Claude, GPT, Gemini, Mistral : quel LLM pour quel usage en 2026

La question revient dans toutes les réunions d'équipe, tous les comités techniques, tous les dîners entre professionnels du numérique : quel modèle de langage choisir ? Claude, GPT, Gemini, Mistral — quatre familles, quatre philosophies, quatre écosystèmes qui se disputent l'attention des développeurs et des entreprises. Début 2025, le paysage s'est considérablement enrichi : chaque acteur a publié coup sur coup des versions plus rapides, plus fines, plus économiques. Le résultat est une abondance réjouissante, mais aussi un embarras du choix. Cet article propose une grille de décision pratique, sans survente ni classement dogmatique, pour choisir le bon modèle selon la tâche, le budget et les exigences de confidentialité.

Précisons d'emblée la méthode. Il n'existe pas de « meilleur modèle » dans l'absolu. Un modèle de raisonnement qui brille sur les mathématiques de compétition peut se révéler inutilement lent et coûteux pour classer des courriels. Un modèle propriétaire de pointe peut être hors de question pour une administration qui doit garder ses données sur le territoire européen. La bonne question n'est jamais « lequel est le meilleur ? » mais « lequel est le plus approprié à mon besoin, à ma contrainte, au gain que je vise ? ». C'est cette logique de l'adéquation, et non de la performance brute, qui structure tout ce guide.

Nous allons parcourir successivement les quatre grandes familles, examiner leurs forces respectives domaine par domaine, puis proposer une méthode de décision fondée sur trois axes — la tâche, le budget, la confidentialité. L'objectif est simple : vous permettre de sortir de la lecture avec une capacité de choix éclairée, plutôt qu'avec une préférence de marque.

Un panorama à quatre familles

Avant de comparer, il faut situer. Les quatre familles de modèles que nous examinons ne se ressemblent ni par leur origine, ni par leur modèle économique, ni par leur philosophie de diffusion. Comprendre ces différences de fond éclaire la plupart des choix qui suivront.

Claude, la signature d'Anthropic

Développée par Anthropic, la famille Claude s'est bâtie une réputation solide sur le raisonnement approfondi, la rédaction soignée et la programmation. La version de référence à cette date, Claude 3.5 Sonnet, a été mise à jour le 22 octobre 2024. Elle dispose d'une fenêtre de contexte de 200 000 tokens et a introduit une capacité remarquée, la « computer use » (utilisation de l'ordinateur) en bêta publique, qui permet au modèle d'interagir avec une interface graphique comme le ferait un utilisateur humain : déplacer le curseur, cliquer, saisir du texte. Anthropic positionne Claude comme un modèle particulièrement à l'aise sur les tâches où la nuance, la rigueur et la qualité de code comptent davantage que la vitesse pure.

GPT, la polyvalence d'OpenAI

La famille GPT d'OpenAI est sans doute la plus connue du grand public, popularisée par ChatGPT. Le modèle phare généraliste, GPT-4o (le « o » pour « omni »), publié le 13 mai 2024, est nativement multimodal : il accepte le texte et l'image en entrée et produit du texte, avec une fenêtre de contexte de 128 000 tokens. OpenAI a par ailleurs ouvert une seconde voie avec les modèles de raisonnement o1, dont la version complète est arrivée le 5 décembre 2024. Ces modèles « prennent le temps de réfléchir » en déroulant une chaîne de pensée avant de répondre, ce qui les rend particulièrement performants sur les problèmes complexes de sciences et de mathématiques. OpenAI propose ainsi deux logiques distinctes sous une même marque : la polyvalence rapide de GPT-4o d'un côté, la profondeur de raisonnement de o1 de l'autre.

Gemini, la puissance d'échelle de Google

La famille Gemini est la réponse de Google DeepMind. Sa caractéristique la plus distinctive est la fenêtre de contexte gigantesque. La génération 2.0, dévoilée en décembre 2024, a atteint sa disponibilité générale avec Gemini 2.0 Flash le 5 février 2025, dotée d'une fenêtre de un million de tokens et d'une entrée multimodale. La déclinaison expérimentale Gemini 2.0 Pro pousse encore plus loin, avec deux millions de tokens de contexte — de quoi ingérer des bases documentaires entières, des dépôts de code complets ou des heures de transcription. Google mise sur l'échelle et sur l'intégration profonde à son écosystème (Workspace, Cloud, Vertex AI).

