Critères de référence des modèles, cas d’utilisation et configuration : novembre 2026

Aller à : CrucibleForge sur GitHub

Quel modèle linguistique devriez-vous utiliser en novembre 2026, pour quel type de tâche, et comment le configurer ? Ce guide répond à ces questions en se basant sur onze modèles évalués selon les mêmes tests dans MakoBench 4.1. Le tableau complet classe davantage de modèles ; ces onze sont ceux que nous avons comparés en profondeur ce mois-ci. Vous y trouverez les scores obtenus, le meilleur choix pour le codage et pour les échanges conversationnels, une procédure en cinq étapes pour mettre en place une pile technique comprenant un chef de projet et un programmeur, ainsi que le coût d’une seule exécution ou d’un projet entier.

Tout sur un seul écran

• Meilleur modèle global : un ex æquo à cinq niveaux en tête du classement. Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7, GPT-6 Astra et GPT-6.1 Sol obtiennent des scores compris entre 23,9 et 25,2. Claude Fable 5.2 est listé en premier, mais les cinq modèles sont statistiquement à égalité.
• Meilleur pour le codage assisté par IA : Claude Fable 5.2 lorsque le budget n’est pas un problème : meilleur score dans la catégorie « Work » (12,5), pack d’outils d’IA parfait, et 100 % de réussite sur les cas d’usage standards. GPT-6 Astra ou GPT-6.1 Sol constituent des alternatives moins coûteuses : tous deux disposent d’un pack d’outils d’IA parfait, mais n’obtiennent que 66,7 % de réussite sur les cas d’usage standards.
• Meilleur modèle économique pour le codage : DeepSeek V4.1-Flash-1017. Score de 10,0 en codage standard, coût de 0,14 $ par exécution.
• Meilleur pour les échanges conversationnels ou l’assistance : GPT-6.1 Terra via une API (score de 9,2 en chat, coût de 0,63 $ par exécution), ou Swish 31B Final à installer sur votre propre matériel. Le meilleur score conversationnel est celui de Claude Fable 5.2, à 12,7 ; son coût s’élève toutefois à 14,87 $ par exécution.
• Meilleur modèle pour une utilisation sur votre propre matériel : Swish 31B Final, avec un score global de 16,3. Aucun frais lié à l’API à prévoir ; idéal pour les échanges conversationnels ou toute autre tâche devant rester locale.
• Pile technique recommandée : Claude Fable 5.2 pour la planification et la révision, DeepSeek V4.1-Flash-1017 pour l’écriture du code. Les estimations de coût sont de 4,82 $ pour un projet de taille ChatForge, et de 57,86 $ pour un projet de taille DisPatch.
• Correction : Lors des premiers tests, les trois évaluations relatives aux tâches assistées par IA pour Claude Fable 5.2 avaient donné un score de 0, car le crédit de notre compte API s’était épuisé en cours d’exécution. Après une nouvelle exécution, le modèle a réussi les trois tests ; son score global est ainsi passé de 24,2 à 25,2.

Choisissez un modèle en répondant à deux questions

Commencez par préciser le type de tâche, puis posez une question. Pour le traitement du code, demandez quel est le budget : un budget important correspond à Claude Fable 5.2, tandis qu’un budget limité implique l’utilisation de DeepSeek V4.1-Flash-1017, au coût de 0,14 $ par exécution. Pour les échanges en chat, demandez si le modèle doit fonctionner sur votre propre matériel : via une API, optez pour GPT-6.1 Terra, à 0,63 $ par exécution ; sinon, choisissez Swish 31B Final. Ces recommandations correspondent aux mêmes choix que ceux validés par les données chiffrées dans le reste de ce guide.

Quelle est la tâche ?

↓

Code

Budget ?

budget important

↓

Claude Fable 5.2le plus cher

budget limité

↓

DeepSeekV4.1-Flash-1017

Chat

Matériel propre ?

non

↓

GPT-6.1 Terrachat peu coûteux

oui

↓

Swish 31B Finalpas de frais d’IA

Le comité de novembre 2026

Correction : une version antérieure de ce guide attribuait à Claude Fable 5.2 un score de 24,2 en le qualifiant de provisoire. Les trois tests agentic avaient obtenu la note 0 car notre compte API avait épuisé son crédit en cours d’exécution, et non parce que le modèle avait échoué à ces tests. Nous les avons refaits via l’API d’Anthropic avec mise en cache des prompts, pour un coût de 10,81 $. Le modèle a réussi tous les tests, ce qui a fait passer sa note « Travail » de 11,5 à 12,5 et son score total de 24,2 à 25,2.

