La réponse courte. Claude Haiku 5.5 et GPT-6 Luna, le modèle d’OpenAI que nous prenons comme référence ChatGPT, ont tous deux réussi 100 % de nos tests de code et de nos règles de rédaction, aux trois essais. L’écart entre eux ne porte pas sur la justesse. GPT-6 Luna coûte environ 1,1 $ US pour 1 000 tâches de code, contre 1,6 $ US pour Claude Haiku 5.5, mais sa durée de code relevée au labo est de 72 secondes, contre 39 secondes. Gemini 3.5 Flash Lite (Google) réussit 79 % des tests de code, et les deux modèles locaux testés, Ministral 3 14B et Qwen 3.5 9B, 67 % et 47 %.
Comment nous avons mesuré
Chaque modèle passe les mêmes cinq épreuves, sans outils et sans aide. Trois sont des tâches de code, vérifiées par 57 tests que le modèle ne voit pas : un lecteur de fichiers CSV (16 tests), une fonction de validation de numéros de téléphone en PHP (26 tests) et la recherche de bogues subtils dans un programme (15 tests). Deux sont des tâches de rédaction en français, vérifiées par 22 règles : la typographie québécoise (10 règles) et un message LinkedIn pour des avocats (12 règles).
Chaque modèle fait trois essais. Le score affiché est la moyenne des trois, arrondie. Les modèles locaux tournent sur notre Mac Studio avec Ollama, à la température de 0,7 (un réglage qui laisse une part de hasard), avec une graine différente à chaque essai (un nombre qui fixe ce hasard). Les modèles par API, c’est-à-dire par l’accès technique qui permet à un logiciel d’utiliser le modèle, sont appelés directement chez leur éditeur ou, pour GLM 5.3 Flash, par l’intermédiaire de Perplexity. Un écart d’un ou deux points n’est pas une vraie différence.
Le classement, avec ChatGPT en référence
Les pourcentages sont les tests réussis sur 57 (code) et les règles respectées sur 22 (rédaction). Les trois nombres entre parenthèses sont les résultats de chacun des trois essais, sur 57.
| Modèle | Où il tourne | Code | Essais de code | Rédaction | Durée du code |
|---|---|---|---|---|---|
| GPT-6 Luna (OpenAI, référence ChatGPT) | API | 100 % | 57, 57, 57 | 100 % | 72 s |
| Claude Haiku 5.5 (Anthropic) | API | 100 % | 57, 57, 57 | 100 % | 39 s |
| Mistral Small (2603) | API | 89 % | 51, 51, 51 | 91 % | 9 s |
| Grok 4.20 sans raisonnement (xAI) | API | 84 % | 38, 52, 53 | 100 % | 16 s |
| Gemini 3.5 Flash Lite (Google) | API | 79 % | 56, 30, 50 | 95 % | 9 s |
| Ministral 3 14B | Local | 67 % | 42, 29, 43 | 91 % | 88 s |
| GLM 5.3 Flash (via Perplexity) | API | 63 % | 15, 36, 56 | 100 % | 586 s |
| Qwen 3.5 9B | Local | 47 % | 16, 24, 41 | 86 % | 190 s |
GPT-6 Luna et Claude Haiku 5.5 sont à égalité en tête. Entre Mistral Small et Grok 4.20, l’écart de code (5 points) est mince compte tenu de la variation de Grok d’un essai à l’autre (38 à 53 tests sur 57). La régularité compte autant que la moyenne : Gemini 3.5 Flash Lite a réussi 56 tests sur 57 à son premier essai et 30 au deuxième, et GLM 5.3 Flash est passé de 15 à 56.
Notre correcteur avait mal lu des réponses livrées en code brut, sans bloc de code balisé; le score de Qwen 3.5 9B a été corrigé sur les mêmes réponses, sans nouvel appel au modèle.
