La vague de l'été 2026 : ce que les nouveaux modèles changent pour une PME

En deux mois, dix-huit modèles majeurs sont sortis, les prix ont été divisés par deux à cinq sur plusieurs gammes, et un modèle à poids ouverts est arrivé à 0,4 point du leader du Vals Index. Pour une PME, l'été 2026 ne change pas un détail de votre équipement IA : il change le prix, le choix et le droit applicable, les trois en même temps.

Voici la lecture d'un studio qui met ces modèles en production, sources primaires à l'appui, et les trois questions à vous poser avant de toucher à vos workflows.

La chronologie de la vague

Le périmètre est volontairement fermé : les dix-huit modèles ajoutés par Vals AI entre le 9 juin et le 3 août 2026. Une déclinaison vendue ou sélectionnable séparément compte comme une sortie, ce qui explique les trois lignes GPT-5.6. Pour les dates, l'annonce du fabricant prime sur l'inventaire : GLM 5.2 a été annoncé le 16 juin, et Claude Opus 5 le 24 juillet. Inkling-Small, présenté dès le 15 juillet avec Inkling, n'a obtenu sa fiche séparée que le 30 juillet.

Date	Modèle	Éditeur	Le fait marquant
9 juin	Claude Fable 5	Anthropic	Premier modèle de la classe Mythos rendu accessible au grand public
12 juin	Kimi K2.7 Code	Moonshot AI	Modèle ouvert spécialisé dans le code et les longues séquences d'outils
16 juin	GLM 5.2	Z.ai	Poids ouverts sous licence MIT et contexte d'un million de tokens
30 juin	Claude Sonnet 5	Anthropic	La gamme intermédiaire adopte les niveaux d'effort et l'autonomie agentique
9 juillet	Muse Spark 1.1	Meta	Modèle multimodal orienté outils et contrôle d'ordinateur
9 juillet	GPT-5.6 Sol	OpenAI	Modèle phare de la nouvelle famille
9 juillet	GPT-5.6 Terra	OpenAI	Niveau équilibré pour les usages quotidiens
9 juillet	GPT-5.6 Luna	OpenAI	Niveau rapide et économique pour les forts volumes
15 juillet	Inkling	Thinking Machines	975 milliards de paramètres, 41 milliards actifs et poids ouverts
30 juillet	Inkling-Small	Thinking Machines	Version allégée lancée deux semaines après sa présentation, 12 milliards de paramètres actifs
16 juillet	Kimi K3	Moonshot AI	2 800 milliards de paramètres, multimodalité native et poids complets publiés
16 juillet	Grok 4.5	SpaceXAI	Modèle recentré sur le code, les agents et le travail documentaire
21 juillet	Gemini 3.6 Flash	Google	Nouveau modèle Flash généraliste
21 juillet	Gemini 3.5 Flash-Lite	Google	Déclinaison à faible coût annoncée à 350 tokens par seconde
23 juillet	Ling 3.0 Flash	inclusionAI	Modèle rapide destiné aux agents et au code
24 juillet	Claude Opus 5	Anthropic	Capacités proches de Fable 5 pour la moitié du prix annoncé
31 juillet	DeepSeek V4 Flash 0731	DeepSeek	Nouvelle phase de post-entraînement centrée sur les tâches agentiques
3 août	Qwen 3.8 Max	Alibaba	2 400 milliards de paramètres et ouverture des poids annoncée

Dix-huit sorties en cinquante-six jours, mais surtout onze entre le 6 et le 26 juillet. Cette concentration explique l'impression de vague : les entreprises n'ont pas eu le temps d'évaluer une génération que la suivante modifiait déjà les prix, les classements ou les options d'hébergement.

Trois lames de fond se cachent derrière ce calendrier : le prix chute, l'offre ouverte se rapproche de la frontière et les classements se contredisent. C'est moins une course au meilleur modèle qu'un changement de règles du jeu.

Lame de fond 1 : la guerre des prix est déclarée

Le fait le plus lourd de conséquences pour votre budget n'est pas une sortie, c'est une baisse. Le 30 juillet, trois semaines après le lancement, OpenAI a réduit le prix de GPT-5.6 Luna de 80 % et celui de Terra de 20 %, selon sa propre page d'annonce. Une division par cinq du tarif d'un modèle frontière, vingt et un jours après sa mise en vente.

Anthropic avait ouvert le feu une semaine plus tôt : Claude Opus 5 est vendu 5 dollars le million de tokens en entrée et 25 en sortie, la moitié du prix de Fable 5, pour des capacités que l'éditeur décrit comme proches.

