Grok 4.6, Gemini 3.7 Flash, GLM 5.3 : trois sorties en trois jours, ce que les chiffres disent vraiment

Trois modèles orientés agents et code sont sortis entre le 12 et le 14 août 2026 : Grok 4.6 de SpaceXAI (ex-xAI), Gemini 3.7 Flash de Google et GLM 5.3 de Z.ai. Deux d'entre eux ont déjà été mesurés par le laboratoire indépendant Artificial Analysis : Grok 4.6 y rejoint la frontière au meilleur prix du segment, Gemini 3.7 Flash y est de loin le plus rapide des modèles déjà mesurés. Le troisième, GLM 5.3, n'offre encore que le tableau de son fabricant, dont une seule ligne est exécutée par un tiers.

Voici les chiffres attribués à leurs sources, les mécaniques de prix que les communiqués taisent, les premiers retours d'utilisateurs, et la grille que nous appliquons au studio avant de brancher un modèle sur un workflow.

L'essentiel en six points

• Grok 4.6 (12 août) rejoint la frontière dans les mesures indépendantes d'Artificial Analysis : 61 à l'Intelligence Index, à égalité avec GPT-5.6 Sol, pour 2 dollars le million de tokens en entrée et 6 en sortie.
• Gemini 3.7 Flash (13 août) produit environ 340 tokens par seconde dans les mesures d'Artificial Analysis, près de trois fois la vitesse de GPT-5.6 Terra, et son prix de lancement est une promotion : il double au 1er janvier 2027.
• GLM 5.3 (14 août) revendique d'importants gains obtenus uniquement par post-entraînement et publie un tableau de seize lignes dont trois impliquent un tiers ; l'évaluation indépendante complète et les poids se font attendre.
• Les tableaux publiés par les trois fabricants ne se comparent pas entre eux : versions de benchmarks différentes, modes de raisonnement différents, concurrents absents des comparatifs.
• Plusieurs premiers utilisateurs décrivent un montage comparable : un modèle cher planifie, un modèle rapide ou bon marché exécute, avec des rôles parfois inversés.
• Avant de changer un modèle en production, cinq questions suffisent à éviter l'essentiel des erreurs (fin d'article, avec un cas d'application).

Trois sorties en trois jours

La cadence elle-même est un signal. Google sort deux versions Flash en vingt-trois jours, SpaceXAI enchaîne trente-cinq jours après Grok 4.5, et Z.ai publie le 14 au lendemain de l'annonce par OpenAI d'un mode « Ultrafast » pour GPT-5.6 Sol, jusqu'à 750 tokens par seconde avec Cerebras selon TechCrunch (13 août 2026).

Pourquoi les tableaux de benchmarks ne se comparent pas

Les trois communiqués alignent des pourcentages, et presque aucun ne mesure la même chose dans les mêmes conditions. Trois pièges concrets cette semaine.

Le piège des versions. SpaceXAI annonce 26 % à « Terminal-Bench » pour Grok 4.6 (tableau officiel) ; Artificial Analysis mesure 88,4 % au « même » benchmark (analyse du 12 août). Les deux chiffres sont exacts : le premier porte sur la version 3.0, beaucoup plus dure, le second sur la version 2.1. Z.ai publie les deux versions dans son tableau GLM 5.3 : 88,2 en 2.1, 28,3 en 3.0. Sans le numéro de version, un score Terminal-Bench ne veut rien dire.

Le piège des modes. Google annonce 43,6 % à « FrontierCode 1.1 Main » pour Gemini 3.7 Flash ; SpaceXAI annonce 61,3 % à « FrontierCode v1.1 Extended » pour Grok 4.6. Le second chiffre paraît écraser le premier, alors que « Main » et « Extended » ne sont pas la même épreuve. Même vigilance sur les niveaux de raisonnement : les scores de Grok 4.6 sont publiés en mode High, et Gemini 3.7 Flash varie de 51 à 56 d'Intelligence Index selon le niveau, mesure Artificial Analysis.

