Programmation — L'IA qui écrit du code de production

Le nouveau roi du coding agentique. Le modèle de classe Mythos d'Anthropic ne se contente pas de dominer les benchmarks — il les réécrit. SWE-Bench Pro à 80,3% pulvérise le peloton. FrontierCode Diamond à 29,3%, c'est 5× GPT-5.5. Stripe a migré 50 millions de lignes de Ruby en une journée. Économe en tokens, natif en vision et conçu pour le genre de travail d'ingénierie à long horizon qui sépare les outils des coéquipiers.

SWE-Bench Pro 80,3% (SOTA — 21,7 points au-dessus de GPT-5.5). FrontierCode Diamond 29,3% (5× les 5,7% de GPT-5.5, 2× les 13,4% d'Opus 4.8). CursorBench SOTA. Senior Engineer Benchmark 91/100 (vs 62/100 pour GPT-5.5). Migration d'une base de code de 50M de lignes en un jour. Complétion de jeu en vision seule. Intégration Claude Code. Contexte d'1M.

Tarif premium à 10 $/50 $ par M de tokens (2× Opus 4.8). Les garde-fous conservateurs redirigent <5% des sessions vers Opus 4.8 (sujets cybersécurité, biologie). Benchmarks indépendants encore en cours. Limites d'utilisation en période de forte demande sur les plans Pro/Max. S'exprime le mieux via Claude Code ou des IDE compatibles.

Le modèle de programmation agentique qui ne se contente pas d'autocompléter — il planifie, utilise des outils, débogue entre les fichiers et termine la tâche du dépôt chaotique pendant que vous promenez le chien. Terminal-Bench 82,7 % n'est pas une faute de frappe.

Terminal-Bench 2.0 82,7 % (écrase les 69,4 % d'Opus 4.7) ; Expert-SWE 73,1 % sur des tâches de 20 heures ; FrontierMath Tier 4 35,4 % ; ~40 % de tokens de sortie en moins ; contexte de 1M avec utilisation native d'outils et intégration Codex.

Prix API multiplié par 2 (5 $/30 $ par 1M de tokens) ; derrière Claude Opus 4.7 sur SWE-Bench Pro (58,6 % vs 64,3 %) ; API non disponible au lancement ; rapports précoces d'hallucination nécessitent vérification.

Le nouveau standard d'excellence pour l'ingénierie logicielle agentique — plus rapide, plus honnête et radicalement meilleur pour rester sur les rails lors de tâches complexes et de longue durée. SWE-Bench Pro 69,2% ne bat pas seulement tous les autres modèles — il bat son propre prédécesseur de près de 5 points. Dynamic Workflows déploient des centaines d'agents parallèles. Et un système d'auto- vérification 4× moins susceptible de laisser passer du code buggé. Pas une mise à jour incrémentale — le modèle qu'Opus 4.7 aurait dû être.

SWE-Bench Pro 69,2% (nouveau SOTA — bat le 58,6% de GPT-5.5 et le 64,3% de son prédécesseur Opus 4.7 par une marge massive). CursorBench le plus performant à tous les niveaux d'effort. 100% end-to-end sur le benchmark Super-Agent (seul modèle). Dynamic Workflows pour les tâches de grandes bases de code. Même tarif qu'Opus 4.7 ($5/$25). Disponible partout : Claude.ai, API, Bedrock, Vertex, GitHub Copilot.

Toujours des tarifs premium ($5/$25 par 1M de tokens — comme 4.7, mais l'output est moins cher que les $30 de GPT-5.5). Les traces de raisonnement plus longues sur les problèmes difficiles augmentent la latence et la consommation de tokens. Le tokenizer peut encore gonfler les coûts de 15–35% sur les prompts lourds en code. Les garde-fous de sécurité restent stricts. GPT-5.5 mène toujours sur Terminal-Bench (78,2% vs 74,6%). Meilleure expérience dans Claude Code ou les IDE compatibles.

Le modèle open-weight de Zhipu AI vient de prendre la place #1 sur Design Arena — le premier modèle ouvert à dominer ce classement. SWE-bench Pro 62,1%, Terminal-Bench 82,7, FrontierSWE 74,4% (1% derrière Opus 4.8). AkitaOnRails est passé de 46/100 à 87/100 — la plus grande amélioration intra-famille jamais enregistrée. Licence MIT, contexte 1M tokens, deux niveaux de raisonnement.

Design Arena #1 (Elo 1360 — a surpassé Claude Fable 5), AkitaOnRails 87/100 Tier A (+41 depuis GLM-5.1), SWE-bench Pro 62,1% (bat GPT-5.5 et Qwen 3.7 Max), Terminal-Bench 82,7 (Claude Code — devant Opus 4.8), FrontierSWE 74,4%. Modèle open-source le mieux classé. Licence MIT sans restrictions.

Derrière les leaders fermés sur les benchmarks de profondeur — Opus 4.8 mène sur SWE-bench Pro (69,2 vs 62,1) et NL2Repo (69,7 vs 48,9). Architecture 744B MoE nécessite du matériel sérieux. Pas de vision native. lmarena général : position haute-moyenne.