Le score « Total » correspond à la somme des notes « Travail » et « Chat ». La note « Travail » provient de la colonne « Code » du tableau. Ce chiffre inclut les packs bonus débloqués par le modèle ; il ne s’agit donc pas d’une note sur 20. Les tests standards limitent les notes « Travail » et « Chat » à 10 chacune, de sorte que le score total standard ne peut dépasser 20, tandis que le score Total publié atteint jusqu’à 28. Le volet « Contenu adulte » constitue un test séparé et n’entre pas dans le calcul du Total. Un score plus élevé indique simplement que le modèle s’en est mieux sorti dans la génération de fictions pour adultes, sans pour autant être un meilleur modèle globalement. « Banque de code / Agent » représente les résultats des tests de codage ; il ne s’agit pas du score global du programme. Le « Coût d’exécution » correspond à une exécution standard de tests Code et Chat au tarif du fournisseur, sans tenir compte des packs, du test adulte ou des tentatives de relance. « Local » signifie que l’exécution s’est faite sur notre propre matériel, sans facturation API. Les « Packs maximisés » sont ceux ayant obtenu la note parfaite de 1,000. Aucun pack non encore évalué ne figure dans cet ensemble. Les lignes où l’exécution a échoué ou a renvoyé une erreur sont considérées comme des échecs ; les classements restent inchangés : DeepSeek V4-Pro-0813 compte 11 échecs, DeepSeek V4.1-Flash-1017 en compte 5, MiniMax M3.1 Flash en a 7 plus un arrêt dû au budget, Kimi K3.1 Pro en a 2, Claude Fable 5.2 en a 1, et Grok 4.7 présente une erreur sur une ligne.

Packs de bonusà ajouter à Work et Chat

↓

Workla colonne Code

Chatles tests de chat

↓

TotalWork plus Chat

Non inclus dans le Total

Test Adultun score séparé

En haut du classement, il s’agit d’ex æquo, pas de véritable hiérarchie. Claude Fable 5.2, Kimi K3.1 Pro, Grok 4.7, GPT-6 Astra et GPT-6.1 Sol obtiennent des scores compris entre 23,9 et 25,2. Le classement les place de 1 à 5, Claude Fable 5.2 arrivant en tête ; toutefois ces écarts restent dans les marges d’erreur statistiques autorisées, et la règle en vigueur considère comme ex æquo les modèles dont les scores sont suffisamment proches. L’ordre du tableau ne détermine donc pas de vainqueur. Le groupe suivant, composé de GPT-6.1 Terra, DeepSeek V4.1-Flash-1017 et DeepSeek V4-Pro-0813, obtient des scores entre 18,4 et 19,4. Swish 31B Final, le meilleur modèle local, atteint 16,3. Sur les tests de codage standards, les leaders ont déjà atteint la limite maximale : Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 et DeepSeek V4.1-Flash-1017 se situent tous à 10,0, le score maximal autorisé pour Work. Le groupe de 24 à 25 points correspond donc aux packs de bonus et aux tests Chat, et non à des performances de codage supérieures. Ce qui distingue ce groupe de DeepSeek V4.1-Flash-1017, c’est le test Chat : ses scores atteignent 12,4 à 12,7 contre 7,6 pour ce dernier.

Trois points méritent d’être soulignés. Premièrement, le coût varie de manière considérable pour effectuer les mêmes tâches : une exécution standard coûte 14,87 $ pour Claude Fable 5.2, 5,70 $ pour GPT-6 Astra, 3,91 $ pour Grok 4.7 et seulement 0,14 $ pour DeepSeek V4.1-Flash-1017. Deuxièmement, le test Adult révèle une tendance inverse : Claude Fable 5.2 (12,0), Swish 31B Final (11,8), Grok Build 0.1 (11,7), Grok 4.7 (11,5) et DeepSeek V4.1-Flash-1017 (10,0) ont tous accepté de traiter les neuf cas proposés. En revanche, les trois modèles OpenAI se sont arrêtés à des scores compris entre 1,3 et 1,6 sur les contenus adultes fictifs ; Kimi K3.1 Pro a refusé quatre des neuf cas et a obtenu un score de 0 en matière de rédaction adulte. Il s’agit là de caractéristiques propres aux modèles, non d’un filtrage imposé par les fournisseurs : aucune réponse n’a été bloquée par un filtre de contenu dans cet ensemble de tests. Enfin, les cas liés à l’automatisation représentent la différence en matière de codage ; la vitesse d’exécution varie également fortement selon les modèles. Les trois modèles OpenAI obtiennent un score de 66,7 % sur ces tâches d’automatisation, tandis que Kimi K3.1 Pro, Claude Fable 5.2, Grok 4.7 et DeepSeek V4.1-Flash-1017 atteignent 100 %. GPT-6.1 Terra se révèle être le modèle le plus rapide du lot. Grok Build 0.1 génère quant à lui 8,4 tokens par seconde, un chiffre bien inférieur à celui de Swish 31B Final, qui atteint 41,3 tokens/seconde sur le même test.