Le piège des absents. Le tableau de SpaceXAI compare Grok 4.6 à GPT-5.6 Sol et Fable 5, avec l'avertissement honnête que les scores des tiers sont « the best of self-reported or publicly available results », mais Claude Opus 5 n'y figure pas, alors qu'il mène l'indice cité par SpaceXAI lui-même. Google met en avant ses benchmarks maison : SWE-bench Verified, standard du secteur, est absent de son annonce, relevé par Ars Technica dès le 13 août. Pendant ce temps, les classements officiels de SWE-bench et de Terminal-Bench ne contiennent, au 14 août 2026, aucun de ces trois modèles.

Le piège le plus profond : un score de code peut mesurer la recherche de la solution plutôt que sa dérivation. Cursor a audité 731 trajectoires et affirme dans son analyse du reward hacking que 63 % des résolutions réussies d'Opus 4.8 Max sur SWE-bench Pro avaient retrouvé le correctif au lieu de le dériver. Sa conclusion vaut pour cette semaine : « Without controls in the harness, scores can conflate coding ability with answer retrieval. »

Reste un référentiel commun : l'Intelligence Index d'Artificial Analysis, composite de neuf évaluations mesurées par un même laboratoire avec le même harnais :

La lecture honnête tient en une phrase : Grok 4.6 rejoint GPT-5.6 Sol juste derrière les deux modèles d'Anthropic, Gemini 3.7 Flash joue une autre partie (la vitesse à prix réduit), et GLM 5.3 ne s'évalue encore que dans le tableau de Z.ai, une ligne exécutée par Artificial Analysis exceptée. C'est la même discipline d'attribution que dans notre analyse de la réception contrastée de Claude Opus 5.

Grok 4.6 : le jugement d'orchestrateur a un prix

Commençons par le modèle qui rejoint la frontière dans les mesures indépendantes. Celles d'Artificial Analysis (12 août 2026) donnent à Grok 4.6 un Intelligence Index de 61, à égalité avec GPT-5.6 Sol. S'y ajoutent un Elo de 1753 au GDPval-AA v2 (derrière Opus 5 seulement), 50,7 % au τ³-Banking (deuxième) et 88,4 % à Terminal-Bench v2.1. Le détail le plus intéressant est un profil d'efficience : environ 53 tours d'agent et 0,5 milliard de tokens d'entrée par tâche longue, contre 103 tours et 2 milliards pour Opus 5 à effort maximal ; coût mesuré : 0,84 dollar par tâche.

« Grok 4.6 offers effectively the same Intelligence Index score as GPT-5.6 Sol at a fraction of the output token price. » (Artificial Analysis, 12 août 2026)

Côté utilisateurs, les retours des premières quarante-huit heures dessinent un modèle au jugement étonnamment sûr en orchestration. Un utilisateur lui a laissé une large autonomie pendant une journée complète : « throughout the whole day, grok 4.6 almost made every decision right for me... it merged things when i would have. it asked me for approval for things i actually cared about. it stopped workers from over-engineering. it often recommended ship first fix later when it's safe to do so. chef's kiss » (@kunchenguid, X, 13 août). Un autre, après une journée d'usage exclusif : « It has better output style + capability than 4.5 and (importantly) costs way less than every other frontier model. Incredible stuff. » (@ashishjayamohan, X, 14 août). Ces signaux valent ce que valent des impressions de premiers jours : des indications, pas des preuves.

Le revers arrive vite, et il est d'abord budgétaire. Le même @kunchenguid rapporte dans le même billet qu'une journée d'usage quasi mono-thread a épuisé une semaine entière de quota ; @xsixsensex dit avoir brûlé 60 % de son quota hebdomadaire, et décrit des sentiments partagés : « sometimes I am amazed how good it is and sometimes is just annoying ». Les plaintes du premier jour sur le forum Cursor portent sur la lenteur même en mode rapide, la fin du travail renvoyée à l'utilisateur et un contexte qui se remplit vite au raisonnement maximal, résume Codersera (13 août 2026). La mesure de latence rapportée par la même source donne un temps de premier token de 31,2 secondes contre 8,7 pour Grok 4.5, et environ 65 tokens par seconde en sortie : il réfléchit longtemps avant de parler.