Mistral, la voie européenne et ouverte

Mistral AI occupe une place singulière. Société française fondée en 2023 à Paris par Arthur Mensch, Guillaume Lample et Timothée Lacroix — trois chercheurs passés par DeepMind et Meta — elle défend une double singularité : l'ancrage européen et la philosophie ouverte. Son modèle amiral, Mistral Large 2, publié en juillet 2024, compte 123 milliards de paramètres et une fenêtre de contexte de 128 000 tokens. Ses poids sont publiés sous la Mistral Research License, qui autorise l'usage et la modification pour la recherche et les usages non commerciaux. Au-delà des performances, Mistral met en avant un argument de fond : société parisienne, elle est pleinement soumise au RGPD et aux régulations européennes de protection des données, et n'est pas assujettie au CLOUD Act américain.

Il n'existe pas de « meilleur modèle » dans l'absolu. La bonne question n'est jamais « lequel est le meilleur ? » mais « lequel est le plus approprié à mon besoin, à ma contrainte, au gain que je vise ? ».

Choisir selon la tâche

Le premier axe de décision, et le plus déterminant, est la nature de la tâche. Chaque famille a des points forts identifiables, façonnés par ses priorités d'entraînement. Passons en revue les grands cas d'usage.

La programmation et le code

Sur le terrain du code, Claude 3.5 Sonnet s'est imposé comme une référence. Les comparatifs publics de début 2025 le placent régulièrement en tête sur les épreuves de génération de code, avec un score de 92 % sur le benchmark HumanEval selon Anthropic, contre 90,2 % pour GPT-4o. Anthropic a d'ailleurs orienté son modèle vers l'assistance au développement : compréhension d'un dépôt, refactorisation, correction de bugs, rédaction de tests. La fenêtre de 200 000 tokens permet de lui soumettre des fichiers volumineux ou plusieurs modules à la fois.

GPT-4o reste un excellent second choix, très polyvalent, et son intégration à un vaste écosystème d'outils (extensions, environnements de développement) en fait une valeur sûre. Pour les problèmes algorithmiques les plus retors — un exercice de programmation compétitive, une preuve à formaliser — les modèles de raisonnement comme o1 prennent l'avantage, précisément parce qu'ils explorent plusieurs pistes avant de trancher. Enfin, pour une équipe soucieuse d'auto-héberger son assistant de code, un modèle à poids ouverts comme Mistral Large 2 ou un modèle spécialisé de la famille Mistral offre une alternative crédible, à condition de disposer du matériel adéquat.

La rédaction et le raisonnement long

Pour la rédaction de qualité — articles, synthèses, correspondance professionnelle — Claude jouit d'une réputation de plume soignée, sensible à la nuance et au ton. Anthropic souligne d'ailleurs les progrès de son modèle dans la compréhension de l'humour et des instructions complexes. GPT-4o, de son côté, se distingue par la clarté et le détail de ses explications, un atout apprécié dans les contextes pédagogiques.

Lorsqu'il s'agit de raisonnement structuré et multi-étapes — résoudre un problème logique, décomposer une décision, vérifier une démonstration — les modèles de raisonnement changent la donne. La chaîne de pensée de o1 lui permet d'aborder des problèmes que les modèles généralistes traitent parfois trop vite. Le contrepoint est le coût et la latence : un modèle qui réfléchit longuement consomme davantage de tokens et répond plus lentement. Ce compromis est acceptable pour une tâche à forte valeur, moins pour une interaction conversationnelle à haut débit.

Le multimodal : texte, image et au-delà

Si votre besoin implique de comprendre des images — analyser une capture d'écran, lire un graphique, décrire une photo, interpréter un schéma — GPT-4o et Gemini sont taillés pour cela. GPT-4o est nativement multimodal et traite le texte et l'image dans un même flux. Gemini 2.0 Flash accepte lui aussi les entrées multimodales et bénéficie de l'expertise de Google en vision par ordinateur. Claude 3.5 Sonnet gère également l'analyse d'images, avec de bons résultats sur la lecture de documents et de diagrammes.

Les très longs documents

C'est le domaine de prédilection de Gemini. Là où GPT-4o plafonne à 128 000 tokens et Claude à 200 000, Gemini 2.0 Flash offre un million de tokens, et sa déclinaison Pro expérimentale deux millions. Concrètement, cela ouvre des usages inédits : soumettre un livre entier, un dossier juridique complet, une base de connaissances, ou des heures de transcription, sans avoir à découper le contenu. Pour l'analyse documentaire à grande échelle, la recherche dans de vastes corpus ou le traitement de codebases massives, cette capacité fait une différence tangible.