Cas d’utilisation : quel modèle pour quel travail ?

Développement logiciel assisté par IA

• L’argent n’est pas un problème : Claude Fable 5.2. Avantages : meilleur score en chat de cette série (12,7), meilleur score dans la catégorie « Work » (12,5) ; premier modèle à obtenir le score total maximal ; pack agentique parfait, 100 % de réussite aux tests de codage standard, aucun refus. Inconvénients : coût de 14,87 $ par exécution, le modèle le plus cher ici.
• Un pack agentique parfait à moindre coût : GPT-6 Astra ou GPT-6.1 Sol. Avantages : tout comme Claude Fable 5.2, ces deux modèles disposent d’un pack agentique parfait ; coût respectivement de 5,70 $ et 1,17 $ par exécution. Inconvénients : score de 66,7 % aux tests agentiques standard ; tous deux s’arrêtent lorsqu’il s’agit de fiction pour adultes.
• Entre les deux : Grok 4.7. Avantages : score « Work » de 11,7, troisième meilleur résultat après Claude Fable 5.2 (12,5) et Kimi K3.1 Pro (12,0) ; score chat de 12,4 ; coût de 3,91 $ par exécution, soit environ un quart du prix de Claude Fable 5.2. Inconvénients : tarification à 2 $ par million de tokens d’entrée et 6 $ par million de tokens de sortie ; lors du test de vitesse, le modèle a utilisé 696 485 tokens de raisonnement, donc les boucles agentiques prolongées s’avèrent coûteuses.
• Pour un coût minimal : DeepSeek V4.1-Flash-1017. Avantages : score de codage standard de 10,0, soit la note maximale ; score « Work » de 11,6, proche des meilleurs modèles (entre 11,5 et 12,5) ; coût de seulement 0,14 $ par exécution. Inconvénients : score chat de 7,6 ; il faudra donc utiliser un second modèle pour toute interaction avec les utilisateurs. Le prix de 0,14 $ correspond au tarif antérieur appliqué à cette version ; les nouvelles exécutions au tarif actuel coûtent davantage.

Chatbot ou service client

Un service d’assistance n’a pas besoin d’un score élevé en contenu pour adultes. Il convient de choisir en fonction du score chat, du prix et de la nécessité de faire tourner le modèle sur vos propres serveurs.

• GPT-6.1 Terra. Avantages : score chat de 9,2, à un coût de 0,63 $ par exécution ; tarification à 1 $ par million de tokens d’entrée et 5 $ par million de tokens de sortie. C’est le choix le moins cher pour les fonctions chat ; c’est aussi le modèle le plus rapide de la série. Inconvénients : score de 66,7 % aux tests agentiques. Les scores liés aux programmes et à la base de code sont tous deux à 100 %, donc il s’agit d’un échec spécifique en contexte agentique, pas d’un manque global de capacités de codage. Sa vitesse varie considérablement selon les échantillons : de 72 à 1 044 tokens par seconde.
• Grok 4.7. Avantages : score chat de 12,4, proche du meilleur de la série ; coût de 3,91 $ par exécution. Les deux packs de jeu de rôle atteignent respectivement 0,945 et 0,951. Inconvénients : le pack conversationnel obtient 0,814 et le pack personnage 0,483 ; la fidélité du personnage dans les échanges est donc un point faible. Tarification à 2 $ et 6 $ par million de tokens. Un abonnement « 15x » existe, mais le prix de 3,91 $ correspond au tarif standard, pas à cet abonnement.
• Claude Fable 5.2. Avantages : meilleur score chat de la série (12,7) ; meilleur pack chat individuel avec un score de 0,964 ; aucun refus ni facturation de tokens de raisonnement sur cette version. Inconvénients : tarification à 10 $ et 50 $ par million de tokens, ce qui en fait le modèle le plus cher en termes de coût par token, au même titre que GPT-6 Astra.
• Si le service doit tourner sur vos propres serveurs : Swish 31B Final. Avantages : score global de 16,3 ; aucun refus ni frais liés à l’API. Inconvénients : score de seulement 33,3 % aux tests agentiques ; score « Work » de 8,4 ; vitesse de traitement limitée à 41,3 tokens par seconde.