Trois mécaniques de prix sont à lire dans la documentation officielle avant tout chiffrage. Le tarif affiché (2 dollars en entrée, 6 en sortie par million de tokens) vaut sous 200 000 tokens de prompt ; à partir de 200 000, toute la requête bascule à 4 et 12 dollars, pas seulement les tokens au-delà du seuil. Le token d'entrée en cache est passé discrètement de 0,30 à 0,50 dollar, une hausse de 67 % sur le poste que les boucles agentiques consomment le plus, relevée par Artificial Analysis. Hors prix, deux contraintes d'exploitation : le contexte reste à 500 000 tokens, et Cursor plafonne les modèles Grok à 256 000 tokens selon son forum officiel ; VentureBeat signale que les régions API sont uniquement américaines, ce qui impose une analyse juridique spécifique pour toute donnée couverte par le RGPD.

Un test indépendant complète le tableau : le Bug Hunt Bench de Paweł Huryn, 105 bugs cachés, rapporté par explainx.ai (13 août 2026). Grok 4.6 y corrige 42 bugs en 34 minutes pour 22,73 dollars, le meilleur rapport coût-efficacité du haut du tableau ; GPT-5.6 Sol mène en absolu avec 82 bugs pour 69,61 dollars.

Pour la gouvernance, deux antécédents documentés : le CLI Grok Build, avant son ouverture sous licence Apache 2.0 le 15 juillet, envoyait des répertoires entiers, clés SSH comprises, vers des buckets de xAI (fonctionnalité désactivée, données supprimées, raconte Simon Willison) ; et SpaceXAI ne publie ni architecture ni system card pour Grok 4.6. Ces éléments appartiennent au dossier d'achat, pas au dossier technique.

Gemini 3.7 Flash : la vitesse comme argument produit

Le positionnement de Google est assumé dans son annonce du 13 août : « our most intelligent workhorse model yet for coding and agents ». La mesure qui compte vient d'Artificial Analysis : environ 340 tokens de sortie par seconde, près de trois fois la vitesse de GPT-5.6 Terra ou GLM 5.2, et un temps par tâche de 1,7 minute en raisonnement élevé. Sur les évaluations agentiques du même laboratoire, Gemini 3.7 Flash signe le meilleur AA-AnalystAgent (60 % en pass^5, devant Opus 5 à 54 %) et mène AutomationBench-AA (62,7 %, devant Kimi K3 et Sol). Son Intelligence Index de 56 le place certes cinq à sept points sous les modèles frontière, mais son coût par tâche mesuré tombe à 0,40 dollar au tarif promotionnel, 0,26 en raisonnement moyen. Le modèle est disponible dès le jour J dans AI Studio, Antigravity et Gemini Enterprise.

Sa fiche technique officielle tempère le tableau : Google y reconnaît hallucinations et lenteurs occasionnelles, et surtout écrit que le modèle « can complete individual coding tasks but lacks the independence to chain them into an end-to-end research workflow without human intervention ». La workhorse est rapide ; son fabricant dit lui-même qu'elle n'est pas encore autonome.

Les utilisateurs confirment le point fort. « Gemini 3.7 Flash is the fastest model I've used. Not slightly faster. It feels like it's running on a different planet. » (@kayaravenya, X, 14 août). Un praticien l'ayant utilisé toute une journée dans un harnais réel le juge « way better than my expectation and is pretty production ready », avec cette nuance : « It did make mistake, but a single hint or instruction mid-fly can easily pivot it to do things in correct way. » (@KBlueleaf, X, 14 août). Ce montage, @SFourdrinier le résume en une phrase : « Sol is soooooooooooooooo sllllooooowwwwwww. So sol plan, Gemini 3.7 flash implements. Especially UI. » Sur LMArena, le classement est encore provisoire au 14 août : neuvième au général et huitième en développement web, rapporte VentureBeat.

