Modèles & pricing

Facturation en crédits prépayés (€). Votre première organisation démarre avec 5 € offerts ; ensuite, rechargez depuis le portail ou contactez-nous. Prix au million (M) de tokens. Grille indicative, susceptible d’évoluer.

Pour choisir un modèle selon l’usage, voir le banc d’essai des modèles : méthodologie, résultats du dernier relevé et recommandations.

Conversation

Modèle	model (API)	Souverain	Lit les images	Contexte	Entrée	Sortie
GPT-OSS 20B	gpt-oss-20b	✅	—	131k	0,048 €/M	0,18 €/M
GPT-OSS 120B	gpt-oss	✅	—	131k	0,096 €/M	0,48 €/M
Qwen3.5 9B	qwen-9b	✅	✅	262k	0,12 €/M	0,18 €/M
Ministral 3 (3B)	ministral	✅	—	131k	0,132 €/M	0,132 €/M
Ministral 3 (8B)	ministral-8b	✅	✅	262k	0,198 €/M	0,198 €/M
Mistral Small 4	mistral-small	✅	✅	262k	0,198 €/M	0,792 €/M
Ministral 3 (14B)	ministral-14b	✅	✅	262k	0,264 €/M	0,264 €/M
Gemma 4 26B	gemma	✅	✅	262k	0,30 €/M	0,60 €/M
Qwen3.6 35B	qwen-small	✅	✅	262k	0,30 €/M	1,80 €/M
DeepSeek V4 Flash	deepseek-v4-flash	✅	—	262k	0,48 €/M	0,96 €/M
Qwen3.8 27B	qwen-27b	✅	✅	262k	0,48 €/M	3,24 €/M
Mistral Large 3	mistral-large	✅	✅	262k	0,66 €/M	1,98 €/M
Qwen3.5 397B	qwen-large	✅	✅	250k	0,72 €/M	4,32 €/M
Llama 3.3 70B	llama-70b	✅	—	131k	0,804 €/M	0,804 €/M
GLM 5.3 (Z.ai)	glm	✅	—	1 M	1,848 €/M	5,808 €/M
Mistral Medium 3.5	mistral-medium	✅	✅	262k	1,98 €/M	9,90 €/M

Modèles cloud frontière, hors UE (sur autorisation du compte)

Les modèles frontière des grands éditeurs, parmi les plus capables du marché, servis hors de l’Union européenne. Ils ne sont proposés qu’aux comptes qui les ont autorisés (voir Modèles cloud frontière hors UE ci-dessous) ; sans cette autorisation, toute requête qui les nomme est refusée. Ils ne sont pas évalués par notre banc d’essai.

Modèle	model (API)	Données traitées	Lit les images	Contexte	Entrée	Sortie
Claude Haiku 4.5	claude-haiku	États-Unis (Anthropic)	✅	200k	1,20 €/M	6,00 €/M
DeepSeek V4.1 Flash	deepseek-v41-flash	Chine (DeepSeek)	—	1 M	0,36 €/M	1,44 €/M
DeepSeek V4 Pro	deepseek-v4-pro	Chine (DeepSeek)	—	1 M	1,584 €/M	4,752 €/M
Claude Sonnet 5	claude-sonnet	États-Unis (Anthropic)	✅	1 M	2,40 €/M	12,00 €/M
Claude Opus 5.5	claude-opus	États-Unis (Anthropic)	✅	1 M	4,80 €/M	24,00 €/M
Claude Fable 5.1	claude-fable	États-Unis (Anthropic)	✅	1 M	12,00 €/M	60,00 €/M

Code

Modèle	model (API)	Souverain	Lit les images	Contexte	Entrée	Sortie
Codestral	codestral	✅	—	256k	0,396 €/M	1,188 €/M

