[!NOTE] TL;DR : 36.8T de tokens en une semaine pour DeepSeek V4.1 Flash (usage au 16 octobre 2026), 76.8% sur τ²-Bench Airline. Le leader du benchmark, Claude Fable 5 Pareto, tient 80.2% pour 0.92 USD par tâche, et quatre des six lignes suivantes sont dans sa barre d'erreur. Décide sur l'intervalle, le coût par tâche et la variance fournisseur, pas sur un podium.
36.8T de tokens en sept jours. Voilà ce qu'a traité DeepSeek V4.1 Flash sur OpenRouter, sur la fenêtre qui se termine le 16 octobre 2026. Le même modèle plafonne à 76.8% sur τ²-Bench Airline, à 0.035 USD la tâche. Le premier du benchmark coûte 26 fois plus cher et n'apparaît pas dans le top 10 hebdomadaire.
Deux tableaux, deux histoires. L'adoption des agents IA se lit dans l'un, la capacité dans l'autre. Ils ne se contredisent pas : ils ne mesurent pas la même chose. Presque personne ne lit la légende, et c'est là que les budgets se perdent.
| Modèle affiché | Tokens / semaine | τ² Airline | Coût / tâche | Temps / tâche | Écart-type |
|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | 36.8T | 76.8% | 0.035 USD | 4.2 min | ±1.3 pp |
| GLM 5.3 Flash (variante Pareto) | 12.7T | 75.9% | 0.007 USD | 2.1 min | ±1.9 pp |
| MiMo-V2.6-Flash (variante Pareto) | 10.9T | 78.7% | 0.015 USD | 7.7 min | ±1.4 pp |
| GPT-6 Luna | 6.5T | 67.3% | 0.009 USD | 2.0 min | non affiché |
| Claude Opus 5.5 | 5.95T | 75.5% | 0.34 USD | 2.1 min | ±2.0 pp |
| Claude Fable 5 Pareto | hors top 10 | 80.2% | 0.92 USD | 2.1 min | ±2.6 pp |
Colonnes usage : OpenRouter, fenêtre de sept jours close le 16 octobre 2026. Colonnes benchmark : τ²-Bench Airline, dernier passage le 17 octobre 2026 à 12h23 UTC. « Variante Pareto » désigne la ligne de routage publiée sous ce nom, pas le modèle servi par défaut.
Ce que ce radar mesure, et à quelle heure
Ma question, en ouvrant ces pages un samedi après-midi d'octobre : que peut-on honnêtement décider d'une pile d'agents à partir d'un classement public ?
OpenRouter compte les tokens d'entrée et de sortie, agrégés par jour en UTC et totalisés par variante de modèle, une variante gratuite étant comptée à part. Les requêtes privées sont exclues avant agrégation. La page l'écrit noir sur blanc : ces chiffres ne mesurent ni les utilisateurs ni les dépenses, et un gros total de tokens montre l'usage, pas la compétence.
J'ai récupéré les trois pages deux fois, à quelques minutes d'intervalle, en forçant un crawl frais. Les valeurs du benchmark sont revenues identiques au caractère près, horodatage compris. C'est le minimum avant d'écrire un chiffre qui vieillira en douze heures.
{"type":"bar","data":{"labels":["DeepSeek","OpenAI","Google","Z.ai","Qwen","Anthropic","Xiaomi","Mistral AI","Tencent","Autres"],"datasets":[{"label":"Part des requêtes texte (%)","data":[24.5,18.6,17.8,13.4,5.4,3.9,2.9,2.0,1.7,9.7],"backgroundColor":["#3b82f6","#3b82f6","#3b82f6","#3b82f6","#3b82f6","#3b82f6","#3b82f6","#3b82f6","#3b82f6","#94a3b8"]}]},"options":{"responsive":true,"plugins":{"title":{"display":true,"text":"Part des requêtes texte par éditeur, semaine du 5 octobre 2026 (OpenRouter)"}},"scales":{"y":{"title":{"display":true,"text":"Part des requêtes (%)"}}}}}
Le graphique ci-dessus est la donnée la plus solide du lot : une part de requêtes, sur une semaine identifiée.
