Tâches / Agent

Agent.

Boucles longues avec appels d'outils et reprises sur erreur.

Les recommandations WoBench reposent sur des évaluations humaines.

outils exigé
Mis à jour le 23 septembre 2026 à 17h30
321 modèles évalués
méthode, version 2
Petit Moyen Gros

Agents d'équipe. 60 000 tokens en entrée et 6 000 en sortie par exécution

Hébergement Poids ouverts Auto-hébergeable Hébergement en UE

Filtre actif : Auto-hébergeable. 312 modèles du banc retirés du calcul, les trois verdicts sont recalculés sur le reste. Retirer le filtre Selon nos vérifications du 6 septembre 2026, saisies à la main fournisseur par fournisseur. Ce n'est pas une garantie.

Verdicts rendus parmi les 2 modèles mesurés sur ce que cette tâche exige, sur 321 au banc. Les 319 autres

0 modèles au niveau sur 2 mesurés, 321 au banc.

montants convertis au taux de la Banque centrale européenne du 23 septembre 2026

Pas assez de mesures publiques pour rendre un verdict sur cette tâche. Les populations ci dessous disent ce que nous savons, et ce que nous ne savons pas.

pas assez de mesures publiques : 2 modèles mesurés sur 11 exigés

Le spectre des prix compare tous les modèles au niveau de chaque tâche. Il ne tient pas compte du filtre d'hébergement, il est donc masqué tant que ce filtre est actif.

Arrivés au niveau

Aucun modèle au niveau n'a reçu sa première note depuis moins de 45 jours.

Voir ce qui a changé

Cette tâche exige une note d'au moins 0,0095 sur tâches menées en autonomie, arène Agent de LMArena. Cette barre appartient à la mesure, elle ne bouge pas, et toutes les tâches qui lisent cette mesure exigent la même : c'est la note du modèle qui la franchit, donc le doute lui profite.

Comment ce verdict est calculé

Le seuil de cette tâche

tâches menées en autonomie, arène Agent de LMArena

Barre de la mesure, borne basse : -0,0032. Fourchette sans fourchette publiée, posée le 23 septembre 2026 sur 19 modèles, inchangée depuis.

Seconde mesure : service rendu par un agent outillé, domaine bancaire de tau²-bench

Barrières

  • outils exigé

Coût mensuel = entrée hors cache × prix d'entrée + entrée en cache × prix du cache + sortie × prix de sortie. L'écriture de cache est exclue en V1.

Sources de cette page

D'où viennent ces chiffres

Prix relevés une fois par jour, à 3h00 (heure de Paris). Licences, attributions et modifications

Ces chiffres viennent des sources publiques citées et reflètent le dernier import, pas l'état à la seconde. Les tarifs sont ceux publiés par les fournisseurs et peuvent changer sans préavis : vérifiez les chez eux avant de vous engager. Nos verdicts orientent un choix, ils ne le garantissent pas : à vous de tester le modèle sur vos propres cas et de valider votre calcul, y compris économique. Notre méthode

Tous les modèles mesurés

Le classement entier sur tâches menées en autonomie, arène Agent de LMArena, du meilleur au moins bon, avec la barre à sa place. La note garantie est la borne basse de la fourchette publiée : c'est elle qui décide de l'élection.

La barre vaut 0,0095, sa fourchette va de sans fourchette publiée, et c'est sa borne basse, -0,0032, qui coupe. Elle a été posée le 23 septembre 2026 sur 19 modèles, et n'a pas bougé depuis.

score centré autour de zéro, entre -0,16 et 0,03 sur le banc : c'est le rang qui se compare, pas la valeur

Rang Modèle Note Fourchette Coût mensuel Sort
La coupure : un modèle est au niveau quand sa borne haute atteint -0,0032. Au dessus, les modèles au niveau ; en dessous, les autres.
1 Inkling Small
Thinking Machines
 -0,0916 -0,1052 à -0,0781 17,09 € sous la barre
2 Inkling
Thinking Machines
 -0,1002 -0,1094 à -0,0911 42,17 € sous la barre

Ce que devient le banc sur cette tâche

Les cinq populations forment une partition du banc : leur somme vaut le nombre de modèles au banc, sur chaque tâche, à chaque calcul.

  • outils exigé : aucun modèle écarté aujourd'hui
0 modèle écarté par une barrière

aucun

0 modèle mesuré et éligible

aucun

2 modèles mesurés sous le seuil
  • Inkling : -0,1002, sous la barre sur cette mesure, dont la borne basse est à -0,0032
  • Inkling Small : -0,0916, sous la barre sur cette mesure, dont la borne basse est à -0,0032
4 modèles non mesurés
  • DeepSeek V3.2 : 5,72 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
  • DeepSeek V4 Flash 0731 : 1,73 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
  • Muse Glimmer 30B : 11,99 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
  • Trinity Large Thinking : 10,36 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
3 modèles récents, pas encore mesurés
  • DeepSeek V4 Flash Vision Exp : 7,05 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
  • DeepSeek V4 Pro 0813 : 13,09 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena
  • DeepSeek V4.1 Flash : 4,57 € par mois, non mesuré sur tâches menées en autonomie, arène Agent de LMArena