Un point de vigilance mérite toutefois d'être rappelé : disposer d'une immense fenêtre de contexte ne signifie pas que le modèle exploite parfaitement chaque information qui s'y trouve. La taille de la fenêtre est une condition nécessaire, pas suffisante. Pour beaucoup de cas d'usage, une architecture de récupération augmentée (RAG), qui va chercher les passages pertinents dans une base externe, reste complémentaire — voire préférable — à l'injection brute d'un million de tokens.

Choisir selon le budget

Le deuxième axe est économique. Les tarifs d'API varient dans des proportions considérables d'un modèle à l'autre, et la facture peut vite grimper à grande échelle. Raisonner en coût par million de tokens — la manière dont ces services sont facturés — est indispensable pour dimensionner un projet.

Un éventail de tarifs très large

Les prix publics de début 2025 dessinent une hiérarchie claire. Voici les tarifs API des modèles de référence, exprimés en dollars par million de tokens (entrée / sortie) :

La lecture de ce tableau est éclairante. GPT-4o est le plus abordable des trois modèles généralistes, à 2,50 dollars en entrée et 10 dollars en sortie. Claude 3.5 Sonnet le suit de près, à 3 et 15 dollars. Le modèle de raisonnement o1 se situe dans une catégorie à part : à 15 dollars en entrée et 60 dollars en sortie, il coûte six fois plus cher que GPT-4o en sortie. Ce n'est pas un défaut, mais le reflet de son fonctionnement : o1 génère de nombreux tokens de raisonnement avant de répondre, et cette réflexion se paie.

La bonne question : le plus petit modèle qui fait le travail

La conséquence pratique est limpide. Pour une tâche simple et répétée à grand volume — classer des messages, extraire des champs d'un formulaire, résumer de courts textes —, mobiliser un modèle de raisonnement coûteux serait un gaspillage. La bonne démarche consiste à tester le plus petit modèle capable de tenir la tâche, plutôt que de partir par défaut sur le plus puissant. C'est souvent là que se cache l'économie la plus substantielle.

Chaque famille propose d'ailleurs des déclinaisons économiques pensées pour ces usages à haut volume : des variantes plus légères et plus rapides, souvent au dixième du prix du modèle amiral, qui suffisent amplement pour la classification, le routage ou l'extraction structurée. Réserver les modèles de pointe aux tâches qui les justifient — code complexe, raisonnement, rédaction exigeante — et confier le reste à des modèles compacts est le principe d'économie le plus efficace.

L'option de l'auto-hébergement

Pour les organisations qui traitent d'énormes volumes, ou qui veulent maîtriser leurs coûts sur la durée, l'auto-hébergement d'un modèle à poids ouverts change l'équation. Une fois le matériel amorti, le coût marginal par requête tend vers celui de l'électricité et de la maintenance, sans facturation à l'usage. Des modèles comme Llama 3.3 70B de Meta, publié le 6 décembre 2024, rendent cette voie accessible : ce modèle de 70 milliards de paramètres, sous licence communautaire autorisant l'usage commercial, égale ou dépasse des modèles bien plus gros sur le suivi d'instructions et les mathématiques, tout en étant exécutable localement sur une machine équipée de 48 Go de mémoire vidéo en quantification 4 bits. Mistral Large 2 offre également cette possibilité pour les usages de recherche et non commerciaux.

L'auto-hébergement a un coût caché — l'expertise technique nécessaire pour déployer, optimiser et maintenir l'infrastructure — mais il élimine la dépendance à un fournisseur et la facturation à la requête. Pour un usage intensif et prévisible, le calcul penche souvent en sa faveur.

La bonne démarche consiste à tester le plus petit modèle capable de tenir la tâche, plutôt que de partir par défaut sur le plus puissant. C'est souvent là que se cache l'économie la plus substantielle.

Choisir selon la confidentialité

Le troisième axe, souvent décisif pour les organisations, est la protection des données. Où sont traitées les informations soumises au modèle ? Sous quelle juridiction ? Qui peut y accéder ? Ces questions ne sont pas secondaires : pour une administration, un cabinet médical, un service juridique ou une entreprise manipulant des données sensibles, elles peuvent trancher le choix avant même toute considération de performance.

