalement en anglais » (« primarily text-based, English-language evaluation suite »). Artificial Analysis mesure le multilinguisme à part, dans un indice distinct fondé sur Global-MMLU-Lite, qui couvre notamment le français. Un bon score à l'Intelligence Index ne garantit donc pas un bon niveau en français.

compar:IA : l'arène publique française, sans classement ce jour-là

compar:IA applique le même principe qu'Arena (deux IA anonymes, un vote, puis le dévoilement des modèles), mais en français et sous pilotage public : il est porté par le ministère de la Culture et financé avec la Direction interministérielle du numérique (DINUM) et l'alliance européenne ALT-EDIC. Les questions et les votes sont publiés en jeux de données ouverts après anonymisation, pour aider à entraîner des modèles plus à l'aise avec le français. Le service indique aussi l'impact environnemental estimé de chaque discussion.

Le 31 octobre 2026, sa page de classement affichait : « Le classement est actuellement indisponible ou en cours de calcul. » Le compteur de la page indiquait 264 971 votes, pour un objectif de 300 000. Nous ne citons donc aucun rang compar:IA dans cet article ; nous le mettrons à jour quand le classement sera de nouveau publié.

Ce que ces classements ne mesurent pas

• Vos propres tâches. Un vote Arena reflète la préférence d'un internaute sur une question qu'il a choisie ; un indice d'épreuves reflète les tâches retenues par son auteur. Aucun ne reproduit votre usage (un courrier administratif, un cours, un tableur).
• Des écarts fins. Quand deux scores diffèrent de moins que leurs marges d'incertitude, l'ordre entre eux n'est pas établi.
• Une neutralité parfaite. Des chercheurs ont critiqué le fonctionnement de Chatbot Arena dans « The Leaderboard Illusion », publié sur arXiv le 29 avril 2025 : selon eux, quelques éditeurs pouvaient tester en privé plusieurs variantes avant une sortie et ne publier que le meilleur score (les auteurs comptent 27 variantes privées testées par Meta avant Llama 4), et les modèles propriétaires recevaient davantage de duels que les modèles ouverts.
• Le prix et la confidentialité. Le score ne dit rien du coût de l'abonnement, ni de ce que l'éditeur fait de vos données.

Comment s'en servir

Un classement public sert à repérer quelques candidats, pas à choisir à votre place. Regardez la catégorie la plus proche de votre usage (la langue française, le code), tenez compte des marges d'incertitude et du nombre de votes, puis essayez vous-même deux ou trois modèles sur vos vraies tâches, en gardant le même prompt pour chacun. compar:IA permet justement de le faire à l'aveugle, en français et gratuitement.

Pour aller plus loin : notre article sur ce que mesure l'Intelligence Index v5 d'Artificial Analysis, la rubrique Labo et ses comparatifs, et le glossaire pour les notions de modèle de langage et de token.