Édition des données: 2026-09Publié · 2026-09-09
Périmètre de la décision automatisée: 20 dans la vérification automatisée / 91 modèles du catalogueDate limite des données · 2026-09-09
Couverture du cycle de vie: 56 états de cycle de vie documentés / 91 · 20 dans le périmètre de l’automatisationDate limite des données · 2026-09-09

Les scores éditoriaux historiques sont archivés

Les anciens scores d’adéquation produit de 0 à 10 n’ont pas conservé de preuves au niveau des affirmations ; ils ne sont donc pas présentés comme des conseils actuels. Utilisez les preuves publiques et testez les finalistes sur vos propres tâches.

Historical methodology · Comment sont attribués les scores éditoriaux d’adéquation de 0 à 10Confiance: Couverture éditoriale moyenne

Chaque dimension bénéficie de la même importance visuelle. Il n’existe aucune pondération arithmétique, moyenne, note totale ou vainqueur global ; l’utilisateur détermine quelles dimensions importent dans les conditions indiquées.

Les éditeurs attribuent des indicateurs entiers d’adéquation de 0 à 10 à partir du barème, des informations produit confirmées par les fournisseurs et des classifications du catalogue. Un score ne constitue ni une mesure d’une version exacte, ni un résultat de benchmark, ni une probabilité, ni une garantie du fournisseur.

Les pages officielles des fournisseurs étayent l’identité, l’accès, les fonctionnalités publiées, les options de déploiement et les tarifs affichés. Les libellés « idéal pour », les points forts, les faiblesses, les classifications et toutes les valeurs de 0 à 10 d’OpenGPT sont des données éditoriales.

Applicabilité: Utilisez les scores pour comparer les entrées du catalogue selon la dimension indiquée et les hypothèses actuelles sur le produit et le déploiement. Ne considérez pas les écarts de score comme des différences de performance mesurées. Avant l’adoption, vérifiez les informations actuelles du fournisseur et testez la version exacte du modèle, le niveau de service, les outils, la région et un échantillon représentatif du travail.

Lire la méthodologie d’adéquation éditoriale

COMPARAISON DES DONNÉES PUBLIQUES

Comparer 2 à 4 versions exactes de modèles d’IA

Placez côte à côte les ID de modèles documentés par les fournisseurs à l’aide des données de classement publiées, des informations d’accès officielles et de libellés clairs pour les données manquantes.

1Choisir les modèles
2Comparer les données
3Valider sur vos propres tâches

Choisir les modèles

Sélectionnez entre deux et quatre versions exactes. Votre sélection temporaire reste dans cet onglet du navigateur.

1 / 4Autres modèles à ajouter: 3

Phi-4

Microsoft

Aucune donnée publique comparable

Filtrer les modèles candidats

Aucun modèle correspondant

Choisissez un modèle dans la liste pour l’ajouter immédiatement.

Sélectionnez au moins deux versions officielles.

Les scores des sources restent distincts ; les données manquantes ne sont jamais assimilées à zéro.Découvrez comment les sources, les valeurs manquantes et les conseils relatifs aux familles de modèles sont traités.

Chaque valeur conserve la norme de notation de la source.

Aucun classement combiné n’est généré.

Hypothèse · Conseils au niveau de la famille issus du positionnement officiel, et non d’un résultat mesuré pour cette version exacte.

Source: 2

COMPARAISON DES DONNÉES PUBLIQUES

Comparer 2 à 4 versions exactes de modèles d’IA

Sélectionnez entre deux et quatre versions exactes. Votre sélection temporaire reste dans cet onglet du navigateur.