L'argument européen de Mistral

C'est sur ce terrain que Mistral déploie son argumentaire le plus distinctif. Société parisienne, l'entreprise est pleinement soumise au RGPD et aux régulations européennes de protection des données. Par défaut, les données de son assistant Le Chat sont traitées sur des serveurs situés en France, et l'entreprise privilégie les fournisseurs d'infrastructure basés dans l'Union européenne. Point crucial pour de nombreuses organisations : contrairement à des fournisseurs relevant du droit américain, Mistral, société de droit français, n'est pas directement soumise au CLOUD Act (sous réserve de ses sous-traitants d'hébergement, à vérifier contractuellement), cette loi qui permet aux autorités des États-Unis d'accéder à certaines données, y compris lorsqu'elles sont hébergées sur des serveurs européens.

Pour une entité publique française, une collectivité, ou une entreprise soumise à des exigences de souveraineté des données, cet ancrage juridique constitue un argument de poids. Mistral met en avant des garanties supplémentaires : certification de sécurité, option de rétention nulle des données, exclusion des données des clients payants de l'entraînement des modèles. Ce positionnement de « souveraineté » répond à une demande réelle du marché européen.

Les garanties des acteurs américains

Il serait injuste de réduire les acteurs américains à une insécurité supposée. OpenAI, Anthropic et Google proposent tous des offres entreprise avec des engagements contractuels solides : non-utilisation des données pour l'entraînement, options de résidence des données, conformité à divers référentiels. Anthropic et Google donnent en outre accès à Claude et Gemini via des plateformes cloud comme Amazon Bedrock et Google Cloud Vertex AI, qui permettent de configurer finement la région de traitement et l'isolation des données.

La différence tient moins à la qualité des garanties qu'à la nature du cadre juridique. Une entreprise relevant du droit américain, même avec les meilleures pratiques, reste soumise à la législation de son pays. Pour beaucoup d'usages, les garanties contractuelles suffisent amplement ; pour les cas les plus sensibles, la juridiction elle-même devient le critère.

L'auto-hébergement, garantie ultime

La forme la plus radicale de maîtrise des données reste l'exécution locale d'un modèle à poids ouverts. Quand le modèle tourne sur vos propres serveurs, aucune donnée ne quitte votre infrastructure : ni requête, ni réponse ne transitent par un tiers. Pour un cabinet manipulant des dossiers confidentiels, un laboratoire traitant des données de recherche, ou toute organisation soumise à des contraintes strictes, cette option offre la garantie la plus complète.

Les modèles à poids ouverts — Llama 3.3, Mistral Large 2, et bien d'autres — rendent cette voie praticable, avec des performances qui ont considérablement rattrapé celles des modèles propriétaires. Le prix à payer est, là encore, l'expertise technique et l'investissement matériel. Mais pour qui place la confidentialité au sommet de ses priorités, c'est la solution la plus sûre.

Les critères qu'on oublie souvent

La tâche, le budget et la confidentialité forment l'ossature de la décision, mais trois critères complémentaires méritent d'entrer dans la balance. Ils ne font pas la une des comparatifs, et pourtant ils pèsent lourd dans l'usage quotidien.

La latence et le débit

La vitesse de réponse est un facteur trop souvent négligé au profit de la seule qualité. Pour une application conversationnelle en temps réel — un assistant qui répond à un utilisateur qui attend —, une latence de plusieurs secondes dégrade l'expérience. Les modèles généralistes rapides comme GPT-4o ou Gemini 2.0 Flash sont conçus pour cet usage, avec des temps de réponse courts. À l'inverse, les modèles de raisonnement comme o1, qui déroulent une longue chaîne de pensée avant de répondre, introduisent un délai perceptible : ils sont taillés pour la profondeur, pas pour l'interactivité. Le choix dépend donc aussi du rythme attendu : réponse instantanée pour un chatbot, réflexion posée pour une analyse de fond.

Le débit — le nombre de requêtes traitables par minute — compte tout autant pour les applications à grande échelle. Les déclinaisons légères de chaque famille, plus rapides et moins gourmandes, sont souvent le bon choix quand il faut traiter des milliers de requêtes en parallèle sans engorger le service.

