> ## Documentation Index > Fetch the complete documentation index at: https://phaseo.app/docs/llms.txt > Use this file to discover all available pages before exploring further. # Explorer les benchmarks > Découvrez comment les benchmarks des modèles d’IA sont collectés, normalisés et visualisés sur Phaseo. Les benchmarks sont au cœur de la mesure de la qualité et des progrès des modèles sur Phaseo. Ils fournissent des **mesures objectives et reproductibles** pour comparer les performances des modèles selon les tâches, les domaines et les fournisseurs, du raisonnement et du code à la compréhension du langage et à la reconnaissance d’images. *** ## Que sont les benchmarks ? Un **benchmark** est un jeu de données ou une évaluation conçu pour tester les performances d’un modèle sur une tâche précise. En évaluant plusieurs modèles sur le même jeu de données, nous pouvons mesurer leurs forces et leurs faiblesses respectives. Exemples courants : * 🧠 **MMLU (Massive Multitask Language Understanding)** — évalue les connaissances générales et le raisonnement. * 🔢 **GSM8K** — évalue le raisonnement mathématique et la résolution de problèmes. * 💬 **HellaSwag** — évalue le bon sens et la compréhension du contexte. * 🧮 **ARC-Challenge** — mesure le raisonnement scientifique et la logique. * 💡 **HumanEval** — évalue les compétences en programmation et en génération de code. *** ## Comment Phaseo gère les benchmarks Phaseo collecte des données de benchmark à partir de **plusieurs sources publiques** et de **rapports officiels**, puis les normalise dans un format cohérent. La section des benchmarks de chaque modèle comprend : * **Valeur du score** — généralement exprimée en pourcentage ou sur une échelle normalisée. * **Source du jeu de données** — par exemple MMLU, GSM8K, etc. * **Méthode d’évaluation** — indique comment le score a été obtenu (rapport officiel, évaluation tierce ou contribution de la communauté). * **Dernière mise à jour** — indique la date de la dernière actualisation des données du benchmark. *** ## Exemple de page de benchmark *** ## Catégories de benchmarks Les benchmarks sont regroupés en catégories correspondant à la compétence évaluée : | Catégorie | Exemples | Description | | - | - | - | | **Raisonnement** | MMLU, GSM8K, ARC | Évalue la logique générale, le raisonnement en plusieurs étapes et la résolution de problèmes. | | **Compréhension du langage** | HellaSwag, BoolQ, PIQA | Mesure la compréhension écrite, le bon sens et les capacités linguistiques. | | **Génération de code** | HumanEval, MBPP | Évalue la programmation et la précision de la synthèse de code. | | **Mathématiques et sciences** | GSM8K, MATH, SciQ | Se concentre sur le raisonnement numérique et scientifique. | | **Multimodal** | MathVista, MMMU | Combine des tâches de compréhension textuelle et visuelle. | *** ## Comment interpréter les scores | Plage de valeurs | Interprétation | | - | - | | **90-100%** | Exceptionnel — des performances proches de l’état de l’art. | | **80-89%** | Excellent — convient à la plupart des cas d’usage en production. | | **60-79%** | Bon — fiable pour les tâches générales, mais peut rencontrer des difficultés dans les cas limites. | | **\< 60%** | En développement — à privilégier pour l’expérimentation ou la recherche. | N’oubliez pas que certains benchmarks utilisent des **systèmes de notation différents**. Phaseo les normalise lorsque c’est possible afin de rendre les comparaisons plus pertinentes. *** ## Visualiser les benchmarks sur Phaseo Les résultats des benchmarks sont visualisés à l’aide de : * 📊 **Graphiques à barres** pour comparer des modèles sur un même jeu de données. * 📈 **Graphiques de tendance** montrant l’évolution des modèles au fil du temps. * 🧮 **Scores agrégés** pour résumer les performances sur plusieurs jeux de données. Chaque jeu de données de benchmark sur Phaseo comporte des filtres pour : * Type de modèle (chat, code, embeddings, etc.) * Fournisseur * Année de sortie * Catégorie du jeu de données Vous pouvez ainsi repérer rapidement des tendances, par exemple les familles qui dominent les tâches de raisonnement ou de programmation. *** ## Sources des données et méthodologie Phaseo rassemble des données de benchmark issues de : * Articles de recherche et rapports de modèles officiels. * Pages d'évaluation des fournisseurs (OpenAI Evals, Anthropic Reports, etc.). * Jeux de données communautaires ouverts (par exemple les classements Hugging Face). * Contributions directes des utilisateurs via GitHub. Toutes les données sont normalisées et vérifiées avant leur publication. Consultez [Recherche et méthodologie → Méthodologie des benchmarks](../research/benchmark-methodology.mdx) pour plus de détails. *** ## Exemples d’utilisation | Objectif | Exemple | | - | - | | Comparer des modèles de raisonnement | « Quel modèle obtient le meilleur score sur GSM8K ? » | | Évaluer le rapport coût-performance | « GPT-4o justifie-t-il son coût plus élevé par rapport à Claude 3.5 Sonnet ? » | | Suivre les progrès annuels | « De combien la précision sur MMLU s’est-elle améliorée depuis 2022 ? » | | Étudier les benchmarks par catégorie | « Quels modèles sont les plus performants en raisonnement multimodal ? » | *** ## Contribuer aux données de benchmark Ouvrez une issue GitHub avec des preuves pour les scores de benchmark nouveaux ou corrigés. Chaque contribution est vérifiée avant son ajout afin de garantir la cohérence et l’exactitude. Découvrez les preuves à inclure dans une issue de benchmark. *** ## Étapes suivantes Une fois que vous comprenez le fonctionnement des données de benchmark, vous pouvez découvrir les **fournisseurs d’API** qui rendent ces modèles accessibles par programmation. Découvrez où et comment les modèles sont hébergés, tarifés et accessibles. This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.