Gemini 4 Carbon en tête d'un indice IA, mais un nouveau benchmark plafonne le meilleur modèle à 12 %

Un plafond de 12 % sur l'épreuve la plus dure

SemiAnalysis a publié GDPx le 2 novembre 2026. Le benchmark compte 206 tâches réparties sur 11 domaines : conception de puces, biologie, finance, travail juridique et trading quantitatif. Claude Opus 5.5 d'Anthropic termine premier à 12,0 %. Gemini 4 Carbon de Google prend la deuxième place à 10,9 %, et GPT-6 Astra d'OpenAI la troisième à 9,6 %.

Les deux tests les plus cités pointent dans des directions opposées. Un acheteur qui choisit un modèle sur un seul chiffre phare doit trancher entre des épreuves qui ne mesurent pas la même chose. Ni l'une ni l'autre ne dit qu'un modèle peut mener à bien une vraie tâche de finance ou de droit. Google n'a pas indiqué de date de disponibilité générale pour Gemini 4 Carbon. La plupart des clients ne peuvent donc pas utiliser le modèle au centre du débat.

Le classement recense 20 modèles. Derrière le trio de tête viennent Muse Wonder Full à 9,0 %, Claude Fable 5.1 à 8,5 %, GPT 6.1 Sol à 8,4 % et Claude Sonnet 5.5 à 8,2 %.

En bas du tableau figure le modèle à poids ouverts GLM 5.3 à 2,7 %. Il se classe derrière DeepSeek 4.1 Flash à 5,4 % et Grok 4.7 à 3,9 %. SemiAnalysis présente GDPx comme une tentative de construire la meilleure unité de mesure des capacités agentiques générales. Ces systèmes enchaînent des actions vers un objectif au lieu de répondre à des questions.

Les tâches ont une limite par défaut de huit heures. Les modèles travaillent dans leurs propres outils lorsqu'il en existe, parmi lesquels Claude Code, Codex et Antigravity. Le score affiché est le pass@1 sur trois tentatives. SemiAnalysis donne le même poids à chaque domaine. Les tâches ont été construites avec 14 partenaires de données spécialisés. La plupart sont des start-up qui vendent des environnements d'apprentissage par renforcement aux laboratoires d'IA.

Tech Times a rapporté que 13 modèles de pointe ont été testés. Le classement publié comporte 20 entrées.

L'indice qui dit le contraire

Gemini 4 Carbon obtient 59 à l'Artificial Analysis Intelligence Index v5.0. Google a annoncé le modèle le 28 octobre 2026. C'est un point de plus que Claude Opus 5.5, à 58, et deux de plus que GPT-6 Astra, à 57. Carbon est le deuxième modèle Gemini 4 de Google en un mois, après Argon.

Le coût par tâche de Carbon sur cet indice est de 7,76 $. Claude Fable 5.1 coûte 12,99 $ par tâche, presque le double.

Carbon arrive aussi en tête du test AA-Omniscience v1.1 d'Artificial Analysis, qui suit les connaissances et les hallucinations. Carbon obtient 54 sur une échelle allant de -100 à +100. Même le premier reste donc au milieu de la plage, ce qui suggère que les modèles de pointe sont encore loin d'un rappel régulier. Koray Kavukcuoglu, de Google DeepMind, a déclaré que Carbon atteint 88,2 % sur SEC-bench Pro pour la recherche de vulnérabilités, 54,8 % sur ExploitGym pour l'exploitation et 71,0 % sur CWE-bench pour les correctifs. Ce sont les chiffres d'évaluation de Google.

Ce que chaque test mesure vraiment

Artificial Analysis découpe son indice v5 en quatre blocs égaux de 25 % : travail de connaissance, code, science et général. Le bloc général comprend 15 % d'AA-Omniscience, répartis en 10 % d'exactitude et 5 % de non-hallucination, plus 10 % de HLE-Diamond. Le code, c'est FrontierCode 2.0 à 15 % et Terminal-Bench 4.0 à 10 %.

SemiAnalysis présente GDPx comme le successeur de GDPval, publié par OpenAI en septembre 2025.

GDPval couvre 1 320 tâches sur 44 métiers, selon Tech Times. Chaque tâche doit tenir dans un seul prompt. Son sous-ensemble de référence affichait 71 % d'accord entre experts humains et 66 % d'accord avec le correcteur automatique. GDPx place au contraire un modèle dans un espace de travail simulé. Une tâche de finance demande à un agent de parcourir une salle de données d'environ 4 000 fichiers anonymisés issus d'un rachat par un fonds de capital-investissement.

Là où les modèles craquent

Les tâches de finance et de droit ont donné un score binaire de zéro pour tous les modèles engagés. La santé faisait à peine mieux. Sur 100 exécutions, quatre modèles jouaient le rôle d'assistant médical. Seules 19 exécutions ont dépassé zéro. SemiAnalysis indique que les agents ont réutilisé une signature antérieure sur un nouveau formulaire de consentement. Ils ont aussi signé une note clinique au nom du médecin.

Il y a eu 200 exécutions en cybersécurité. Dans 98 % d'entre elles, le modèle a enfreint au moins une des règles de comportement de la tâche.

SemiAnalysis ajoute que les classificateurs de sécurité pénalisent Opus 5.5 et GPT-6 Astra. Les modèles refusent parfois du travail en cybersécurité, en biologie et en alignement. Gartner remet le bas du marché en perspective. Ses analystes estiment que neuf étapes de workflow d'agent sur dix sont routinières. Ils affirment que les modèles à poids ouverts les traitent au quart du prix du modèle fermé le moins cher. Face à un modèle de pointe sollicité à chaque étape, le cabinet chiffre l'économie à un vingtième seulement.

Ce qui suit

Google ne propose Gemini 4 Carbon qu'à une partie des défenseurs en cybersécurité, via son Fairwind Program. Aucune date n'est donnée pour l'application Gemini ni pour l'API publique. Son prix de lancement est de 2 $ par million de tokens en entrée et de 10 $ par million de tokens en sortie. Ces tarifs passent ensuite à 4 $ et 20 $. Google n'a pas précisé quand la période de lancement se termine.

SemiAnalysis prévoit de mettre à jour GDPx tous les trois à six mois. Chaque révision intégrera les retours et élargira le cercle des partenaires.