Le prix affiché de 0,75 dollar le million de tokens en entrée et 3,75 en sortie est une remise de lancement valable jusqu'au 31 décembre 2026 ; au 1er janvier 2027, il revient au tarif standard de 1,50 et 7,50 dollars, soit le double (annonce Google, confirmée par VentureBeat et Artificial Analysis). Le cache d'entrée conserve sa remise de 90 % dans les deux cas.

GLM 5.3 : tout en post-entraînement, l'évaluation indépendante se fait attendre

Troisième sortie, publiée le jour même de cet article. Le fait technique le plus intéressant de la semaine est peut-être là : l'annonce de Z.ai indique que GLM 5.3 utilise exactement la même base que GLM 5.2, un modèle d'environ 743 milliards de paramètres, et que la totalité des gains vient d'un post-entraînement intensifié sur des environnements de tâches longues, synthétisés par des pipelines d'agents avec un « juge » qui vérifie que chaque tâche admet bien une solution. Les gains revendiqués suivent la logique de la recette : Terminal-Bench 3.0 de 4,6 à 28,3, DeepSWE v1.1 de 46,2 à 66,9, SWE-Marathon de 19,4 à 42,5, AutomationBench de 26,2 à 48,2. Même prudence pour son Code Bench maison : 34,5 % à environ 75 000 tokens de sortie en effort Max, contre 23,4 % à 96 000 pour GLM 5.2, reproductible seulement chez Z.ai.

Le tableau complet du fabricant compte seize lignes et dessine un profil en dents de scie. Trois lignes le placent en tête : CyberGym (84,5, devant Fable 5 à 83,8 et Sol à 83,6), GDPval-AA v2 (1 769 Elo, devant Fable 5 à 1 743 et Sol à 1 730) et AutomationBench (48,2, devant Kimi K3 à 46,7). Il rejoint le peloton sur Terminal-Bench 2.1 (88,2, derrière Sol à 88,8), DeepSWE (66,9, derrière Sol à 72,7) et HLE avec outils (62,5, derrière Sol à 64,5). Et il reste distancé là où l'épreuve monte : ProgramBench (19 contre 33 pour Fable 5), FrontierSWE (78,1 contre 88,2), NL2Repo (58 contre 69,7 pour Opus 4.8), ExploitBench (54,4 contre 78).

La question qui compte : qui a exécuté ? Trois lignes impliquent un tiers, disent les notes de bas de tableau : GDPval-AA v2 est évalué par Artificial Analysis, Toolathlon Verified (73) est noté par le service officiel et FrontierSWE est conduit par Proximal. Les treize autres lignes sont exécutées par Z.ai, avec des notes de protocole précieuses : Terminal-Bench 3.0 tourne dans Claude Code avec trois rollouts et dix heures de budget, DeepSWE en mini-swe-agent à température 0,95 ; et le classement officiel DeepSWE affiche GLM 5.2 à 44 %, pas 46,2, preuve que le nom du benchmark ne suffit pas. Plus instructif encore : pour SWE-Marathon, Z.ai a retiré des contrôles anti-triche jugés trop larges et réparé deux images Docker ; pour AutomationBench, il a intégré son propre correctif. Rien de malhonnête, tout est documenté ; mais chaque cellule porte les choix du fabricant.

La deuxième tête d'affiche est la cybersécurité. Z.ai revendique un score de 84,5 % sur CyberGym (découverte de vulnérabilités en boîte blanche) et, fait marquant, un registre public de divulgation : 2 436 vulnérabilités identifiées dans 269 projets open source depuis GLM 5.2, dont 1 097 critiques ou hautes, 53 déjà publiées avec CVE et 2 383 sous embargo au lancement, dans le noyau Linux, WebKit ou FreeBSD ; la plus ancienne aurait été introduite en 1981. Le même tableau montre la limite du modèle : plus l'épreuve monte dans la chaîne d'exploitation, plus l'écart avec les modèles fermés se creuse (105 tâches ExploitGym en deux heures contre 181 pour Fable 5 et 216 pour Sol) ; ces budgets sont renormalisés par débit : 115 tokens par seconde pour GLM 5.3, mesure d'Artificial Analysis citée par Z.ai. Unite.AI note que Z.ai dit elle-même ne pas avoir prévu la vitesse de progression de cette capacité.