La conséquence pratique se chiffre immédiatement. Cent millions de tokens produits dans le mois coûtaient 1 500 dollars avec Terra au lancement, contre 1 200 dollars après la baisse. Avec Luna, la même ligne théorique passe de 600 à 120 dollars. Ce calcul n'est pas une prévision de facture, car les tokens d'entrée, le cache et les modes accélérés comptent aussi. C'est un signal d'audit : un contrat ou un routage figé au printemps mérite d'être recalculé aujourd'hui.

Le piège serait de migrer uniquement sur ce prix unitaire. Une sortie plus longue, davantage de reprises ou un format structuré moins fiable peuvent effacer l'économie. Le bon indicateur n'est donc pas « dollars par million de tokens », mais « coût par tâche acceptée », mesuré sur le même jeu de cas et avec le même niveau de contrôle humain.

Lame de fond 2 : l'ouvert a rejoint la frontière

Le Vals Index, banc d'essai indépendant construit avec des experts métier sur des jeux de données privés, donnait ceci au 1er août : Claude Fable 5 en tête à 75,1 %, Claude Opus 5 à 74,8 %, et Kimi K3, modèle à poids ouverts, à 74,7 %. Quatre dixièmes de point séparent donc le leader de cet index d'un modèle dont les poids sont publiés. Cela ne rend pas leurs coûts, leurs licences ni leurs contraintes d'exploitation équivalents.

Le mot important est « poids », pas « gratuit » ni « facile ». Moonshot publie les paramètres complets de Kimi K3 sous sa propre licence, avec 2 800 milliards de paramètres, une entrée multimodale et un contexte d'un million de tokens. Cela donne le droit et les moyens techniques de déployer le modèle sans dépendre uniquement de l'API de son créateur. Cela ne publie ni les données d'entraînement complètes ni la recette industrielle qui a produit le modèle.

Et 2 800 milliards de paramètres ne tiennent pas sur le serveur d'une PME. Même avec la quantification native prévue par Moonshot, Kimi K3 demande une infrastructure distribuée, des moteurs d'inférence spécialisés, une surveillance et une capacité de mise à jour. Pour la plupart des entreprises, l'option réaliste n'est donc pas « le modèle dans la salle informatique », mais un hébergeur contractuellement choisi, une instance isolée ou un modèle ouvert plus petit.

Pour une PME française, l'avancée est réelle mais précise : le choix de l'opérateur devient séparable du choix du modèle. On peut comparer une API internationale, un hébergement européen spécialisé et un modèle plus compact exploité sur une infrastructure privée. Avant de parler de souveraineté, il reste quatre preuves à obtenir : la licence autorise-t-elle l'usage prévu, où transitent les données, qui peut accéder aux journaux, et qui intervient en cas d'incident ? Les poids ouverts créent l'option. Le contrat et l'exploitation la rendent crédible.

Lame de fond 3 : les podiums restent contradictoires

La tentation, devant ces annonces, est de « passer au meilleur modèle ». Mais le meilleur selon quelle épreuve, avec quel outil et selon quelle définition de la réussite ? Au 4 août, Claude Fable 5 menait le Vals Index général à 75,1 %. Claude Opus 5 menait SWE-bench Verified à 97 % et MedCode à 63,57 %. Muse Spark 1.1 menait le banc juridique de Harvey avec 20 % de tâches intégralement résolues. Ces résultats ne se contredisent pas : ils ne mesurent pas la même chose.

Le 97 % de SWE-bench Verified porte sur 500 problèmes issus de vrais dépôts GitHub, revus par des humains. Le modèle reçoit un terminal minimal, doit produire une correction, puis des tests déterminent si la tâche est résolue. C'est un taux de résolution sur un corpus précis, pas la probabilité qu'un développement confié en production réussisse sans supervision.

Le 63,57 % de MedCode porte sur 2 755 codes de diagnostic principaux et secondaires extraits de dossiers hospitaliers désidentifiés. Chaque échantillon a été annoté indépendamment par deux professionnels certifiés du codage médical. Un séjour peut contenir plusieurs codes : 63,57 % ne signifie donc ni « deux dossiers corrects sur trois » ni « une facture sur trois erronée ». C'est une précision sur les codes attendus dans ce protocole.