Coût et qualité
Le coût est celui de 1 000 tâches de code par l’API, calculé avec les prix par million de jetons relevés par le labo (un jeton est un bout de mot). Prix en dollars américains.
| Modèle | Coût de 1 000 tâches | Prix par million de jetons (envoyés / reçus) |
|---|---|---|
| GPT-6 Luna | 1,1 $ | 0,10 $ / 0,50 $ |
| Claude Haiku 5.5 | 1,6 $ | 0,10 $ / 0,50 $ |
| Gemini 3.5 Flash Lite | 2,3 $ | 0,30 $ / 2,50 $ |
| Grok 4.20 sans raisonnement | 2,5 $ | 1,25 $ / 2,50 $ |
| GLM 5.3 Flash | 10,3 $ | 0,15 $ / 0,50 $ |
| Mistral Small (2603) | non mesuré | 0,15 $ / 0,60 $ |
| Ministral 3 14B (local) | non mesuré | sans objet |
| Qwen 3.5 9B (local) | non mesuré | sans objet |
Prix revérifiés le 30 octobre 2026 sur les pages des éditeurs. Mistral, dont l’API ne donnait pas le prix le jour du test, affiche 0,15 $ / 0,60 $ pour Mistral Small 4, la version 2603 que nous avons testée. Claude Haiku 5.5 passe à 0,50 $ / 2,50 $ pour les requêtes de plus de 100 000 jetons, et GPT-6 Luna coûte le double en entrée et une fois et demie en sortie au-delà de 272 000 jetons envoyés. Nos tâches restent bien sous ces seuils.
GLM 5.3 Flash affiche des prix par jeton du même ordre que ceux de Luna et de Haiku, mais il revient à 10,3 $ les 1 000 tâches. Il consomme beaucoup de jetons de réflexion. Lors de son premier essai, il a utilisé les 32 768 jetons permis avant d’écrire du code, et deux de ses tâches sont restées sans réponse exploitable. Le prix affiché par jeton ne dit donc pas le coût réel d’un travail.
Où chaque modèle se casse
Voici les échecs exacts relevés à la correction des tests. Quand un échec revient aux trois essais, c’est une faiblesse du modèle. Quand il n’apparaît qu’une fois, c’est de l’irrégularité.
- GPT-6 Luna et Claude Haiku 5.5. Aucun échec, ni en code ni en rédaction, aux trois essais.
- Mistral Small (2603). Les mêmes six tests échouent aux trois essais : un champ CSV qui contient un saut de ligne, les numéros « 514.555.1234x45 » et « 514-555-1234 poste », et trois cas du programme de comptage de mots (un mot sans position valide, le mot « constructor » et le mot « proto »). En rédaction, il a utilisé un tiret cadratin dans plusieurs essais, a fait des paragraphes de plus de trois phrases et, à un essai, a mis des puces dans le message LinkedIn.
- Grok 4.20. Le champ CSV avec saut de ligne échoue aux trois essais, de même que les trois cas du comptage de mots. Le premier essai a en plus raté les milliers et les décimales, l’espace insécable, les nombres négatifs et plusieurs formats de téléphone, ce qui explique les 38 tests sur 57. La rédaction est parfaite aux trois essais.
- Gemini 3.5 Flash Lite. Le cas « mot sans position valide » échoue aux trois essais. Au deuxième essai, la tâche des numéros de téléphone n’a produit aucune sortie de test (0 sur 26). Au troisième, les numéros avec poste (« 5145551234 poste 12 », « 514 555-1234 p. 7 », « (514) 555-1234 EXT. 305 », « 514.555.1234x45 ») ont échoué. En rédaction : paragraphes de plus de trois phrases, règle du chiffre en pourcentage non respectée, longueur hors de 110 à 200 mots.
- GLM 5.3 Flash. Deux essais sur trois n’ont rendu aucun bloc de code exploitable pour le lecteur CSV, et un pour le téléphone. Le troisième essai a réussi 56 tests sur 57 (échec sur les nombres négatifs). La tâche de bogues subtils est réussie à 100 % aux trois essais.
- Ministral 3 14B (local). Au deuxième essai, le lecteur CSV a donné 0 sur 16 parce que le code appelait une fonction inexistante (« this.parseLigneCsv is not a function »). Le téléphone plafonne à 16 ou 17 tests sur 26, avec notamment « 514-555-1234 », « +1 (450) 555.1234 » et « 1-514-555-1234 » en échec, et les cas « constructor » et « proto » échouent aux trois essais. En rédaction : tiret cadratin, paragraphes trop longs, puces, longueur.
- Qwen 3.5 9B (local). La tâche des numéros de téléphone n’a produit aucun résultat exploitable aux deux premiers essais (0 sur 26). Au troisième, après la recorrection, elle a réussi 21 tests sur 26. Le lecteur CSV réussit entre 4 et 11 tests sur 16. En rédaction : tiret cadratin, montant « 2 150 $ » mal écrit (« 2,150 $ »), paragraphes et accroche trop longs.