Côté accès, le modèle est disponible dans l'API Z.ai et le GLM Coding Plan, selon Unite.AI. Trois points pratiques : les prix API au token ne figurent pas encore sur la page tarifaire officielle, qui s'arrête à GLM 5.2 (1,40 dollar en entrée, 4,40 en sortie) au 14 août ; le paramètre qui désactivait la réflexion n'est plus pris en charge, une rupture de compatibilité pour les applications existantes ; et les poids ne seront publiés que dans environ deux semaines, après évaluation de sécurité, avec une licence non encore annoncée. Le « SOTA open source » des commentaires porte donc sur des poids que personne ne peut encore télécharger.

La réception tient pour l'instant de l'enthousiasme de jour de lancement, pas du retour d'usage : les publications repérées sur X reprennent surtout les chiffres de l'annonce. Premier essai filmé : AICodeKing lui donne 73 sur 80 contre 60 pour GLM 5.2 sur son KingBench privé (vidéo) ; protocole non reproductible et lien affilié, à ranger parmi les signaux. Mis à part la ligne GDPval-AA exécutée par Artificial Analysis, aucune évaluation indépendante complète et aucune entrée dans les classements publics à l'heure où nous écrivons. Le rendez-vous qui compte reste fin août, à la publication des poids : c'est là que la réplication commencera.

Ce que les équipes en font déjà : planifier cher, exécuter vite

Le signal le plus utile de ces trois jours ne vient ni d'un tableau ni d'un fabricant, mais de plusieurs retours d'usage qui décrivent un montage comparable : un modèle frontière coûteux décompose et planifie, un modèle rapide ou bon marché exécute. L'échantillon reste mince et les rôles ne sont pas fixes. @SFourdrinier le formule pour Gemini (« sol plan, Gemini 3.7 flash implements ») ; Codersera décrit pour Grok 4.6 le rôle de « cheapest credible implementer », le modèle auquel on délègue l'implémentation après une planification signée Sol ou Opus 5 ; et le retour de @kunchenguid montre Grok 4.6 dans le rôle inverse, en orchestrateur qui empêche les ouvriers d'exécution de sur-ingénierer. Plutôt qu'une convergence : une option qui se diffuse, dont la distribution des rôles se décide au cas par cas.

Ce routage met en système ce que les chiffres suggèrent : la planification reste aux modèles frontière (les quelques points d'Intelligence Index qui séparent Opus 5 et Fable 5 du peloton), tandis que la vitesse de Gemini 3.7 Flash ou le coût par tâche de Grok 4.6 deviennent rentables là où le travail est déjà découpé. Les débits mesurés par le même laboratoire tranchent le casting : environ 340 tokens par seconde pour Gemini 3.7 Flash contre environ 66 pour Grok 4.6. C'est une application directe de notre méthode de choix d'un modèle par workflow, qui part de la tâche et non du classement, et elle prolonge l'enseignement de la vague de modèles de l'été 2026 : c'est le coût par tâche acceptée qui compte, pas le prix du million de tokens.

Cinq questions avant de brancher l'un de ces modèles

Apport Origin : voici la grille que nous appliquons au studio avant de remplacer ou d'ajouter un modèle sur un workflow en production. Elle tient en cinq questions, chacune renvoyant à un fait vérifiable.

