TL;DR : Nous avons testé chaque modèle de codage IA majeur à travers des tâches réelles Solutions Technologiques Mercury tâches de développement — front-end et back-end. Le classement : Fable > Kimi K3 > Claude Opus 4.8 > Grok 4.5 > Codex 5.5 > Kimi 2.7 > Claude Opus 4.6 > GLM 5.2 > MiniMax. Fable a gagné. Pas parce que c'est le plus grand modèle, mais parce qu'il comprend à quoi ressemble "terminé".
James ici, PDG de Solutions Technologiques Mercury. Depuis mon bureau à Cyberport, Hong Kong — 17 juillet 2026
J'ai passé les deux dernières semaines à faire quelque chose que j'aurais dû faire il y a des mois : tester chaque modèle de codage AI majeur sur des travaux réels.
Pas des benchmarks. Pas LeetCode. Pas "écrire une fonction Python pour trier une liste." Du travail réel. Des composants React qui doivent gérer des cas particuliers. Des points de terminaison API qui doivent s'intégrer avec des services tiers. Des migrations de base de données qui ne peuvent pas perdre de données. Les trucs qui cassent réellement en production.
Voici ce que nous avons appris.
La méthodologie : Pas de benchmarks, juste des batailles
Nous avons donné à chaque modèle les mêmes tâches :
1. Front-end :Construisez un tableau de bord réactif avec visualisation des données en temps réel, gestion des erreurs et conformité en matière d'accessibilité
2. Back-end :Concevez une API avec limitation de taux, authentification, mise en cache et dégradation gracieuse sous charge
3. Intégration :Connectez les deux avec des types TypeScript appropriés, des limites d'erreur et des états de chargement
Pas de guidage. Pas de "pensez étape par étape". Juste les spécifications qu'un ingénieur senior recevrait le lundi matin.
Nous avons évalué sur quatre dimensions :
• Exactitude : Fonctionne-t-il sans bugs ?
• Exhaustivité : Gère-t-il les cas limites, ou seulement le chemin heureux ?
• Maintenabilité : Un autre ingénieur peut-il lire et modifier cela dans six mois ?
• Vitesse : Combien de temps entre la demande et le code prêt à être expédié ?
Les Classements : Ce qui a gagné et pourquoi
1. Fable — Le cheval noir qui est "Fait"
Fable est en tête de notre liste, et honnêtement, je ne m'y attendais pas. Ce n'est pas le modèle le plus médiatisé. Il n'a pas le plus grand nombre de paramètres. Mais voici ce que Fable fait mieux que quiconque : il comprend la différence entre "du code qui compile" et "du code qui est déployé."
Pour notre tâche front-end, Fable a généré des limites d'erreur sans qu'on lui demande. Il a ajouté des squelettes de chargement. Il a inclus des étiquettes ARIA appropriées pour les lecteurs d'écran. Lorsque nous avons demandé le back-end, il a construit une limitation de taux avec des disjoncteurs et des stratégies de secours pour lorsque le cache échoue.
C'est le modèle qui pense comme un ingénieur senior, pas un junior qui vient d'apprendre la syntaxe.
La vitesse était également ridicule. Fable a complété notre suite de trois tâches en 12 minutes. Le suivant le plus rapide était Kimi K3 en 18 minutes.
Pourquoi Fable gagne : Il génère du code prêt pour la production. Pas de code de démonstration. Pas de code de tutoriel. Du code qui gère les cas limites auxquels vous ne pensez qu'après votre première panne de production.
2. Kimi K3 — Le cheval de bataille fiable
Kimi K3 est le modèle en lequel j'ai réellement confiance pour le code de production. Il n'est pas aussi "intelligent" que Fable — il ne vous surprendra pas avec des solutions élégantes auxquelles vous n'avez pas pensé. Mais il ne vous surprendra pas avec des bugs non plus.
La fenêtre de contexte de 1M est la véritable fonctionnalité killer. Nous lui avons fourni l'ensemble de notre code (47K lignes) et lui avons demandé d'ajouter une fonctionnalité. Il a compris les motifs, suivi les conventions et généré un code qui ressemblait à celui écrit par notre équipe.