Configuration : harnais, agent principal, codeur

Pour du travail concret, utilisez un harnais, un modèle performant qui planifie et revoit le travail, ainsi qu’un modèle moins coûteux chargé d’écrire le code. Le DeepSeek Harness (dsh) sert de harnais. Claude Fable 5.2 fait office d’agent principal : il planifie et revoit le travail. DeepSeek V4.1-Flash-1017 est le codeur ; ses capacités de programmation ont déjà atteint leur limite, et le coût par exécution n’est que de 0,14 $. Le MiniMax M3.1 Flash, dans le cadre de son Token Plan, peut traiter des volumes importants dans les limites autorisées, avec une révision effectuée par Claude Fable 5.2 sur le résultat obtenu. Son score de 5,6 en matière de chat est le plus faible de cette sélection ; son score de 8,0 en matière de travail comparé à 11,6 implique davantage d’itérations de révision. Grok 4.7 constitue l’alternative si vous souhaitez n’utiliser qu’un seul modèle pour tout. Il y a cinq étapes au total.

dshexécute la boucle

↓

Agent principal : Claude Fable 5.2planifie et revoit le travail

↓

CodeurDeepSeek V4.1-Flash-1017écrit le code

Options

MiniMax M3.1 Flashtraitement en masse, dans les limites autorisées

Grok 4.7un seul modèle pour tout

Étape 1 : Consulter le tableau et sélectionner les identifiants

/makobench/Consultez le tableau

↓

Quatre identifiantsen haut du script

↓

LEAD_MODEL

CODER_MODEL

BULK_MODEL

ONE_MODEL

Les identifiants des modèles se trouvent en haut du script. Modifiez-les, et non une autre copie située plus bas. Consultez le tableau sur /makobench/ avant de procéder.

Étape 2 : Définir les clés API

ANTHROPIC_API_KEYobligatoire

DEEPSEEK_API_KEYobligatoire

MINIMAX_API_KEYobligatoire

XAI_API_KEYfacultatif

Le script a besoin des clés ANTHROPIC_API_KEY, DEEPSEEK_API_KEY et MINIMAX_API_KEY. La clé XAI_API_KEY est facultative et ne sert que pour l’option utilisant un seul modèle. Définissez-les dans votre shell avant d’exécuter le script. Celui-ci s’arrêtera si l’une des clés obligatoires manque.

Étape 3 : Exécuter le script

setup.shplus le chemin de votre projet

↓

models.ymlenregistré dans un répertoire temporaire

↓

Aucune exécution ne démarrele script se contente d’enregistrer les identifiants

Le script enregistre les identifiants dans un fichier models.yml situé dans un répertoire temporaire. Il ne lance aucune exécution. Indiquez-lui simplement le chemin de votre projet.

#!/usr/bin/env bash
# Do-it-all coding setup: harness, lead agent, sub-agents.
# Check /makobench/ for the current leaders before changing any id below.
set -euo pipefail

# Board labels. dsh may show a different provider string for the same model.
LEAD_MODEL="claude-fable-5-2"        # Claude Fable 5.2, plans and reviews
CODER_MODEL="deepseek-flash"         # DeepSeek V4.1-Flash-1017, writes the code
BULK_MODEL="MiniMax-M3.1-Flash"      # MiniMax M3.1 Flash, window-limited bulk
ONE_MODEL="grok-4.7"                 # Grok 4.7, optional, one model for all

: "${ANTHROPIC_API_KEY:?set ANTHROPIC_API_KEY}"
: "${DEEPSEEK_API_KEY:?set DEEPSEEK_API_KEY}"
: "${MINIMAX_API_KEY:?set MINIMAX_API_KEY}"
: "${XAI_API_KEY:=}"                  # optional, only for ONE_MODEL