1. Qui a mesuré ? Un chiffre du fabricant seul ne déclenche aucune migration. Pour Grok 4.6 et Gemini 3.7 Flash, les mesures d'Artificial Analysis existent ; pour GLM 5.3, une seule ligne est exécutée par un tiers au 14 août, et la décision rationnelle est d'attendre les poids ou l'évaluation complète.
2. Quel est le coût par tâche acceptée, pas par million de tokens ? Les mécaniques de prix décrites plus haut (prix qui double chez Google, bascule à 200 000 tokens chez SpaceXAI, prix non publié chez Z.ai) montrent que le tarif affiché n'est jamais le budget. On mesure sur vingt à trente tâches réelles, avec le niveau de contrôle humain habituel.
3. Le modèle tient-il dans nos contraintes d'exploitation ? Régions américaines uniquement pour l'API SpaceXAI, contexte de 256 000 tokens dans Cursor, réflexion non désactivable chez GLM 5.3 : trois contraintes qui peuvent chacune clore le dossier.
4. Que dit le premier utilisateur honnête, pas le premier enthousiaste ? Les signaux X de la semaine sont précieux parce qu'ils rapportent aussi les revers : quota hebdomadaire consommé en un jour, latence de 31 secondes avant le premier token, erreurs corrigibles d'une phrase chez Gemini. Cherchez les plaintes avant les louanges.
5. Quel est le critère de retour arrière ? Si le nouveau modèle dégrade la métrique du workflow sur l'échantillon de test, on revient à l'ancien. Sans ce critère écrit avant l'essai, l'essai ne sert à rien.

Mise en pratique : la grille sur un agent de revue de code

Cas d'application borné (scénario illustratif, pas un résultat client). Une équipe produit fait tourner son agent de revue de code sur Gemini 3.6 Flash et se demande si la semaine change quelque chose.

• Question 1. Les deux candidats mesurés par un tiers sont Gemini 3.7 Flash (même gamme, +4 points d'indice, +54 % de vitesse selon Artificial Analysis) et Grok 4.6.
• Question 2. Sur trente revues réelles, le coût par revue acceptée est mesuré pour les deux modèles ; le calcul retient le prix de janvier 2027, pas le tarif promotionnel.
• Question 3. L'équipe étant dans Cursor, où les modèles Grok sont plafonnés à 256 000 tokens, les très gros dépôts sont bornés.
• Question 4. Les retours signalent la latence de décision de Grok 4.6 ; pour une revue synchrone, ce point pèse.
• Question 5. Le critère écrit est « taux de remarques utiles validées par un développeur, à coût égal ou moindre ».

Résultat du scénario : Gemini 3.7 Flash en remplacement direct, Grok 4.6 gardé pour les longues sessions de refactorisation asynchrones, GLM 5.3 revu à la publication des poids. Ce scénario illustre la méthode ; vos volumes et contraintes donnent d'autres réponses, et la guerre des prix de l'été 2026 impose de les recalculer chaque trimestre.

Les limites de cette lecture

Trois jours de recul, c'est peu. Les chiffres de GLM 5.3 sont exécutés par son fabricant, à l'exception de la ligne GDPval-AA mesurée par Artificial Analysis ; ceux de Grok 4.6 et Gemini 3.7 Flash reposent surtout sur un seul évaluateur indépendant, plus des tests isolés et des classements encore provisoires. Les verbatims cités sont des signaux collectés sur X entre le 12 et le 14 août 2026 : ils éclairent l'expérience, ils ne la mesurent pas. Les prix sont ceux affichés au 14 août. Enfin, les classements officiels de SWE-bench et Terminal-Bench n'ont pas encore intégré ces modèles ; quand ils le feront, certains chiffres de cet article gagneront ou perdront en robustesse, et nous mettrons cette page à jour.

Questions fréquentes

Lequel de ces trois modèles choisir pour un agent de code en production ?

Avec les preuves du 14 août 2026 : Grok 4.6 si vous cherchez un exécutant ou un orchestrateur au meilleur coût par tâche du segment frontière (0,84 dollar mesuré par Artificial Analysis), Gemini 3.7 Flash si la vitesse conditionne l'usage (340 tokens par seconde mesurés), et GLM 5.3 seulement en veille, tant qu'aucune évaluation indépendante complète n'a été publiée. La réponse dépend ensuite de votre workflow : notre méthode part de la tâche, pas du classement.

Le prix de lancement de Gemini 3.7 Flash va-t-il durer ?

Non. Les 0,75 et 3,75 dollars par million de tokens sont une remise valable jusqu'au 31 décembre 2026 ; le tarif repasse ensuite à 1,50 et 7,50 dollars, comme l'indiquent l'annonce de Google et VentureBeat. Chiffrez vos architectures de coût au tarif 2027.

