Le 7 août 2026, un classement d’évaluation indépendant a positionné le nouveau modèle d’Alibaba au premier rang mondial. Qwen3.8 Max a décroché la première place globale sur l’« Agentic Index » d’Artificial Analysis, marquant la première fois qu’un modèle chinois surpasse ses rivaux américains en matière d’exécution autonome de tâches. Derrière lui se trouvent GPT-5.6 Sol d’OpenAI et Claude Fable 5 d’Anthropic.
La nouvelle a suscité un engouement rapide sur Hacker News. Quelques heures après sa mise en ligne, le fil accumulait déjà 391 points et 251 commentaires. Dans cette communauté réunissant certains des ingénieurs les plus exigeants de la planète, le commentaire le plus populaire résumait ainsi l’esprit général : « La Chine a rattrapé son retard, voilà le cœur de l’information. »
Une évaluation repensée : de nouveaux sujets d’examen
Qui se trouve derrière ce classement ? Artificial Analysis est un organisme d’évaluation indépendant qui ne vend aucun modèle ; il se contente d’évaluer les modèles dans un environnement standardisé. Ces dernières années, ses tests portaient principalement sur des QCM et du raisonnement mathématique (des examens théoriques classiques) où l’on mesure la précision des réponses à des questions données.
En juin dernier, l’organisme a modifié son approche. Le nouvel Index évalue les capacités « agentielles » (Agentic) : le modèle dispose d’un véritable environnement informatique pour effectuer des recherches sur le Web, écrire du code, manipuler des logiciels et exécuter des tâches en plusieurs étapes de bout en bout. L’évaluation couvre 44 professions réparties dans 9 secteurs d’activité, avec une vérification automatisée de la conformité des résultats. Le score global est une moyenne pondérée issue de deux évaluations clés : des tâches professionnelles réelles et des opérations multi-outils en environnement bancaire.
Figure : Classement Agentic Index d’Artificial Analysis (capture du 7 août 2026). Source : artificialanalysis.ai
Qwen3.8 Max a obtenu un score de 58,4 points, suivi de GPT-5.6 Sol avec 57,8 points et Claude Fable 5 avec 56,6 points. Cependant, la première place reste très disputée : l’écart avec Opus 5, l’autre modèle phare d’Anthropic, est inférieur à un point, et le leadership s’est échangé à plusieurs reprises ces derniers jours. D’un point de vue d’ingénierie, les performances d’exécution des modèles de pointe se tiennent dans un mouchoir de poche.
Au-delà de la première place, la présence des modèles chinois sur le classement est massive. Deux des cinq premières positions et quatre des treize premières sont occupées par des modèles chinois : outre Qwen d’Alibaba, on retrouve Kimi de Moonshot AI, DeepSeek et GLM de Zhipu AI. Il y a deux ou trois ans, le haut de ces classements était exclusivement réservé aux entreprises américaines.
Le paradigme a évolué : il ne s’agit plus de savoir qui répond le mieux aux questions, mais qui mène le travail à son terme. Bien répondre à un examen ne garantit pas la capacité de travail ; accomplir une tâche montre que les connaissances sont réellement mises en pratique.
Quelle différence entre converser et exécuter du travail ?
La différence s’articule autour de trois axes principaux.
Premièrement, la planification multi-étapes (Multi-step planning). Une discussion est une réponse ponctuelle ; accomplir un travail exige une séquence d’actions coordonnées. C’est l’équivalent de confier une mission à un stagiaire : comparer les prix des billets d’avion sur trois plateformes, choisir l’option la moins chère, envoyer l’itinéraire par e-mail et réserver l’hôtel — tout en gardant l’objectif principal à l’esprit à chaque étape. Les modèles de conversation classiques ont souvent tendance à perdre le fil au milieu du processus.
Deuxièmement, l’appel d’outils (Tool calling). Tout comme un employé cherche des informations, passe des appels et ouvre des logiciels, un agent IA ouvre un navigateur, exécute des lignes de commande et manipule des feuilles de calcul. Qwen3.8 Max a obtenu un score de 86,1 points sur l’épreuve d’« Utilisation d’ordinateur », surpassant les 83,2 points de GPT-5.6 Sol. Ses performances sont restées constantes sur plusieurs environnements d’assistants de codage, prouvant que la capacité réside au cœur même du modèle et non dans une application spécifique.
Figure : Comparaison des performances de Qwen3.8-Max dans divers environnements de travail. Source : blog officiel qwen.ai
Troisièmement, la surveillance en temps réel et l’auto-correction. Après chaque étape, le modèle analyse son propre résultat : si l’interface se déforme, il corrige le tir ; si la direction diverge, il ajuste le cap. Cette boucle de rétroaction est la grande innovation de cette génération de modèles, leur permettant de travailler en continu pendant des heures sans dérailler.
Jusqu’où peut-il aller sur le terrain ?