Les modèles locaux et la mémoire à prévoir
Un modèle local tourne sur votre ordinateur. Vos documents ne partent nulle part. Pour savoir quelle mémoire prévoir sur un Mac, nous prenons la taille du modèle, la multiplions par 1,2 et ajoutons 4 Go pour le système.
| Modèle local | Taille du modèle | Mémoire conseillée | Vitesse d’écriture (Mac Studio, mesurée) |
|---|---|---|---|
| Qwen 3.5 9B | 6,6 Go | environ 12 Go | 39,3 jetons par seconde |
| Ministral 3 14B | 9,1 Go | environ 15 Go | 24,4 jetons par seconde |
Dans ce duel, les deux modèles locaux restent loin des modèles par API : 67 % et 47 % des tests de code, contre 100 % pour Luna et Haiku. Ils conviennent à de petites tâches de rédaction à vérifier, pas à du code qu’on ne relit pas. La vitesse en jetons par seconde se compare d’un modèle à l’autre; nous ne comparons pas le temps d’écriture du texte de test, parce que les deux textes n’avaient pas la même longueur.
Quel modèle pour quel usage
| Usage | Choix selon nos mesures | Pourquoi |
|---|---|---|
| Code que vous ne relirez pas ligne par ligne | GPT-6 Luna ou Claude Haiku 5.5 | 100 % des tests aux trois essais |
| Dépense la plus basse mesurée | GPT-6 Luna | 1,1 $ US les 1 000 tâches de code, mais 72 s contre 39 s pour Haiku (coût de Mistral Small non mesuré) |
| Réponses rapides | Mistral Small (2603) ou Gemini 3.5 Flash Lite | Durée de code de 9 s au labo, avec des échecs à vérifier |
| Rédaction aux règles strictes | GPT-6 Luna, Claude Haiku 5.5 ou Grok 4.20 | 100 % des règles aux trois essais; GLM 5.3 Flash suit de près (21, 22 et 22 sur 22) |
| Données qui ne doivent pas quitter le bureau | Ministral 3 14B | 67 % du code et 91 % de la rédaction; relire le résultat |
| À éviter pour le code dans ce duel | Qwen 3.5 9B | 47 % des tests, et le téléphone sans résultat exploitable à deux essais sur trois |
Questions fréquentes
Quelle IA économique choisir pour coder? Selon nos mesures, GPT-6 Luna et Claude Haiku 5.5 ont réussi tous les tests aux trois essais. Choisissez entre eux selon le coût (Luna) ou la rapidité (Haiku).
Un modèle moins cher donne-t-il un résultat moins bon? Pas dans ce duel. Parmi les modèles dont le coût est mesuré, les deux qui ont tout réussi sont aussi les deux moins chers par tâche. Un prix bas par jeton ne garantit pas un coût bas à l’usage, comme le montre GLM 5.3 Flash.
Peut-on se contenter d’un modèle local? Pour du code, pas avec ces deux modèles. Pour de petits textes, oui, avec relecture.
Les textes sont-ils bons? Nos règles vérifient la forme, comme la typographie, la longueur et les puces, pas la valeur du texte. Le message LinkedIn de chaque modèle contient des chiffres et un cas de cabinet qui ne reposent sur aucune source vérifiable. Aucun de ces textes ne peut être publié sans relecture par une personne.
Limites
- Trois essais, trois tâches de code et deux tâches de rédaction.
- Les éditeurs changent leurs modèles sans préavis : nos résultats valent pour les versions testées.
- Ce duel réunit huit modèles et non six, et compte trois modèles d’autres éditeurs que OpenAI, Anthropic et Google. Les prochains suivront notre règle de six modèles de même gamme.
- Les coûts de Mistral Small et des modèles locaux ne sont pas mesurés.
- Nos tests ne mesurent pas la qualité du français au-delà des 22 règles.
- Indépendance : aucun éditeur d’IA ne paie pour apparaître dans nos tests. Jacob Bédard finance seul les essais.
Pour aller plus loin
- Tout le labo IA
- Installer une IA locale avec Ollama
- Quelle IA pour coder
- Voir les forfaits et leurs prix au Canada
Par Jacob Bédard, COOMOA. Notre méthode.