Quel est le meilleur LLM pour suivre des consignes en 2026 ?
Classement indépendant des LLM sur le respect strict des instructions : format, contraintes, étapes — la compétence invisible des pipelines fiables .
Suivre une consigne à la lettre — le bon format, les bonnes contraintes, les bonnes étapes dans le bon ordre — est la compétence invisible qui fait ou défait un pipeline de production. Un modèle brillant qui invente une section que vous n’avez pas demandée ou ignore une contrainte de format vous coûte plus cher qu’un modèle moyen qui obéit. La catégorie Instruction Following de notre benchmark indépendant mesure précisément cette discipline.
Le podium : les 3 meilleurs modèles en le suivi de consignes
Leader incontesté de la catégorie, Google doit sa place à une régularité sur toutes les sous-tâches avec un sommet à summarize (88/100). Coût : $0.307/tâche réussie, dans la fourchette des leaders.
79,9 de Google — à 1,5 points du leader, fort en summarize (85/100). Coût : $0.157/tâche réussie, dans la fourchette des leaders.
79,1 de Google — à 2,3 points du leader, fort en summarize (88/100). Coût : $0.285/tâche réussie, dans la fourchette des leaders.
Classement Instruction Following complet — top 15
| # | Modèle | Org | Score | Coût/tâche |
|---|---|---|---|---|
| 1 | gemini-3.8-flash-high | 81,4 | $0.307 | |
| 2 | gemini-3.7-flash-high | 79,9 | $0.157 | |
| 3 | gemini-3.1-pro-preview-high | 79,1 | $0.285 | |
| 4 | muse-spark-1.3-xhigh | Other | 78,0 | $0.219 |
| 5 | qwen3.8-flash-nextopen | Alibaba | 77,1 | $0.042 |
| 6 | claude-fable-5-max-effort | Anthropic | 75,8 | $1.478 |
| 7 | gemini-3.5-flash-high | 75,6 | $0.249 | |
| 8 | gpt-6-astra-max | OpenAI | 75,6 | $0.736 |
| 9 | gemini-3.6-flash-high | 75,4 | $0.235 | |
| 10 | muse-spark-1.2-xhigh | Other | 74,3 | $0.375 |
| 11 | qwen3.8-maxopen | Alibaba | 74,1 | $0.275 |
| 12 | qwen3.7-maxopen | Alibaba | 74,0 | $0.182 |
| 13 | smaug-mini | Other | 73,9 | $0.099 |
| 14 | nemotron-3-ultra-550b-a55bopen | NVIDIA | 73,4 | $0.371 |
| 15 | claude-fable-5-1-max-effort | Anthropic | 73,0 | $1.212 |
Scores sur 100, release du 2026-06-25. Coût = dollars par tâche réussie (plus bas est mieux). 57 modèles classés dans cette catégorie. Voir le benchmark complet →
💚 Le choix qualité/prix : qwen3.8-flash-next (Alibaba)
À $0.042 la tâche réussie, qwen3.8-flash-next atteint 77,1 de score — soit 95 % de la performance du leader pour 14 % de son prix. Et ses poids ouverts permettent de l’auto-héberger.
Comment nous mesurons cette catégorie
Les tâches donnent des instructions composées (rédigez X en respectant Y contraintes vérifiables) et notent automatiquement le respect de chaque contrainte : longueur, format, mots imposés ou interdits, structure. Chaque violation est comptabilisée. C’est la catégorie la plus prédictive de la fiabilité en contexte automatisé.
simplify
story generation
summarize
Si vous générez du JSON, des formulaires, des documents structurés ou des prompts en chaîne, cette catégorie devrait être votre premier critère — avant même le score général. Les écarts y sont faibles entre leaders, mais la queue du classement est éliminatoire : sous 60, un pipeline devient imprévisible.
Comment lire ce classement
Ce classement porte sur 57 modèles évalués sur la même release, et l’écart entre le premier et le dernier atteint 28,6 points — de quoi séparer fortement les usages professionnels des usages occasionnels. La médiane de la catégorie s’établit à 69,3 : tout modèle sous ce seuil devra prouver qu’il compense par le prix ou la spécialisation. On note aussi une domination de OpenAI dans le haut du tableau (10 modèles dans le top 11), signe que cette compétence récompense des choix d’architecture précis plutôt qu’un simple agrandissement du modèle. Enfin, rappelez-vous qu’un score de catégorie n’est jamais une moyenne de tout : un modèle excellent ici peut rester moyen ailleurs — les six autres classements sont là pour ça.
Ce qui a bougé depuis la release précédente
Le leader actuel (gemini-3.8-flash-high, Google) est une nouvelle entrée dans le classement : il n’était pas évalué sur la release 2026-01-08. C’est le signe d’une catégorie en pleine recomposition.
Notre recommandation
En résumé : pour la performance pure, gemini-3.8-flash-high (Google) domine la catégorie avec 81,4/100 — soit 4,3 points de marge sur le 5ᵉ (qwen3.8-flash-next), un écart qui se retrouve dans la qualité réelle des livrables sur les tâches longues. Pour un budget serré, qwen3.8-flash-next ($0.042) est le meilleur score sous 0,10 $/tâche (77,1/100). Enfin, 16 modèles sur 57 sont en poids ouverts : si la confidentialité de vos données est un impératif, l’auto-hébergement est une voie réaliste dans cette catégorie. Comparez toujours deux axes — le score et le coût par tâche réussie — c’est là que se joue votre choix.
Questions fréquentes
Quel est le meilleur LLM pour le suivi de consignes en 2026 ?
Selon notre benchmark (release 2026-06-25), c’est gemini-3.8-flash-high (Google) avec un score de 81,4/100, devant gemini-3.7-flash-high (79,9)..
Quelle option gratuite ou économique pour le suivi de consignes ?
À $0.042 la tâche réussie, qwen3.8-flash-next (Alibaba) reste à 77,1 de score — la meilleure performance par euro dépensé de la catégorie, avec en plus des poids ouverts auto-hébergeables.
L’écart entre le premier et le dixième est-il sensible en pratique ?
Il est de 7,1 points entre gemini-3.8-flash-high (81,4) et le 10ᵉ muse-spark-1.2-xhigh (74,3). Sur une tâche isolée, la différence passe souvent inaperçue ; sur un volume de milliers d’appels ou des enchaînements longs, ces points deviennent des taux de réussite différents — et un budget différent.
Comment ce classement est-il produit ?
iatrust publie des scores de benchmark indépendants dont les questions sont renouvelées pour éviter la contamination des données d’entraînement, avec une correction automatique. Nous n’ajoutons aucun jugement subjectif dans les scores ; les verdicts sont calculés à partir des sous-tâches et des coûts mesurés. La page est régénérée automatiquement à chaque nouvelle release.
Comparez les 57 modèles sur 23 tâches
Classement complet, sous-tâches dépliables, coût par tâche, historique des releases.