Alibaba a publié plusieurs séries de données empiriques issues de ses tests internes, dont trois exemples marquants :
Simulation de gestion e-commerce sur un an : Doté d’un capital initial de 100 000 dollars, le modèle a géré simultanément plusieurs boutiques en ligne face à près de 600 fournisseurs (dont 152 fraudeurs), tout en gérant les ruptures de stock liées à des typhons et les pics de commandes en période de promotions. Au terme de l’année, le solde final atteignait 416 000 dollars (soit 4,16 fois le capital initial) — un résultat supérieur de 38 % au deuxième du classement et en hausse de 152 % par rapport à la génération précédente.
Conception de puces : À partir d’un circuit initial de puce de chiffrement comptant 8 298 portes logiques, le modèle a exécuté 500 cycles autonomes d’« édition de code — simulation — débogage ». Il a finalement réduit le circuit à 678 portes, réduisant la surface de la puce de 81 %.
Compétition d’algorithmes : Lors d’une compétition réunissant 526 équipes humaines, le modèle a concouru de manière autonome sur 24 heures et a surpassé 87 % des équipes humaines. De la lecture des règles à l’ajustement du modèle et à la décision de soumettre 45 propositions, tout a été géré en toute autonomie.
Figure : Graphique officiel de comparaison des performances de Qwen3.8-Max (par rapport à GPT-5.6 Sol, Claude Opus 4.8, etc.). Source : blog officiel qwen.ai
Ces chiffres proviennent des déclarations de la société Alibaba et n’ont pas encore été intégralement vérifiés par des tiers. Selon l’usage en ingénierie : l’orientation générale est crédible, mais les écarts précis demandent une validation indépendante.
Performant, mais bavard et coûteux en calcul
Se hisser au sommet exige d’importantes ressources. Les données de l’organisme d’évaluation indiquent que Qwen3.8 Max requiert en moyenne 64 tours d’interaction pour réaliser des tâches que la génération précédente achevait en 14 tours. Le volume de tokens en entrée a été multiplié par environ 15 et la production a atteint 145 millions de tokens. Une exécution plus rigoureuse s’accompagne d’une verbosité accrue et d’une consommation de calcul plus importante.
Sa vitesse de génération reste moyenne : 67 tokens par seconde, contre 213 tokens par seconde pour Gemini 3.6 Flash. L’exécution d’un cycle complet d’évaluation d’agent a engendré une facture de calcul de 1 741 dollars.
Un fossé subsiste encore entre la capacité opérationnelle et la rentabilité économique. Néanmoins, du côté des tarifs API, Alibaba facture 2 dollars par million de tokens en entrée et 6 dollars par million de tokens en sortie, soit nettement moins que les modèles américains équivalents. De plus, Alibaba a annoncé l’ouverture du code de ses poids la semaine prochaine — une première pour un modèle phare de catégorie Max. L’open source permettra à toute entreprise de déployer le modèle localement, ce qui fera baisser encore davantage les coûts d’exploitation.
Quels sont les sujets de débat dans la communauté ?
Face au resserrement des scores au sommet, les discussions s’intensifient sur Hacker News. Certains y voient la preuve d’un phénomène de « distillation » : les écarts se réduisent parce que les petits modèles s’entraînent sur les sorties des grands modèles. D’autres répliquent qu’entraîner un modèle sur les résultats d’un autre n’a rien d’illégal et s’apparente au processus d’apprentissage humain.
Des ingénieurs partagent également leurs retours d’expérience financière : après avoir dépensé 15 dollars sur DeepSeek pour mener à bien des projets complexes, plusieurs ont remis en question leur abonnement mensuel de 200 dollars auprès d’OpenAI. Si ces témoignages individuels ne constituent pas une preuve statistique, la multiplication de ces retours modifie progressivement les attentes du marché.
Les débats juridiques constituent un autre axe. Certains commentaires rappellent les accords passés par de grands groupes américains sans reconnaissance de culpabilité, laissant planer des questions sur la propriété intellectuelle. D’autres estiment que cette convergence des scores indique que les capacités des grands modèles de langage touchent à un plateau temporaire. L’existence d’un tel plateau sera confirmée ou infirmée lors des prochaines révisions de benchmarks avec des épreuves plus exigeantes.
Ce que cela change pour l’utilisateur au quotidien
Pour l’utilisateur ordinaire, l’élément essentiel de cette compétition se situe au-delà des chiffres du classement.
Au cours des deux dernières années, l’IA fournissait des réponses : rédiger un texte ou répondre à un problème. Désormais, elle commence à livrer des résultats : transmettez-lui des justificatifs, elle les organise dans un tableau et vous l’envoie par e-mail ; indiquez un déplacement professionnel, elle recherche les vols de manière autonome, compare les tarifs et effectue la réservation. L’intégration de ces fonctionnalités agentielles dans nos applications mobiles n’est plus qu’une question de temps.
Les classements continueront de fluctué. Cependant, le cap est désormais fixé : la prochaine ère de l’intelligence artificielle appartiendra aux modèles capables de mener le travail à son terme.
Liens de référence :
- Artificial Analysis: Classement Agentic Index
- Discussion sur HN (item?id=49200652)
- Blog officiel Alibaba Cloud / Qwen
- Couverture par MarkTechPost
- Rapport d’évaluation VentureBeat