Le mirage du volume
Sur la semaine qui commence le 5 octobre 2026, DeepSeek capte 24.5% des requêtes texte, OpenAI 18.6%, Google 17.8%. Z.ai plus que double ses requêtes (+107%). Anthropic pèse 3.9%, en hausse de 59% sur une base faible.
Ce dernier chiffre me gêne, et c'est exactement le sujet. Quatre modèles Anthropic occupent le haut de τ²-Bench Airline. Leur éditeur représente moins de 4% des requêtes. Un classement de volume est une balance de marché : elle pèse les sacs, pas les légumes. Le prix au kilo explique l'essentiel du trafic, la qualité n'entre dans la pesée que par accident.
Bien qu'un classement d'usage reste le meilleur indicateur de disponibilité dont on dispose, il ne dit rien de la précision. Regarde la deuxième ligne du classement hebdomadaire. Step 5 Preview, 17.1T de tokens, +430%. Une variation de cet ordre sur sept jours, c'est une sortie de modèle, pas une adoption. La page ne dit pas ce qui a provoqué la bascule, et je ne vais pas l'inventer.
Regarde la deuxième ligne du classement mensuel, maintenant. Space Bunny Alpha, 56.7T de tokens, étiquette « stealth », entrée « new ». Aucun éditeur identifiable, aucune fiche modèle, aucun prix. Sur trente jours, un fantôme a brassé plus de tokens que GPT-6 Luna. En production, on n'appelle pas un fantôme sans garde-fou.
La mécanique du classement ajoute deux pièges. Les variantes sont comptées séparément, ce qui explique la septième place de Nemotron 3 Ultra (free) à 6.35T : le mot « free » est dans le nom, et le gratuit se compare mal au payant. Et le tableau « New & Trending » classe un pourcentage de variation, nouveaux venus en tête. Gemini 4 Argon y est premier avec 506B de tokens quand le dixième du volume hebdomadaire en pèse 4.67T. Être « trending » n'a jamais voulu dire être gros.
La charge réelle : des harnais d'agents
Deuxième source, la page Apps d'OpenRouter. En tête des applications les plus consommatrices : Hermes Agent (52.8T), Claude Code (34.3T), Kilo Code (24.1T), Cline. Côté « Top Coding Agents » : Claude Code 1.45T, Hermes Agent 1.43T, Kilo Code 525B, pi 425B, Cline 369B.
Deux chiffres incompatibles pour le même agent, et c'est une information en soi. La page ne documente pas, dans le rendu que j'ai obtenu, la fenêtre de chaque tableau. Je lis donc ces volumes comme des ordres de grandeur, pas comme des mesures. La seule chose que j'ose affirmer : l'attribution ne couvre que les applications qui ont accepté le tracking d'usage.
Ce qui ressort quand même est net. Le haut du panier est fait de harnais de code, dont deux projets ouverts (Kilo Code, Cline). L'agent n'est plus le visiteur qui pousse la porte du magasin, c'est le camion qui vient charger à quai, plusieurs fois par jour. Un agent de code boucle sur des fichiers et des tests, et chaque boucle repaie le contexte. La charge agentique est d'abord une charge de génie logiciel, voilà ce que dit le compteur.
L'écart qui tient dans la barre d'erreur
Troisième source, τ²-Bench Airline, 146 modèles, dernier passage le 17 octobre 2026. L'index des benchmarks en recense 18 et 2,051,949 évaluations de tâches, tous passages confondus. La page décrit précisément ce qu'elle mesure : suivre un manuel de politique, parler à un client simulé, appeler les bons outils pour chercher un vol, changer une réservation, émettre un remboursement. Aucune connaissance du domaine n'est requise. Tout est dans l'exécution des appels d'outils sur des trajectoires multi-étapes.
Point de méthode qui change la lecture : le benchmark tourne sur les endpoints de production des fournisseurs. Un score reflète donc le modèle et le fournisseur qui le sert. OpenRouter l'assume, et s'en sert pour mesurer la variance entre fournisseurs.
Maintenant le podium, avec ses flous. Claude Fable 5 Pareto : 80.2%, ±2.6 points. Claude Fable 5.1 : 79.2%, ±1.3. Claude Opus 5 : 78.8%, ±2.2. Claude Sonnet 5.5 : 78.7%, ±2.9. MiMo-V2.6-Flash Pareto : 78.7%, ±1.4. Sur les six lignes qui suivent la première, quatre publient un écart-type dont l'intervalle recoupe celui du leader. Deux n'en publient aucun.