Le juridique ajoute une troisième définition. Muse Spark 1.1 satisfait 92,86 % des critères individuels, mais seulement 20 % des tâches complètes, car Harvey ne crédite une résolution que si tous les critères de la tâche sont respectés. Un score peut ainsi paraître excellent au niveau des sous-exigences et faible au niveau du livrable final.

La traduction pour un dirigeant n'est pas « automatiser à 97 %, assister à 63 % ». Elle est plus exigeante : demander ce qui constitue une unité, ce qui fait réussir la tâche, quel outil encadre le modèle et combien coûte une erreur. Nous avons détaillé la méthode dans notre article sur le choix d'un modèle par workflow. Un classement construit une liste courte. Seul un banc d'essai sur vos cas, avec vos règles d'acceptation, autorise une décision d'automatisation.

Les benchmarks agents : le vrai juge de paix, et sa leçon cachée

Les scores de connaissances saturent, les benchmarks agentiques, eux, départagent encore : ils mesurent la capacité à finir une tâche réelle de plusieurs étapes dans un terminal, avec outils, erreurs et corrections. Le classement officiel Terminal-Bench 2.1, relevé ce 5 août, donne ceci :

Rang	Agent + modèle	Effort	Précision
1	Claude Code + Claude Fable 5	xhigh	83,8 %
2	Codex + GPT-5.5	xhigh	83,1 %
3	Terminus 2 + Claude Fable 5	high	80,4 %
4	Cursor CLI + Grok 4.5	high	79,3 %
6	Codex + GPT-5.6 Terra	max	78,4 %
10	Claude Code + Claude Sonnet 5	high	74,6 %

La leçon cachée est dans les doublons, mais elle demande une lecture rigoureuse. Claude Fable 5 obtient 83,8 % avec Claude Code et 80,4 % avec Terminus 2. Cette différence de 3,4 points ne peut pas être attribuée au seul agent : la première exécution est réglée sur xhigh, la seconde sur high, et leurs coûts diffèrent aussi. Le classement montre un système complet, pas un modèle isolé.

La comparaison Gemini est plus propre. Avec le même modèle Gemini 3 Pro et le même effort high, Terminus 2 atteint 73,9 %, contre 65,8 % pour Gemini CLI. L'écart de 8,1 points ne prouve pas qu'un agent sera toujours supérieur à un autre, mais il démontre qu'à modèle et effort identiques, la couche qui planifie les étapes, appelle les outils et gère le contexte peut modifier fortement le résultat.

La formule utile devient donc : modèle + agent + niveau d'effort + workflow + critères d'acceptation. Quand un fournisseur vous annonce un score agentique, demandez la configuration entière, son coût par test et la reproductibilité sur votre environnement. Un nom de modèle seul ne décrit plus le produit effectivement évalué.

Comment lire un benchmark sans se faire piéger

Un score n'est exploitable que si cinq questions ont une réponse. Cette grille tient en quelques minutes et fonctionne aussi bien pour un tableau publié par un laboratoire que pour une comparaison réalisée en interne.

1. Quelle est l'unité comptée ? Une tâche entièrement résolue, un critère respecté, un code retrouvé et une préférence exprimée par un juge ne racontent pas la même réussite. Le symbole % les fait visuellement se ressembler, mais leur signification opérationnelle peut être opposée. Avant de lire la barre, finissez la phrase : « le modèle réussit X % de quoi ? »

2. Quelle population se cache derrière le score ? Cinq cents problèmes logiciels publics et 2 755 codes médicaux issus de dossiers désidentifiés ne couvrent ni tous les dépôts GitHub ni tous les séjours hospitaliers. Regardez la taille, la période, la difficulté et le mode de sélection du corpus. Un bon résultat sur un échantillon étroit peut être très utile pour ce périmètre, sans autoriser une généralisation à tout le métier.

3. Quel système a réellement passé l'épreuve ? Relevez le modèle exact, sa version, l'agent, les outils, le niveau d'effort, le nombre maximal d'étapes, le délai accordé et les éventuels replis vers un autre modèle. Si l'un de ces éléments manque, le résultat reste informatif mais difficilement reproductible. Terminal-Bench illustre bien ce problème : le nom du modèle ne suffit pas à reconstituer la performance.

4. Quel est le prix de cette performance ? Deux scores proches peuvent cacher un coût par tâche multiplié, une latence incompatible avec l'utilisateur ou un volume de tokens qui rend le résultat impossible à industrialiser. Demandez le coût par test et, si elle est publiée, l'incertitude statistique. Un écart inférieur à la marge d'erreur ne doit pas déclencher une migration.