# Set this to the DeepSeek provider id your dsh lists. Do not guess it.
DSH_PROVIDER="${DSH_PROVIDER:?set DSH_PROVIDER}"

PROJECT="${1:?usage: setup.sh /path/to/project}"
JOB="$(mktemp -d)"

cat > "$JOB/models.yml" <<YAML
lead: ${LEAD_MODEL}
coder:
  provider: ${DSH_PROVIDER}
  model: ${CODER_MODEL}
bulk: ${BULK_MODEL}
one_model: ${ONE_MODEL}
YAML

echo "Lead: ${LEAD_MODEL}"
echo "Coder: ${CODER_MODEL} via ${DSH_PROVIDER}"
echo "Bulk, inside the plan window: ${BULK_MODEL}"
echo "One-model alternative: ${ONE_MODEL}"
echo "Id file: ${JOB}/models.yml"
echo "Project: ${PROJECT}"
# Point dsh at CODER_MODEL. Do not hardcode a second model id here.

Étape 4 : Indiquer à dsh l’identifiant du codeur

dshvotre harnais

↓

DSH_PROVIDERce que votre installation indique pour DeepSeek

↓

deepseek-flashl’identifiant du codeur

Indiquez à dsh l’identifiant du codeur. La chaîne de caractères de fournisseur pour dsh est celle que votre installation indique pour DeepSeek. L’identifiant API du codeur sur la plateforme est deepseek-flash.

Étape 5 : Planifiez en tenant compte des limites

Périodes de pointe pour DeepSeek, UTC

00:0012:0024:00

Du lundi au vendredi

De 01:00 à 04:00

De 06:00 à 10:00

Périodes hors pointeprix réduit de moitié

Pendant les périodes hors pointe, DeepSeek est vendu à moitié prix. Les périodes de pointe correspondent aux heures de 01:00 à 04:00 et de 06:00 à 10:00 UTC, du lundi au vendredi. Planifiez vos tâches intensives en dehors de ces créneaux.

Forfait MiniMax5 heures ou par semaine

↓

402le quota a été utilisé

↓

Changer de modèleDeepSeek V4.1-Flash-1017

Le forfait MiniMax est tarifairement fixe. Le coût marginal lié à l’IA est nul tant que le quota de 5 heures ou hebdomadaire n’est pas épuisé. Un code 402 indique simplement que ce quota a été utilisé, et non que le forfait est terminé. Pour la suite du processus de compilation, il convient de basculer sur le modèle DeepSeek V4.1-Flash-1017. Une compilation impliquant 60 000 lignes de code consommera ce quota de 5 heures ; par conséquent, ce forfait sert de limite, et non de permis gratuit d’utilisation.

Coût d’un projet

Il s’agit d’estimations basées sur les tarifs en vigueur, et non sur des mesures réelles effectuées sur un projet. Aucun journal de tokens n’était disponible pour un projet de cette taille. Les hypothèses sont les suivantes : le code source final nécessite 15 tokens par ligne ; ainsi, un projet de la taille de ChatForge, comptant 5 000 lignes, représente 75 000 tokens, tandis qu’un projet de la taille de DisPatch, avec 60 000 lignes, correspond à 900 000 tokens. Un agent relit son propre code source ; par conséquent, dans la bande intermédiaire, il envoie 12 fois le nombre de tokens du code source vers l’IA et en reçoit 3 fois autant en retour. Pour les codageurs dotés de capacités de raisonnement avancées, on utilise la bande haute : 20 tokens envoyés et 5 reçus. Un projet entièrement nouveau entraîne un manque de données en cache. DeepSeek est facturé selon le tarif hors période de pointe en vigueur. Il s’agit du coût d’une seule compilation, non de frais de maintenance ; en outre, ce montant n’inclut ni l’évaluation du code ni la génération d’images.

Nombre de lignes de code5 000 ou 60 000

↓

Tokens du code source15 tokens par ligne

↓

Relecture du code par l’agentbande intermédiaire : 12 tokens envoyés, 3 reçusbande haute : 20 tokens envoyés, 5 reçus

