Dans cet article Dans cet article
Depuis deux ans, chaque nouveau modèle d’IA promet de coder mieux, plus vite et moins cher que le précédent. Le classement DeepSWE, mis à jour le 9 juillet 2026, vient de trancher une partie du débat : sur 113 tâches de développement réelles, c’est Codex qui décroche la première place, devant le modèle phare d’Anthropic.
DeepSWE n’est pas un concours de dissertation. Ce banc d’essai mesure la capacité d’un modèle à résoudre des tickets de code concrets, du bug à corriger à la fonctionnalité à livrer, en comptant à la fois le taux de réussite et le coût de chaque tâche. Il note le travail rendu, pas les promesses marketing. Alors que la rivalité entre OpenAI, Anthropic et des challengers chinois se joue au centime près, une question s’impose : à quoi bon un modèle un peu plus brillant s’il coûte trois fois plus cher à faire tourner ?
Un banc d’essai qui note le code, pas les promesses
Le principe de DeepSWE tient en deux axes que l’on retrouve sur son graphique principal : la réussite, mesurée par un score pass@1 qui correspond à la part de tâches résolues du premier coup, et le coût moyen par tâche exprimé en dollars. Un bon modèle ne se contente pas de grimper haut sur l’axe des scores ; il doit le faire sans faire exploser la facture.
La version 1.1 du test, publiée le 9 juillet 2026, agrège 113 tâches et treize modèles. On y voit une frontière d’efficacité se dessiner en haut à droite, là où se rejoignent haut score et faible coût. C’est précisément dans cette zone que les variantes de Codex prennent l’avantage, quand plusieurs modèles réputés sont relégués vers la gauche, pénalisés par un coût élevé.
Ce cadrage n’a rien d’anecdotique pour qui code au quotidien. Après avoir un temps disparu du classement des modèles de code, OpenAI signe ici un retour qui doit autant à la qualité brute qu’à une politique tarifaire agressive. La question du prix, longtemps secondaire, devient un critère de choix à part entière.
Le classement rebattu
Les chiffres bruts du dernier relevé DeepSWE donnent la mesure de l’écart. Le tableau ci-dessous reprend les meilleurs modèles dans leur configuration la plus performante, avec leur taux de réussite, leur coût moyen par tâche et le nombre d’étapes pour venir à bout d’un ticket. La colonne du coût réserve quelques surprises de taille.
| Modèle | Réussite (pass@1) | Coût moyen | Étapes |
|---|---|---|---|
| gpt-5.6-sol | 73 % | 8,39 $ | 61 |
| claude-fable-5 | 70 % | 21,63 $ | 88 |
| gpt-5.6-terra | 70 % | 4,95 $ | 76 |
| gpt-5.6-luna | 67 % | 3,03 $ | 102 |
| claude-opus-4.8 | 59 % | 13,22 $ | 120 |
Le contraste le plus parlant oppose gpt-5.6-sol à claude-fable-5. Pour trois points de réussite supplémentaires, le premier facture 2,60 fois moins cher par tâche, 8,39 dollars contre 21,63. Descendre d’un cran ne coûte presque rien en qualité : gpt-5.6-terra égale le score de Fable pour 4,95 dollars, soit près de quatre fois moins.
Encore plus déroutant, le plus petit des trois, gpt-5.6-luna, atteint 67 % pour à peine 3,03 dollars, un score qui dépasse celui de Claude Opus 4.8 et de Sonnet 5. Le milieu de gamme d’OpenAI marche sur les plates-bandes des modèles premium d’Anthropic et déplace la ligne de front vers le rapport qualité-prix.
Sol, Terra, Luna : une gamme pensée pour le coût
Derrière ces noms de corps célestes se cache une stratégie assumée de segmentation. OpenAI décline son modèle en trois niveaux d’effort, du plus musclé au plus économe, pour couvrir toute la gamme des besoins. Sol vise la puissance maximale, Terra cherche l’équilibre, Luna mise sur le volume à bas coût.