5. Le test ressemble-t-il à votre travail ? C'est la question finale. Listez les entrées réelles, les outils disponibles, la forme du livrable, les erreurs tolérables et le contrôle humain attendu. Si le benchmark ne couvre pas ces cinq éléments, il aide à présélectionner un candidat. Il ne décide pas à votre place.

Cette lecture change la conversation avec un fournisseur. Au lieu de demander « quel est votre meilleur modèle ? », demandez « sur quelle unité, avec quelle configuration, à quel coût et sur quel cas proche du mien ? ». La réponse devient vérifiable, et l'achat devient comparable dans le temps.

Ce que disent les praticiens, au-delà des scores

Les fils de discussion des développeurs sur X et Reddit racontent, cette semaine encore, une autre histoire que les communiqués, et elle mérite d'être entendue comme un signal, pas comme une preuve. Les mêmes modèles y sont simultanément encensés et démolis : tel utilisateur abandonne son abonnement premium pour un modèle ouvert qu'il juge « phénoménal », tel autre accuse le même modèle d'être « excellent sur les classements, effondré en travail réel ». Les régressions agentiques ressenties après un changement de version reviennent en boucle, y compris sur les modèles les mieux notés.

Ces témoignages contradictoires ne s'annulent pas, mais ils ne prouvent rien à eux seuls. Ils sont compatibles avec la leçon des doublons de Terminal-Bench : la performance vécue dépend du modèle, de l'agent, du niveau d'effort et du workflow. Deux équipes outillées différemment peuvent donc vivre deux réalités opposées avec le même modèle. C'est exactement pour cela qu'aucun avis, y compris le nôtre, ne remplace un banc d'essai sur vos cas.

Pendant ce temps, le droit a bougé aussi

Le calendrier mérite d'être séparé en trois étages. Les obligations visant les fournisseurs de modèles d'IA à usage général s'appliquent depuis le 2 août 2025, notamment la documentation, la politique de respect du droit d'auteur et le résumé des contenus d'entraînement. Depuis le 2 août 2026, la Commission peut en contrôler pleinement le respect et infliger des sanctions. Dire que le régime des modèles généraux est né en août 2026 décale donc la réalité d'un an. La Commission européenne détaille cette chronologie.

Le 2 août 2026 marque aussi l'entrée en application des obligations de transparence de l'article 50. Elles concernent notamment l'information d'une personne lorsqu'elle interagit directement avec une IA, le marquage automatisable de contenus synthétiques et certains devoirs d'information pour les hypertrucages, la reconnaissance des émotions ou la catégorisation biométrique.

Enfin, le règlement européen 2026/1744 a reporté une partie des obligations sur les systèmes à haut risque. Les systèmes relevant de l'annexe III basculent au 2 décembre 2027, ceux liés aux produits réglementés de l'annexe I au 2 août 2028. Ces dates ne sont pas interchangeables et la catégorie d'un usage doit être établie avant d'en déduire une échéance.

Pour une PME simplement utilisatrice d'un assistant bureautique, cela ne crée pas automatiquement un dossier réglementaire lourd. En revanche, une entreprise qui fournit un produit d'IA, expose un agent à ses clients, génère des contenus publics ou utilise l'IA dans un domaine sensible doit identifier son rôle exact. Le geste utile cette semaine tient sur une page : usages, fournisseur, données envoyées, personne responsable, contrôle humain et règle d'information du public. Ce registre ne remplace pas une analyse juridique, mais il évite de découvrir trop tard un usage sans propriétaire.

Les trois questions à vous poser avant de toucher à vos workflows

1. Suis-je en train de surpayer ? Reprenez vos factures d'API d'avril et comparez aux tarifs d'août. Si votre usage repose sur une gamme dont le prix a été divisé, la renégociation ou la migration se chiffre en jours de retour sur investissement. Mais migrez avec méthode : un modèle moins cher qui casse vos formats de sortie coûte plus cher que l'ancien.

2. L'option souveraine est-elle devenue viable pour mes données sensibles ? Avec Kimi K3 à 0,4 point de la frontière et Qwen 3.8 Max qui s'ouvre, la réponse a peut-être changé depuis votre dernier audit. La question se pose désormais sérieusement pour les flux que le RGPD ou vos clients interdisent de faire transiter par un fournisseur américain.

3. Ai-je un banc d'essai pour trancher, ou est-ce que je déciderai sur les classements ? C'est la question qui commande les deux autres. Quelques dizaines de cas réels de vos workflows, rejoués à chaque vague de sorties, transforment un choix anxiogène en décision datée et réversible. La méthode complète est ici.