L'écosystème et l'intégration

Un modèle ne vit pas seul : il s'insère dans un environnement d'outils, de bibliothèques et de plateformes. GPT bénéficie d'un vaste écosystème d'extensions et d'une communauté de développeurs très active. Claude et Gemini sont accessibles via les grandes plateformes cloud — Amazon Bedrock, Google Cloud Vertex AI —, ce qui facilite leur intégration dans une infrastructure existante et la gestion fine de la sécurité. Gemini s'intègre en outre nativement à l'écosystème Google (Workspace, Cloud). Mistral, de son côté, propose une API directe et des modèles téléchargeables pour l'auto-hébergement. Cette dimension d'intégration, moins visible qu'un score de benchmark, conditionne pourtant le coût réel d'adoption : un modèle déjà présent dans votre pile technique est souvent préférable à un modèle marginalement meilleur mais difficile à brancher.

La stabilité et la reproductibilité

Enfin, pour un usage professionnel durable, la stabilité de l'offre compte. Un fournisseur qui met à jour fréquemment ses modèles peut améliorer les performances, mais aussi modifier subtilement le comportement d'une application en production. Épingler une version précise du modèle — la plupart des fournisseurs le permettent — protège de ces variations et garantit une reproductibilité sur la durée. Les modèles à poids ouverts offrent ici la stabilité maximale : une fois téléchargés, ils ne changent plus, et vous gardez la main sur le calendrier de mise à jour.

Une grille de décision pratique

Rassemblons maintenant ces trois axes en une méthode utilisable. Plutôt que de chercher un gagnant universel, posez-vous les questions dans l'ordre suivant, du plus contraignant au plus souple.

Étape 1 : la confidentialité est-elle un impératif ?

Commencez par la contrainte la plus forte. Si vos données ne peuvent pas quitter le territoire européen, ou pas quitter votre infrastructure, ce critère élimine d'emblée certaines options. Deux réponses possibles : un fournisseur européen soumis au RGPD comme Mistral, ou l'auto-hébergement d'un modèle à poids ouverts. Ce filtre passé, vous raisonnez sur un ensemble réduit de candidats.

Étape 2 : quelle est la nature de la tâche ?

Identifiez ensuite le type dominant de votre besoin. Voici une synthèse indicative, à ajuster selon vos propres tests :

• Programmation, assistance au code : Claude 3.5 Sonnet est une référence ; GPT-4o un solide généraliste ; un modèle ouvert pour l'auto-hébergement.
• Raisonnement complexe, mathématiques, logique : les modèles de raisonnement comme o1 prennent l'avantage, au prix d'un coût et d'une latence supérieurs.
• Rédaction soignée, nuance, ton : Claude est réputé pour la qualité de sa plume ; GPT-4o pour la clarté de ses explications.
• Multimodal, analyse d'images : GPT-4o et Gemini sont taillés pour cela ; Claude gère aussi l'analyse de documents.
• Très longs documents, vastes corpus : Gemini, avec son million (voire deux millions) de tokens de contexte, domine ce terrain.
• Tâches simples à haut volume : privilégiez les déclinaisons légères et économiques de chaque famille.

Étape 3 : quel est le budget et le volume ?

Enfin, confrontez votre choix à sa dimension économique. Pour un usage ponctuel ou à faible volume, la différence de tarif entre modèles est marginale — choisissez le plus adapté à la tâche sans trop vous soucier du prix. Pour un usage intensif, le coût par million de tokens devient déterminant : préférez le modèle le plus économique qui tient la qualité requise, et envisagez sérieusement l'auto-hébergement si vos volumes sont élevés et prévisibles.

Cette grille en trois étapes ne donne pas une réponse unique — elle n'en donne jamais — mais elle réduit un choix qui paraît écrasant à une série de décisions gérables. Et surtout, elle vous incite à tester plutôt qu'à croire : le meilleur juge de l'adéquation d'un modèle à votre cas d'usage, c'est votre propre évaluation sur vos propres données.

L'importance de tester sur ses propres cas

Un dernier conseil, qui vaut plus que tous les benchmarks. Les classements publics sont utiles pour dégager des tendances, mais ils ne remplacent pas une évaluation sur vos données réelles. Un modèle qui domine un tableau de bord général peut décevoir sur votre cas précis, et inversement.

Les scores de benchmark sont par ailleurs sensibles à mille détails : la formulation du prompt, le protocole de mesure, la version exacte du modèle, la température d'échantillonnage. Deux comparatifs peuvent aboutir à des conclusions opposées simplement parce qu'ils n'ont pas mesuré la même chose. La règle d'or est de se méfier des classements marketing et de constituer son propre jeu de tests, représentatif de son usage réel.