Autrement dit : cinq modèles sont statistiquement indiscernables en tête. Une photo d'arrivée au sprint, avec un flou de bougé de 2.6 points. Le flou n'est pas un défaut de l'appareil, c'est la variance de l'évaluation.
Ce qui les sépare est ailleurs, dans les colonnes qu'on ne regarde pas. Le leader coûte 0.92 USD par tâche. MiMo-V2.6-Flash Pareto, 0.015 USD, soit 61 fois moins. GLM 5.3 Flash Pareto descend à 0.007 USD. À l'autre bout, Claude Sonnet 5.5 rend le même service statistique en 77 secondes, contre 2.1 minutes pour le leader. Le temps compte : un agent qui traîne coûte aussi en humain qui attend.
Trois lignes du tableau résistent à l'explication, et je préfère les signaler. Ling 3.1 Flash Pareto est deuxième à 79.3% pour 0.031 USD, mais avec 10.6 minutes par tâche et aucun écart-type publié. Amazon Nova Micro 1.0 affiche 78.0% à 1.28 USD, plus cher que le leader, pour un modèle de la famille « micro ». GPT-6 Astra Pro descend à 72.7% à 2.91 USD, la ligne la plus chère du tableau visible. Je ne sais pas ce qui produit ces valeurs : configuration d'endpoint ou verbosité. Je les déclare suspectes, pas fausses.
La variance fournisseur, elle, est mesurable dans le même tableau. GLM 5.3 Flash en variante Pareto : 75.9% à 0.007 USD, 2.1 minutes, 4.3k tokens de sortie. GLM 5.3 Flash chez DigitalOcean : 70.0% à 0.004 USD, 49 secondes, 1.57k tokens de sortie. Même modèle, 5.9 points d'écart. La trajectoire est deux fois plus courte chez l'un des deux. Je ne peux pas trancher entre endpoint plus faible et arrêt plus précoce.
Dernier chiffre de cette page, et c'est le plus actionnable. OpenRouter annonce un taux d'erreur d'appel d'outil passé de 3.9% à 1.7% sur les modèles inscrits dans Auto Exacto, son optimisation automatique de l'ordre des fournisseurs pour les requêtes avec outils. C'est une mesure agrégée, sur un périmètre d'endpoints donné. Mais 2.2 points de fiabilité gagnés sans changer de modèle, ça se regarde avant de changer de modèle.
Quatre sorties en trente jours
Le reste de l'actualité, en quatre dates, avec une étiquette sur chaque chiffre.
7 octobre, Claude Haiku 5.5. Anthropic annonce le petit modèle le plus rapide de sa gamme et publie ses mesures : 72.4% sur le sous-ensemble hors ligne d'OSWorld 2.1, 39.2% sur Terminal-Bench 4.0, contre 70.6% pour Sonnet 5.5 sur le même benchmark. Chiffres constructeur, donc revendication. La ligne utile est ailleurs : la baisse de moitié du prix des lectures de cache sur Sonnet 5.5, annoncée à environ 20% de coût en moins sur la plupart des tâches agentiques.
12 octobre, Muse Wonder chez Meta. La série est annoncée « state-of-the-art » sur les tâches agentiques personnelles et professionnelles, avec deux mécanismes maison, Active Memory et Active Focus. Revendication, non vérifiée ici. Sur OpenRouter, Muse Wonder apparaît dans « New & Trending » avec 201B de tokens et l'étiquette « new ».
15 octobre, Nemotron 3.5 Super VL chez NVIDIA. Modèle ouvert de 120 milliards de paramètres, annoncé « 5x plus rapide » que le suivant de sa classe. Il entre dans « New & Trending » à 343B de tokens, étiquette « new ».
17 octobre, DeepSeek V4.1 Flash 1017. Benchmarks internes du constructeur, relayés par The Decoder : 77.0% sur DeepSWE à environ 0.20 USD par tâche, contre 74.2% à environ 0.50 USD pour le prédécesseur. Aucun benchmark indépendant au moment où j'écris.
Ce qui a bougé ce mois-ci n'est pas la précision. C'est le prix de la tâche. Trois annonces sur quatre vendent une baisse de coût, pas un saut de capacité.