Le graphique des meilleurs scores rend cette logique lisible d’un coup d’œil. Sol caracole en tête avec 73 % de réussite, mais Terra le suit de près à 70 % en consommant deux fois moins de crédits. Cette hiérarchie interne laisse au développeur le soin d’ajuster la dépense au niveau réel de difficulté, plutôt que de sortir l’artillerie lourde pour un simple correctif.
Cette approche prolonge la stratégie de Codex fondée sur des agents autonomes travaillant en parallèle. Faire tourner cinq agents à trois dollars la tâche coûte moins cher qu’un seul agent premium à vingt dollars, Le calcul économique finit par peser autant que la finesse du raisonnement.
Pourquoi le coût par tâche change la donne
Un coût par tâche divisé par trois ne se résume pas à une ligne d’économie sur une facture. Pour les équipes qui codent avec l’IA, il rebat les usages possibles au quotidien. Voici ce que débloque concrètement une tarification plus légère :
- lancer plusieurs agents en parallèle sur un même projet sans surveiller la note en fin de mois ;
- enchaîner les essais et les itérations là où un modèle coûteux impose de rationner chaque appel ;
- confier des tâches longues et répétitives à des agents laissés en fond pendant qu’on avance ailleurs ;
- réserver le modèle le plus puissant aux problèmes réellement complexes, sans le gaspiller sur des correctifs mineurs.
À l’inverse, un modèle brillant mais bridé par des quotas serrés casse le rythme. Le retour d’expérience de nombreux développeurs pointe les blocages répétés de Fable, dont les garde-fous renvoient parfois vers un modèle plus lent au moindre doute. Anthropic a d’ailleurs resserré la vis en instaurant des limites d’usage qui reviennent vite, une contrainte que la concurrence transforme en argument commercial.
Le benchmark ne raconte pas toute l’histoire
Un classement reste une photographie partielle. Sur le terrain, la qualité perçue d’un modèle dépend du projet et de la tolérance aux erreurs. Plusieurs tests menés en conditions réelles montrent que l’écart se resserre selon les tâches : sur une simulation de collision automobile ou un petit jeu de la vie, la version haut de gamme de Codex impressionne, quand Fable garde l’avantage sur certains rendus graphiques soignés.
La vidéo ci-dessus confronte les modèles sur des mini-projets générés d’un seul prompt. Le constat rejoint une intuition partagée : un benchmark oriente le choix sans le dicter. Reste que le langage naturel s’est imposé comme la véritable interface de programmation, un basculement que résumait déjà l’un des pionniers du domaine.
Le langage de programmation le plus en vogue, c’est l’anglais.
Andrej Karpathy, cofondateur d’OpenAI et ancien directeur de l’IA chez Tesla, sur X, janvier 2023
Ce déplacement vers le langage naturel rend le duel encore plus serré, car il reporte la valeur du modèle sur sa capacité à comprendre une intention floue et à livrer vite. Un outil moins cher qui itère sans broncher finit souvent par convaincre davantage qu’un concurrent plus fin mais avare de ses réponses.
Ce que la guerre des prix annonce pour le code
La vraie bascule de ce classement n’est pas un nom en haut d’un tableau, mais l’entrée du prix dans l’équation de la qualité. Tant que les écarts de score se comptaient en dizaines de points, le coût passait au second plan ; maintenant que trois points séparent le premier du quatrième, la facture devient le juge de paix. Anthropic l’avait pressenti en misant récemment sur le prix avec Sonnet, sans convaincre tous les développeurs.
Pour les mois à venir, la pression se déplacera sans doute du laboratoire vers la salle des marchés : qui pourra tenir des tarifs aussi bas sans rogner sur la fiabilité ? Les modèles chinois en open weight poussent déjà les prix vers le bas, et chaque acteur devra arbitrer entre marge, puissance et fidélité des développeurs. Le gagnant du prochain relevé DeepSWE ne sera peut-être pas le modèle le plus intelligent, mais le plus rentable à faire tourner.