Concrètement, une bonne démarche consiste à sélectionner une dizaine de cas typiques de votre activité, à les soumettre à deux ou trois candidats, et à comparer les résultats à l'aune de vos propres critères de qualité, de coût et de latence. Cette évaluation, qui demande quelques heures, vaut mieux que des semaines de lecture de comparatifs. Elle vous donne une certitude fondée sur votre réalité, pas sur celle d'un tableau générique.

Pour rendre cette évaluation rigoureuse, quelques principes aident. D'abord, testez toujours les modèles dans les mêmes conditions : même prompt, même consigne, même jeu d'exemples, afin que la comparaison soit équitable. Ensuite, notez chaque réponse sur des critères explicites plutôt qu'à l'intuition — exactitude, complétude, respect du format demandé, absence d'erreurs factuelles — pour éviter de vous laisser séduire par un style agréable qui masquerait des approximations. Enfin, gardez la trace de vos résultats : à mesure que les modèles évoluent, votre jeu de tests devient un actif précieux, réutilisable pour évaluer chaque nouvelle version et décider, en connaissance de cause, s'il vaut la peine de migrer. Une petite batterie de tests maison, entretenue dans la durée, se révèle bien plus utile que n'importe quel classement public, parce qu'elle mesure exactement ce qui compte pour vous.

Ce qu'il faut retenir

Le paysage des grands modèles de langage, début 2025, est celui d'une abondance mûre. Claude excelle sur le code et la rédaction nuancée ; GPT offre une polyvalence multimodale et, avec o1, une profondeur de raisonnement ; Gemini domine par sa fenêtre de contexte hors normes ; Mistral conjugue performance, ouverture et ancrage européen. Aucun ne l'emporte partout, et c'est précisément ce qui rend le choix intéressant.

La méthode l'emporte sur la préférence de marque. En raisonnant successivement sur la confidentialité, la tâche et le budget, on transforme un choix intimidant en une décision structurée. Et en testant sur ses propres données plutôt qu'en se fiant aux classements, on remplace la conviction par la certitude. La question n'est décidément pas « quel est le meilleur LLM ? », mais « lequel est le plus approprié à ce que je veux accomplir ? ».

Cette abondance est une excellente nouvelle. Elle signifie que, quel que soit votre besoin — un assistant de code pour une équipe technique, un analyseur de longs documents pour un service juridique, un modèle souverain pour une administration, ou un moteur économique pour du traitement à grande échelle —, il existe aujourd'hui une solution adaptée. Le rôle du praticien informé n'est plus de chercher le graal universel, mais de faire correspondre, avec justesse, un outil à un usage. C'est un travail d'artisan plus que de collectionneur, et c'est tout l'objet de cette grille de décision.

Sources

Cet article s'appuie sur des sources publiques et vérifiables :

• Anthropic, « Introducing Claude 3.5 Sonnet » (contexte 200k, tarifs 3$/15$, HumanEval 92 % contre 90,2 % pour GPT-4o) — anthropic.com.
• Anthropic, « Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku » (computer use en bêta publique, mise à jour du 22 octobre 2024) — anthropic.com.
• OpenAI API, fiche du modèle GPT-4o (multimodal, contexte 128k) — developers.openai.com.
• OpenAI o1, modèle de raisonnement (chaîne de pensée, contexte 200k, tarifs 15$/60$) — Wikipedia — OpenAI o1.
• Google Developers Blog, « Gemini 2.0: Flash, Flash-Lite and Pro » (GA du 5 février 2025, contexte 1M tokens pour Flash) — developers.googleblog.com.
• Google DeepMind, « Gemini 2.0 model updates: 2.0 Flash, Flash-Lite, Pro Experimental » (Gemini 2.0 Pro Experimental, contexte 2M tokens) — blog.google.
• Mistral AI, « Large Enough » — annonce de Mistral Large 2 (123 milliards de paramètres, contexte 128k, Mistral Research License) — mistral.ai.
• Mistral AI, Politique de confidentialité (société parisienne, RGPD, données en UE) — legal.mistral.ai.
• Meta / Hugging Face, « Llama-3.3-70B-Instruct » (poids ouverts, contexte 128k, exécution locale) — huggingface.co.