Où Kimi K3 brille : Tâches à long contexte, refactorisation de code hérité, maintien de la cohérence à travers de grands projets. C'est le modèle que vous voulez lorsque "ça fonctionne" compte plus que "wow".
Le compromis :K3 est plus lent que Fable sur des tâches de greenfield. Il faut du temps pour lire le contexte, comprendre les modèles et générer du code qui convient. Mais ce temps est rentable lorsque vous ne passez pas trois jours à déboguer des échecs d'intégration mystérieux.
3. Claude Opus 4.8 — Le Théoricien
Opus 4.8 est le modèle le plus intelligent de la pièce. Il expliquera pourquoi votre architecture est erronée, suggérera trois meilleures alternatives et écrira un livre blanc sur les compromis. C'est aussi le modèle le plus susceptible de sur-ingénier un simple point de terminaison CRUD en un système distribué avec sourcing d'événements.
Le Problème Opus : Il est trop réfléchi. Pour une tâche qui devrait prendre 30 minutes, Opus 4.8 passera 20 minutes sur le document de conception, 15 minutes sur l'implémentation, puis suggérera de refactoriser l'ensemble du code pour correspondre au nouveau modèle.
Lorsque vous avez besoin d'un raisonnement approfondi — algorithmes complexes, décisions architecturales, analyse de sécurité — Opus 4.8 est inégalé. Lorsque vous devez expédier d'ici vendredi, c'est un inconvénient.
Vérification de la réalité des coûts : Opus 4.8 est cher. Comme, "peut-être devrions-nous juste embaucher un autre ingénieur" cher. À 65,75 $ par 1000 tâches sur le classement Aider, c'est un outil premium pour des problèmes premium.
4. Grok 4.5 — Le démon de la vitesse avec un avertissement
Grok 4.5 est rapide. Comme, en fait rapide. Il a généré notre tâche front-end en moins de 8 minutes. Le code fonctionnait. Il avait l'air bien.
Mais lorsque nous avons testé le back-end sous pression — en le frappant avec des requêtes concurrentes, en simulant des échecs de cache, en testant des cas limites — le code de Grok a commencé à se fissurer. Il a géré le chemin heureux à merveille. Les chemins malheureux ? Pas tant que ça.
Grok est le modèle pour le prototypage, pas pour la production.Si vous devez valider une idée en un après-midi, Grok le fait. Si vous avez besoin de dormir paisiblement en sachant que votre API ne va pas fondre à 3 heures du matin, cherchez ailleurs.
Le facteur xAI :L'intégration de Grok avec les données X/Twitter lui donne un avantage en matière de contexte en temps réel. Mais pour le codage pur, cet avantage ne se traduit pas par une meilleure qualité de code.
5. Codex 5.5 — Le Spécialiste
Codex 5.5 est ce qui se passe lorsque vous optimisez un modèle pour une seule chose et une seule chose : la génération de code. C'est le meilleur pur codeur de cette liste. La syntaxe est parfaite. Les motifs sont idiomatiques. Les noms de variables ont réellement du sens.
Mais demandez-lui d'expliquer pourquoi il a choisi une approche particulière, ou de considérer les implications commerciales d'une décision technique, et il se tait. Codex écrit du code. Il ne réfléchit pas au code.
Utilisez Codex lorsque : Vous savez exactement ce que vous voulez et avez juste besoin qu'il soit tapé rapidement. C'est l'autocomplétion la plus chère au monde — et parfois, c'est exactement ce dont vous avez besoin.
L'écosystème OpenAI : Codex 5.5 brille lorsque vous êtes déjà dans l'écosystème OpenAI. L'intégration avec ChatGPT, la familiarité avec les sorties de style GPT, l'API cohérente — c'est un choix confortable, pas audacieux.
6. Kimi 2.7 — Le vétéran solide
Kimi 2.7 est le modèle que nous avons utilisé avant l'existence de K3. Il est fiable, cohérent et prévisible. Il ne vous épatera pas, mais il ne fera pas exploser votre code non plus.