Un cycle de réévaluation en trente jours

La vague ne justifie ni une migration précipitée ni six mois d'étude. Une PME peut produire une décision sérieuse en quatre semaines, sans arrêter les workflows qui fonctionnent déjà.

Jours 1 à 3 : choisir le terrain. Inventoriez les tâches qui consomment le plus, celles où les utilisateurs corrigent le plus et celles qui manipulent les données les plus sensibles. Retenez un à trois workflows, pas toute l'entreprise. Pour chacun, fixez la version actuelle, le volume mensuel, le coût et la règle qui distingue un livrable accepté d'un livrable refusé.

Semaine 1 : constituer le jeu d'essai. Sélectionnez trente à cinquante cas récents et représentatifs. Retirez les données personnelles inutiles, conservez les cas difficiles et empêchez qu'une réponse déjà corrigée serve involontairement d'indice. Le jeu doit contenir les formats réels, les documents imparfaits et les exceptions qui coûtent du temps aux équipes.

Semaine 2 : comparer à conditions fixes. Rejouez la solution actuelle et deux candidats avec les mêmes entrées, les mêmes outils et les mêmes critères. Enregistrez la version du modèle, l'agent, l'effort, la latence, les tokens, le coût et les interventions humaines. Faites noter les sorties sans révéler leur provenance lorsque c'est possible. Cette discipline évite qu'une marque connue gagne avant même la lecture du résultat.

Semaine 3 : tester en parallèle. Le candidat retenu traite un flux réel sans prendre seul la décision finale. Mesurez les reprises, les incidents, les formats cassés et le temps réellement économisé. Pour un usage sensible, vérifiez aussi les journaux, la suppression, les sous-traitants et le chemin de repli si le service devient indisponible.

Semaine 4 : décider et dater. Migrez, conservez l'existant ou répartissez les tâches entre plusieurs modèles. Documentez le seuil qui a emporté la décision et la date du prochain examen. Une baisse de prix, une nouvelle version, une dérive qualité ou une modification réglementaire déclenche une nouvelle passe. Sans événement, le banc ne tourne pas pour le plaisir de produire un classement.

Le livrable final tient sur une page : décision, périmètre, mesures, risques, responsable et possibilité de retour arrière. C'est assez court pour être lu par la direction et assez précis pour être rejoué par l'équipe technique.

« Une vague de sorties comme celle-ci ne doit déclencher qu'une seule chose dans une PME : la réévaluation planifiée. Pas de migration réflexe, pas d'immobilisme non plus. Le banc d'essai tourne, les chiffres tombent, la décision se prend sur vos cas, pas sur les communiqués. »

Pierre Beunardeau, fondateur d'Origin Labs

Ce que nous en faisons chez Origin Labs

Cette vague a déclenché notre propre cycle de réévaluation : les modèles sortis en juillet passent sur nos bancs maison, workflow par workflow, pour nos clients de l'immobilier, du BTP et des services. Les remplacements éventuels seront des décisions datées, documentées, avec bascule testée. C'est exactement ce que nous recommandons à toute entreprise qui utilise l'IA en production : la vague est une opportunité pour qui a une méthode, un risque pour qui suit la mode.

À surveiller dans les prochaines semaines

• Confirmé : l'ouverture des poids de Qwen 3.8 Max, annoncée par Alibaba pour la semaine du 10 août, avec une version 27B en parallèle. Si le niveau tient hors API, l'option souveraine change encore d'échelle.
• Rumeurs, non confirmées : un Grok 4.6 autour du 7 août, un Gemini 3.5 Pro dont la date glisse depuis juin, et un milieu de gamme Anthropic pressenti pour la fin du mois. À traiter comme telles : aucun de ces calendriers n'a valeur d'engagement, et cette vague nous a déjà montré des sorties avancées, retardées et des prix modifiés en quelques semaines.

Questions fréquentes

Faut-il migrer vers les modèles sortis cet été ? Pas par réflexe. Si vos workflows tournent, chiffrez d'abord l'écart de prix, de qualité et de contrôle humain sur vos propres cas. Une baisse de tarif justifie un test. Elle ne prouve pas que la migration sera rentable une fois les reprises et les changements d'intégration comptés.

Un modèle à poids ouverts est-il prêt pour la production en PME ? Certains le sont sur certains workflows, à condition d'avoir un opérateur, une infrastructure, un contrat et un banc d'essai adaptés. Les poids ouverts donnent une liberté de déploiement, pas une exploitation sans effort. Auto-héberger sans équipe responsable peut échanger une dépendance fournisseur contre un risque de disponibilité et de sécurité.

