Qwen 3.8 Max, le dernier modèle d’Alibaba, se hisse au niveau de Claude Opus 4.8 sur l’indice d’intelligence de référence, avec 56 points contre 57 pour Kimi K3. Mais son coût par tâche dépasse d’un tiers celui du modèle chinois concurrent, et son taux d’hallucination a presque doublé.
Pour résumer
- Qwen 3.8 Max marque 56 sur l’indice Artificial Analysis, à égalité avec Claude Opus 4.8 et un point derrière Kimi K3.
- Une tâche coûte 1,14 $ sur Qwen 3.8 Max contre 0,86 $ sur Kimi K3 et 0,57 $ sur GLM-5.2.
- Le taux d’hallucination passe de 23 % à 40 % et l’indice de connaissances générales recule de 10 points.
Faire résumer cet article par une IA
ChatGPTUn point d’écart en tête du classement d’intelligence
Sur l’indice d’intelligence d’Artificial Analysis, la hiérarchie tient en trois chiffres. Kimi K3 mène avec 57 points, Qwen 3.8 Max et Claude Opus 4.8 suivent à 56, et GLM-5.2 ferme la marche à 51.
Un point d’écart entre le premier et le deuxième relève du bruit statistique. Ce qui compte, c’est qu’un modèle chinois généraliste se retrouve à parité avec un modèle frontière américain sur un indice composite, sans astérisque.
Le modèle qui mène ce classement n’est d’ailleurs pas un produit fermé. Moonshot a choisi la voie de l’ouverture avec la publication des poids de Kimi K3, 1,4 To mis à disposition gratuitement, ce qui autorise l’hébergement interne et change complètement l’équation de coût.
Le classement change de forme sur les tâches liées au travail. Sur GDPval-AA, Claude Opus 5 domine nettement avec 1 852 points Elo, Qwen 3.8 Max suit à 1 739 et Kimi K3 recule à 1 685.
La lecture croisée est instructive. Qwen passe devant Kimi dès qu’on mesure des tâches professionnelles réelles, alors qu’il reste derrière sur l’indice généraliste. Les deux modèles ne sont pas bons aux mêmes endroits.
Le contexte de sortie compte aussi. Alibaba avait ouvert le bal fin juillet, quand le groupe a lancé Qwen 3.8, son plus gros modèle IA à ce jour. La version Max arrive quelques semaines plus tard sur un positionnement haut de gamme.
Le coût par tâche fait basculer l’arbitrage
La grille tarifaire de Qwen 3.8 Max est claire : 2,00 $ par million de tokens en entrée, 6,00 $ en sortie, et 0,25 $ quand la requête tape dans le cache. Rien d’aberrant à ce niveau de capacité.
Le prix affiché ne dit pourtant pas grand-chose. Ce qui compte pour une équipe qui industrialise, c’est le coût d’une tâche menée à son terme, et là l’écart devient net : 1,14 $ sur Qwen 3.8 Max, 0,86 $ sur Kimi K3, 0,57 $ sur GLM-5.2.
L’explication tient à la façon dont le modèle travaille. Qwen 3.8 Max consomme 64 étapes par tâche là où l’alternative en demande 14, et le volume de tokens d’entrée grimpe d’un facteur 15 parce que l’historique complet de la conversation est renvoyé à chaque tour.
Ce détail d’implémentation coûte cher à l’échelle. Sur un flux de plusieurs milliers de tâches par jour, un tiers d’écart sur la facture pèse plus lourd qu’un point sur un indice composite que personne ne verra jamais en production.
Le calcul redevient favorable dans les cas où le cache travaille bien. À 0,25 $ le million de tokens en entrée cachée, un usage à prompts très répétitifs efface une partie de la surconsommation d’étapes.
Encore faut-il que le profil d’usage s’y prête. Un assistant de support avec un prompt système stable et des variantes courtes tire pleinement parti du cache. Un agent qui explore un dépôt de code différent à chaque exécution ne le touchera presque jamais.
Le renvoi systématique de l’historique mérite d’ailleurs une remarque. C’est le type de comportement qui se corrige côté fournisseur en quelques semaines, par une meilleure gestion du contexte. L’écart de coût mesuré aujourd’hui n’a donc rien de définitif.
D’autres articles sur Horizon
- Intrusions coordonnées : OpenAI ralentit sa recherche
- Anthropic construit sa puce IA maison
- Les prix DeepSeek vont grimper pour les développeurs
Alibaba avance vite, au prix d’une régression visible
Le revers de la montée en gamme apparaît dans les mesures de fiabilité. Le taux d’hallucination passe de 23 % à 40 %, pour une exactitude qui plafonne autour de 31 %.
Deux autres indicateurs reculent dans la même direction. AA-LCR perd 2 points, et AA-Omniscience, qui mesure l’étendue des connaissances générales, chute de 10 points par rapport à la génération précédente du modèle.
Un modèle qui progresse en raisonnement agentique et régresse en exactitude factuelle n’est pas un accident de parcours, c’est un arbitrage. Il convient aux chaînes outillées où chaque sortie est vérifiée, beaucoup moins aux usages où la réponse part directement chez l’utilisateur.
Le mode de déploiement change aussi la lecture. Un modèle propriétaire facturé au token doit tenir sa promesse de fiabilité à chaque appel, parce que chaque reprise se paie. Un modèle auto-hébergé absorbe les reprises différemment, ce qui rend une exactitude imparfaite plus supportable.
La contrainte matérielle reste le vrai plafond du secteur. Moonshot a dû, en juillet, suspendre les ventes de Kimi faute de GPU disponibles, ce qui rappelle qu’un avantage tarifaire ne vaut que si la capacité de calcul suit derrière.
Le rythme de publication d’Alibaba mérite qu’on s’y arrête. Deux modèles majeurs en moins d’un mois, avec un saut de positionnement entre les deux, laisse peu de temps aux équipes d’intégration pour qualifier sérieusement une version avant que la suivante n’arrive.
Pour les laboratoires américains, le signal est double. La parité brute sur l’indice généraliste est atteinte, mais l’écart se maintient sur les tâches professionnelles, où Claude Opus 5 garde plus de cent points Elo d’avance. C’est sur ce terrain que se jouera la prochaine réponse.
Affaire à suivre sur Horizon.