L'évaluation honnête : Si vous avez accès à K3, il n'y a aucune raison d'utiliser 2.7. La fenêtre de contexte seule (256K contre 1M) fait de K3 une catégorie d'outil différente. Mais pour les équipes sur des plans plus anciens ou avec des intégrations héritées, 2.7 est toujours un ingénieur parfaitement compétent.
Le prix est juste : À 1,24 $ par 1000 tâches sur le tableau de classement Aider, Kimi 2.7 est le champion du budget. Ce n'est pas le meilleur, mais c'est le meilleur valeur pour les équipes qui n'ont pas besoin de la pointe de la technologie.
7. Claude Opus 4.6 — La génération précédente
Opus 4.6 ressemble à un aperçu de l'éclat de 4.8 sans le raffinement. Il a la même tendance à trop réfléchir, mais avec moins de précision. La même ambition architecturale, mais avec plus de bugs.
À éviter. Si vous êtes dans l'écosystème Anthropic, allez directement à 4.8. L'écart entre 4.6 et 4.8 n'est pas incrémental — c'est une classe de modèle différente.
8. GLM 5.2 — Le Concurrent Régional
GLM 5.2 est le meilleur modèle dont vous n'avez jamais entendu parler — à moins que vous ne soyez en Chine. Il a géré nos exigences en langue chinoise mieux que n'importe quel modèle occidental, et sa compréhension des écosystèmes API locaux (WeChat, Alipay, DingTalk) est vraiment impressionnante.
Mais pour le développement général ? C'est correct. Pas génial. Correct. Le code fonctionne, mais il est conservateur. Il ne suggérera pas de modèles modernes. Il ne s'optimisera pas pour la performance. Il vous donnera une solution qui compile et s'exécute, vers 2022.
L'angle Zhipu AI : GLM est soutenu par Zhipu AI, l'un des principaux laboratoires LLM de Chine. Pour les équipes développant pour le marché chinois, la sensibilisation culturelle et réglementaire de GLM est un véritable avantage. Pour tout le monde, c'est une curiosité.
9. MiniMax — Le Travail en Cours
MiniMax a atterri en bas de notre liste, et je me sens mal à ce sujet car l'équipe essaie clairement. Mais essayer ne signifie pas livrer.
Le code généré était... fonctionnel. Il a été compilé. Il a été exécuté. Mais il a manqué des cas limites que tous les autres modèles ont détectés. La gestion des erreurs était minimale. Les types TypeScript étaient lâches. Lorsque nous lui avons demandé de refactoriser pour la performance, il a ralenti le code.
MiniMax pourrait y arriver.Mais pour l'instant, il n'est pas prêt pour le développement en production.
Le paysage des LLM chinois :MiniMax fait partie d'un domaine encombré qui inclut Qwen, DeepSeek et GLM. Dans cette entreprise, il a du mal à se différencier. L'écart de qualité de code entre MiniMax et DeepSeek-V3.2 (74,2 % sur Aider) est frappant.
Le modèle dont personne ne parle
Voici ce qui m'a le plus surpris : les meilleurs modèles ne sont pas les plus grands modèles.
Fable ne fonctionne pas avec le plus grand nombre de paramètres. Kimi K3 n'est pas le plus coûteux à faire fonctionner. Mais tous deux comprennent quelque chose que les modèles plus grands manquent : l'expédition est un état d'esprit, pas une capacité.
Les modèles qui ont dominé notre liste partagent une caractéristique : ils génèrent du code comme si quelqu'un d'autre devait le maintenir. Ils ajoutent des commentaires. Ils gèrent les erreurs. Ils pensent aux cas limites qui ne se présentent qu'à 2 heures du matin un samedi.
Les modèles qui ont échoué ? Ils ont généré du code comme lors d'un entretien de codage — résoudre le problème, réussir le test, passer à autre chose. Ce n'est pas ainsi que fonctionne le logiciel. C'est ainsi que le logiciel se casse.
**Le Principe de l'Expédition :** Le meilleur code n'est pas le code le plus astucieux. C'est le code qui a encore du sens lorsque l'auteur original est en vacances et que la base de données de production est en feu.
Ce que disent les Benchmarks (et pourquoi nous les avons ignorés)
J'ai mentionné que nous n'avons pas utilisé de benchmarks. Mais je les ai vérifiés après nos tests, pour voir si notre expérience correspondait aux données du classement.