Les prix vont-ils continuer de baisser ? Personne ne peut le garantir. La baisse de 80 % de Luna trois semaines après son lancement montre en revanche qu'un tarif peut devenir obsolète avant la fin d'un cycle budgétaire. La protection raisonnable consiste à prévoir des clauses de révision, à mesurer le coût par tâche et à épingler les versions utilisées.

97 % en code et 63,57 % en médecine signifie-t-il qu'Opus 5 est moins fiable en santé ? Cela montre un écart entre deux épreuves, mais pas un taux universel de fiabilité par métier. SWE-bench compte des problèmes logiciels résolus. MedCode mesure la précision sur des codes de diagnostic. Les corpus, les unités et les critères diffèrent. La seule conclusion directement valable est que le score doit toujours être lu avec son protocole.

Pourquoi compter dix-huit sorties alors que plusieurs portent le même nom de famille ? Chaque modèle achetable ou sélectionnable séparément compte comme une sortie. Sol, Terra et Luna ont donc trois lignes. Le périmètre reprend les dix-huit fiches ajoutées par Vals du 9 juin au 3 août, puis corrige les dates lorsque l'annonce officielle du fabricant diffère.

Que change le règlement IA du 2 août pour une PME utilisatrice ? Les obligations sur les modèles d'IA à usage général existent depuis août 2025. Août 2026 apporte leur contrôle complet et les obligations de transparence de l'article 50. Pour une PME utilisatrice, l'effet dépend de l'usage et du rôle exact : assistant interne, agent en contact avec le public, contenu synthétique ou système sensible. Documenter ses usages est le point de départ, pas la conclusion juridique.

Sources

Annonces des modèles

• Anthropic, Claude Fable 5, 9 juin ; Claude Sonnet 5, 30 juin ; Claude Opus 5, 24 juillet 2026. Fable 5, Sonnet 5, Opus 5
• Moonshot AI, Kimi K2.7 Code, 12 juin ; Kimi K3, 16 juillet 2026. K2.7 Code, K3
• Z.ai, GLM 5.2, 16 juin 2026. z.ai
• Meta, Muse Spark 1.1, 9 juillet 2026. ai.meta.com
• OpenAI, lancement de GPT-5.6 Sol, Terra et Luna le 9 juillet, puis baisse des prix de Terra et Luna le 30 juillet 2026. lancement, nouveaux tarifs
• Thinking Machines, Inkling le 15 juillet puis Inkling-Small le 30 juillet 2026. thinkingmachines.ai
• SpaceXAI, Grok 4.5, 16 juillet 2026. x.ai
• Google, Gemini 3.6 Flash et Gemini 3.5 Flash-Lite, 21 juillet 2026. blog.google
• inclusionAI, Ling 3.0 Flash, 23 juillet 2026. developer.ant-ling.com
• DeepSeek, DeepSeek V4 Flash 0731, 31 juillet 2026. huggingface.co
• Alibaba Qwen, Qwen 3.8 Max et ouverture annoncée des poids, 3 août 2026. qwen.ai

Benchmarks

• Vals AI, inventaire des modèles et Vals Index, relevés des 1er, 4 et 5 août 2026. modèles, index
• Vals AI, SWE-bench Verified : 500 tâches logicielles, Opus 5 à 97 %, relevé du 4 août 2026. vals.ai
• Vals AI et Protege, MedCode : 2 755 codes de diagnostic, Opus 5 à 63,57 %, relevé du 4 août 2026. vals.ai
• Vals AI et Harvey, Legal Agent Benchmark : Muse Spark 1.1 à 92,86 % des critères et 20 % des tâches résolues, relevé du 4 août 2026. vals.ai
• Terminal-Bench, classement officiel 2.1, configurations agent, modèle et effort, relevé du 5 août 2026. tbench.ai

Réglementation européenne

• Commission européenne, obligations des fournisseurs de modèles d'IA à usage général applicables depuis le 2 août 2025 et contrôlées pleinement depuis le 2 août 2026. digital-strategy.ec.europa.eu
• Commission européenne, obligations de transparence de l'article 50 applicables depuis le 2 août 2026. digital-strategy.ec.europa.eu
• Union européenne, règlement 2026/1744 reportant certaines obligations des systèmes à haut risque à 2027 et 2028. EUR-Lex