↓

Prix par million de tokenstarifs en vigueur

↓

Coût du projetune seule compilation, estimation approximative

Claude Fable 5.2 n’a utilisé aucun token de raisonnement dans ce projet ; la bande intermédiaire correspond donc au coût réel. Si l’agent devait effectuer tout le raisonnement nécessaire, les frais atteindraient respectivement 33,75 $ et 405 $ pour les deux types de projets. Pour DeepSeek V4.1-Flash-1017, la bande haute correspond à 0,45 $ et 5,40 $. En période de pointe, le tarif est le double de celui en dehors des heures creuses ; ainsi, dans la bande intermédiaire, il s’élève à 0,54 $ et 6,48 $. Ce montant ne représente pas la bande haute. Dans la configuration mixte, Claude Fable 5.2 traite 20 % des entrées et 25 % des sorties, tandis que DeepSeek V4.1-Flash-1017 s’occupe du reste ; le coût total hors période de pointe est donc de 4,82 $ et 57,86 $. Si l’on utilise MiniMax M3.1 Flash comme outil de codage, le coût lié au codage tombe à zéro dans le cadre du forfait ; cependant, son indice de performance de 8,0 pour 11,6 entraîne davantage de boucles de révision, lesquelles ne sont pas prises en compte dans les montants de 4,61 $ et 55,35 $.

Recommandation

Pour des projets comme DisPatch ou ChatForge, il est préférable d’utiliser une combinaison de modèles. Claude Fable 5.2 sert à la planification et à la révision. DeepSeek V4.1-Flash-1017 écrit le code, tandis que DeepSeek Harness exécute les boucles de traitement. GPT-6.1 Terra répond aux utilisateurs. Le coût estimé pour un projet de taille ChatForge est de 4,82 $, et de 57,86 $ pour un projet de taille DisPatch. En comparaison, Claude Fable 5.2 seul revient à 20,25 $ et 243 $ respectivement ; si DeepSeek V4.1-Flash-1017 effectue tout le travail, les coûts tombent à 0,27 $ et 3,24 $. Les performances des modèles sont similaires, donc choisissez le modèle le moins cher capable d’accomplir la tâche, et réservez les modèles plus coûteux à la phase de planification et de révision. Le montant de 4,82 $ correspond au coût global du développement, pas au coût par interaction chat. Utilisé seul, GPT-6.1 Terra coûte 2,03 $ pour un projet ChatForge et 24,30 $ pour un projet DisPatch ; ce sont là des solutions complètes sans recourir à la combinaison de modèles. Vous ne payez qu’une seule de ces options, jamais les deux. Le plan « MiniMax Token Plan » convient aux travaux en masse, mais il agit également comme un limiteur de charge. Ne choisissez pas DeepSeek V4-Pro-0813 plutôt que DeepSeek V4.1-Flash-1017 : ses performances sont inférieures (18,4 contre 19,2) et son coût est plus élevé. Si vous préférez utiliser un seul modèle plutôt qu’une combinaison, optez pour Grok 4.7 : ses performances globales atteignent 24,1, avec un coût de 3,15 $ pour un projet ChatForge et 37,80 $ pour un projet DisPatch. Son coût d’exécution est de 3,91 $, soit environ un quart du coût de Claude Fable 5.2 (14,87 $).

Packs à note maximale, et ce qui vient ensuite

Quatre modèles de cet ensemble ont obtenu une note parfaite de 1,000 dans le pack de tests correspondant :

• Claude Fable 5.2 : travail/raisonnement #1, travail/agentique #1 et rédaction pour adultes #2.
• Grok 4.7 : travail/raisonnement #1 et rédaction pour adultes #2.
• GPT-6 Astra : travail/agentique #1.
• GPT-6.1 Sol : travail/agentique #1.

Aucun modèle n’a obtenu 1,000 dans le pack de tests lié au code. Le meilleur résultat a été celui de GPT-6 Astra avec 0,917. Aucun pack de tests de type chat n’a non plus atteint la note de 1,000 ; le meilleur résultat est celui du module chat/deep_rp #1 de Claude Fable 5.2, à 0,964. La mention « MAX » sur le tableau signifie simplement qu’une catégorie particulière a atteint le sommet de son classement, et non qu’un pack entier était parfait. C’est pourquoi GPT-6 Astra arbore la mention MAX dans le domaine du code, bien que sa note globale dans ce pack soit de 0,917. Obtenir la note maximale dans un pack ne signifie pas pour autant qu’il est définitivement validé. Le MakoBench 4.5 est actuellement en cours de développement ; il introduira des packs de tests plus difficiles afin d’effectuer des évaluations complètes. Ces résultats du pack 4.1 représentent donc le maximum actuel, mais pas la fin de l’histoire.

Toutes les notes, la liste des tests ainsi que le coût d’exécution de chaque modèle sont disponibles sur le tableau MakoBench.