La grille de lecture
flowchart TD
A["Charge d'agents avec appels d'outils"] --> B{"Présent dans un classement d'usage ?"}
B -->|Oui| C["Signal de prix et de disponibilité"]
B -->|Non| D["Signal de nouveauté ou de niche"]
C --> E{"Écart de benchmark supérieur à l'écart-type ?"}
D --> E
E -->|Non| F["Égalité statistique : coût par tâche le plus bas"]
E -->|Oui| G{"Coût par tâche sous le plafond ?"}
G -->|Non| F
G -->|Oui| H["Vérifier la variance fournisseur sur ton trafic"]
F --> H
H --> I["Déploiement avec repli, plafond et traces OTel"]
Trois portes, dans cet ordre.
La présence dans un classement d'usage est un signal de disponibilité et de prix. Pas un signal de qualité. Un modèle absent du top 10 n'est pas mauvais, il est cher, lent, ou tout neuf.
Ensuite, l'écart de benchmark. S'il ne dépasse pas l'écart-type, tu as une égalité statistique, et le critère suivant prend le pouvoir : le coût par tâche, puis le temps par tâche.
Enfin, la variance fournisseur. Elle ne se lit pas dans un classement, elle se lit dans ton trafic.
Sur une application d'analyse documentaire que je maintiens, sept agents Pydantic AI tournent en Lambda. Changer de modèle y coûte une journée de code et trois semaines de recette. Voilà le vrai tarif d'un changement de podium : pas 0.92 USD la tâche, mais un mois de quelqu'un. Quatre garde-fous en découlent, et je les applique dans cet ordre : une éval qui rejoue de vrais rapports à chaque commit, une chaîne de repli en configuration, un plafond de coût par exécution, et des traces OpenTelemetry vers Logfire ou Langfuse.
Le deuxième garde-fou est celui que je vois le plus souvent cassé. Dans mon propre code, la liste des modèles de secours est encore codée en dur dans un module, alors que le modèle principal vient d'une variable d'environnement. Un retrait de catalogue impose un redéploiement. C'est une dette bête et je l'assume ici.
Limites du cliché
Le cliché vieillit en heures. Le dernier passage du benchmark date du 17 octobre 2026 à 12h23 UTC, et une sortie de modèle peut invalider la photo avant publication.
Les tokens ne sont pas la qualité. Verbatim de la page : la verbosité et la tokenisation diffèrent d'un modèle à l'autre.
Un seul benchmark, un seul domaine. τ²-Bench Airline mesure le respect d'une politique et l'exécution d'appels d'outils dans un service client aérien. Le dépôt d'origine, lui, indique que les tâches ont été corrigées dans τ³-bench, avec un domaine bancaire et une modalité vocale. Le classement que je cite porte donc sur une version dont les tâches ont depuis bougé.
Les benchmarks de recherche ne sont pas exploitables en l'état : BrowseComp, DeepSearchQA et WideSearch tournent sur 4 modèles, HLE sur 3, avec un dernier passage au 18 août pour les trois premiers. Ce sont des vitrines de fournisseurs de recherche, pas des mesures de capacité générale.
Deux blocs de la page Rankings sont revenus sans données dans mes extractions : « Top models by task » et « Cost per session ». Je n'en cite rien. Le coût par tâche n'est d'ailleurs pas un coût par session : un agent qui enchaîne six appels d'outils paie six fois.
Le principe qui survit au classement
Plus généralement, un classement d'usage mesure une pression économique. Il dit où le marché met son argent, jamais ce que le marché obtient en retour.
Tant que les écarts de précision tiennent dans deux points et demi, le classement qui compte est celui que tu construis sur tes propres tâches. Les autres sont des indications de prix.
Si tu veux qu'on regarde ta pile d'agents avec ces trois portes, c'est par ici, ou directement là. Les mesures que j'ai déjà publiées sur la variance fournisseur sont dans ce retour d'expérience, et l'analyse du coût par tâche dans celui-ci.
Données de classement © OpenRouter, réutilisées sous licence CC BY 4.0. Sources : classements d'usage, τ²-Bench Airline, classements d'applications, dépôt τ-bench, annonce Claude Haiku 5.5.