Les classements LLM Aider (aider.chat/docs/leaderboards) racontent une histoire intéressante :
| Modèle | Score Aider | Coût par 1K Tâches | Style | |-------|-------------|-------------------|-------| | GPT-5 (élevé) | 88.0% | 29,08 $ | diff | | o3-pro (élevé) | 84.9% | 146,32 $ | diff | | Gemini 2.5 Pro (32k réflexion) | 83.1% | 49,88 $ | diff-fenced | | Grok 4 (élevé) | 79.6% | 59,62 $ | diff | | DeepSeek-V3.2-Exp | 74.2% | 1,30 $ | diff | | Claude Opus 4 (32k réflexion) | 72.0% | 65,75 $ | diff | | Kimi K2 | 59.1% | 1,24 $ | diff | | Grok 3 Beta | 53.3% | 11,03 $ | diff | | GPT-4.1 | 52.4% | 9,86 $ | diff | | Claude 3.5 Sonnet | 51.6% | 14,41 $ | diff |
Le modèle : Les modèles les plus chers (o3-pro à 146,32 $, Opus 4 à 65,75 $) ne garantissent pas les meilleurs résultats. GPT-5 à 29,08 $ surpasse les deux. DeepSeek à 1,30 $ délivre 74,2 % — presque à égalité avec les 72,0 % d'Opus 4 pour 1/50 du coût.
Notre expérience correspond à cela. Fable et Kimi K3 ne sont pas les modèles les plus chers que nous avons testés. Mais ce sont ceux qui ont constamment livré du code expédiable.
Ce que cela signifie pour votre équipe
Si vous construisez des logiciels en 2026, voici mon conseil :
1. Utilisez Fable pour des projets greenfield.Lorsque vous partez de zéro et devez avancer rapidement sans tout casser, l'intuition de "senior engineer" de Fable est inégalée.
2. Utilisez Kimi K3 pour le travail hérité.La fenêtre de contexte de 1M signifie qu'il peut réellement comprendre votre code existant, pas seulement générer du nouveau code qui ignore vos conventions.
3. Utilisez Opus 4.8 pour les décisions d'architecture.Lorsque vous concevez des systèmes qui doivent évoluer, lorsque la sécurité compte, lorsque vous prenez des paris techniques à un million de dollars — la profondeur d'Opus vaut la peine d'être réfléchie.
4. Arrêtez d'utiliser tout le reste pour la production.Grok pour les prototypes. Codex pour l'autocomplétion. Mais ne livrez pas leur code aux utilisateurs sans une sérieuse révision.
5. Considérez l'équation des coûts.Chez Mercury, nous exécutons plusieurs modèles en parallèle pour des tâches critiques. Le coût d'utilisation de Kimi K3 (1,24 $/1K tâches) contre Opus 4.8 (65,75 $/1K tâches) signifie que nous pouvons nous permettre d'itérer 50 fois plus pour le même budget. Ce n'est pas seulement moins cher — c'est plus rapide.
La Grande Image
Nous observons la marchandisation du codage en temps réel. L'écart entre "Je peux écrire du code" et "Je peux expédier des produits" se réduit. Un seul Builder avec Fable ou Kimi K3 peut faire ce qui nécessitait auparavant une équipe de cinq.
Mais voici le truc : les modèles s'améliorent à coder plus vite que la plupart des ingénieurs ne s'améliorent à les utiliser.
Les ingénieurs qui prospèrent en 2026 ne sont pas ceux qui écrivent le plus de lignes. Ce sont ceux qui posent les bonnes questions, examinent le code généré de manière critique et savent quand accepter la suggestion de l'IA et quand la contourner.
Le modèle est l'outil. Le jugement vous appartient toujours.
Ou comme dirait Yang Wen-li : "La manière la plus efficace de gagner est de faire perdre à l'ennemi sa volonté de se battre." En 2026, l'ennemi est la complexité. Les modèles qui gagnent sont ceux qui rendent la complexité gérable.
Solutions Technologiques Mercury: Accélérez la Digitalité.