Faut-il attendre les poids ouverts de GLM 5.3 ?

Si la réplication indépendante ou l'auto-hébergement conditionne votre décision, oui : Z.ai annonce une publication sous environ deux semaines, après durcissement de sécurité, avec une licence encore inconnue. Rappel : à cette taille (environ 743 milliards de paramètres), l'auto-hébergement reste une affaire d'infrastructure distribuée.

Grok 4.6 est-il utilisable avec des données européennes ?

La question se pose d'abord en termes de contrat, pas de technique : les régions API documentées sont américaines (us-east-1, us-west-2), rapporte VentureBeat. Pour des données couvertes par le RGPD, cela impose une analyse juridique spécifique ou le choix d'un autre fournisseur ; ce point appartient au dossier d'achat.

Les benchmarks publiés par les fabricants sont-ils fiables ?

Ils sont exacts dans leur cadre, et trompeurs hors de ce cadre. Les trois écueils de la semaine : versions de benchmarks différentes portant le même nom (Terminal-Bench 2.1 contre 3.0), modes d'épreuve différents (FrontierCode Main contre Extended), et concurrents gênants absents des comparatifs. Réflexe simple : ne retenir un chiffre qu'avec sa version, son mode et son mesureur.

Comment tester l'un de ces modèles en une journée sans se tromper ?

Faites exécuter vingt à trente tâches réelles de votre workflow, y compris un cas dangereux connu, par votre modèle actuel et par le candidat dans le même harnais ; mesurez le coût par tâche acceptée avec votre contrôle humain habituel. Écrivez avant l'essai le critère qui ferait revenir à l'ancien modèle.

Sources

• Annonce officielle Grok 4.6, SpaceXAI (12/08/2026) ; co-annonce Cursor (12/08/2026) ; documentation des modèles et tarifs (consultée le 14/08/2026)
• Grok 4.6 benchmarks and analysis, Artificial Analysis (12/08/2026, mesures indépendantes)
• Annonce officielle Gemini 3.7 Flash, Google (13/08/2026) ; model card, Google DeepMind (13/08/2026)
• Gemini 3.7 Flash analysis, Artificial Analysis (13/08/2026, mesures indépendantes)
• Annonce officielle GLM 5.3, Z.ai (14/08/2026) ; page tarifaire Z.ai (consultée le 14/08/2026) ; portail de divulgation des vulnérabilités (consulté le 14/08/2026)
• Briques du post-entraînement GLM 5.3 citées par Z.ai : IndexShare (arXiv), SAO (arXiv), slime (GitHub THUDM)
• Z.ai launches GLM-5.3, Unite.AI (14/08/2026)
• GLM-5.3 specs, benchmarks, API, Kingy.ai (14/08/2026) ; classement officiel DeepSWE (consulté le 14/08/2026)
• SpaceXAI debuts Grok 4.6, VentureBeat (12/08/2026)
• Gemini 3.7 Flash targets coding and agents with a 50% introductory price cut, VentureBeat (13/08/2026)
• Google announces Gemini 3.7 Flash three weeks after previous release, Ars Technica (13/08/2026)
• Grok 4.6 launch guide, Codersera (13/08/2026)
• Fable 5 vs Grok 4.6 vs GPT-5.6 Sol, explainx.ai (13/08/2026)
• Grok Build open-sourced, Simon Willison (15/07/2026)
• Reward hacking is swamping model intelligence gains, Cursor (consulté le 14/08/2026)
• OpenAI introduces Ultrafast for GPT-5.6 Sol, TechCrunch (13/08/2026)
• GLM-5.3 early access, AICodeKing (YouTube) (14/08/2026, signal non reproductible)
• Verbatims d'utilisateurs cités dans le corps (signaux, pas preuves) : @kunchenguid (13/08/2026) ; @ashishjayamohan, @xsixsensex, @kayaravenya, @KBlueleaf et @SFourdrinier (14/08/2026, soir du 13/08 heure du Pacifique)