Embeddings

Modèle	model (API)	Souverain	Dimensions	Entrée	Sortie
BGE-M3	bge-embed	✅	1024	0,012 €/M	—
Mistral Embed	mistral-embed	✅	1024	0,132 €/M	—
Qwen3 Embed	qwen-embed	✅	1024	0,120 €/M	—
Codestral Embed	codestral-embed	✅	1536	0,198 €/M	—

mistral-small est le modèle par défaut de l’API : c’est lui qui répond à une requête qui ne nomme pas de model (le plus rapide et le moins cher sur du travail réel). L’assistant, le bac à sable et le copilote démarrent sur gemma, le plus fiable du catalogue sur les cas complexes, tant que l’organisation n’en règle pas un autre. ministral est le plus économique, bon pour la classification et le routage ; ses variantes 8B et 14B offrent le double de contexte pour quelques centimes de plus. mistral-medium raisonne le mieux et mistral-large tient les longs enchaînements d’outils, mais il répond nettement plus lentement : réservez-le aux traitements différés.

glm (GLM 5.3, un modèle à poids ouverts de Z.ai que Mistral héberge sur le même endpoint régional) est là pour sa fenêtre de contexte : un million de tokens, quatre fois celle des autres modèles servis en UE. Voyez l’encadré ci-dessous avant d’y verser un très gros document.

Les autres sont des modèles à poids ouverts, servis depuis des serveurs français : Paris pour gemma, qwen-small, qwen-large, deepseek-v4-flash et qwen-embed, Gravelines pour gpt-oss, gpt-oss-20b, qwen-9b, qwen-27b, llama-70b et bge-embed.

gpt-oss-20b et gpt-oss sont les moins chers du catalogue ; qwen-9b est le plus économique de ceux qui lisent les images ; qwen-small est taillé pour les enchaînements d’outils à faible coût ; qwen-large reste le plus capable. Tous raisonnent avant de répondre, ce qui améliore les réponses difficiles mais consomme des tokens de sortie : voyez l’encadré ci-dessous si vous voulez couper. llama-70b fait exception — il n’a pas de réglage de raisonnement — et n’est présent que pour les projets qui exigent cette famille de modèles.

Un million de tokens de contexte : ce que nous avons mesuré

glm accepte bien une requête d’un million de tokens, nous l’avons envoyée. Mais accepter un contexte et le lire avec exactitude sont deux choses. Sur un registre généré de plusieurs milliers de fiches, six questions à réponse connue, deux séries par taille :

Contexte envoyé	Réponses justes	Durée, premier appel	Durée, appel suivant
120 000 tokens	6 / 6	18 s
300 000 tokens	5 / 6 et 6 / 6	56 s	26 s
600 000 tokens	5 / 6 et 5 / 6	99 s	17 s
1 010 000 tokens	3 / 6 et 3 / 6	217 s	40 s

Ce qui tient le mieux : recenser (les fiches d’un statut, huit ou neuf retrouvées sur neuf à chaque taille ; les deux fiches d’une même personne, toujours). Ce qui se dégrade : retrouver une valeur précise d’une fiche désignée, surtout au milieu du contexte. Passé 300 000 tokens, la réponse fausse arrive sans avertissement ; dans le cas que nous avons vérifié, c’était la valeur d’une autre fiche. Pour une recherche de ce genre dans un grand volume, une base de connaissance reste plus sûre qu’un contexte géant.

Le cache d’entrée joue ici pleinement : un contexte déjà envoyé est refacturé à 10 % au tour suivant (le million de tokens a coûté 1,86 € au premier appel et 0,22 € au second, à nos prix de vente). Il a tenu neuf minutes entre deux appels dans nos essais, et n’était plus là au bout de vingt-sept.

Relevé du 13 octobre 2026, une à deux exécutions par taille : une tendance, pas une garantie.

« Lit les images » ne veut pas dire « génère des images »

Un ✅ dans cette colonne signifie que vous pouvez envoyer une image au modèle — capture d’écran, scan, photo d’un document — et lui poser une question dessus. Aucun modèle du catalogue ne produit d’images : ce sont des modèles de texte.

Trois embeddings, deux dimensions

Ce qui compte pour une base de connaissance, c’est le nombre de dimensions du vecteur : nos bases sont en 1024. bge-embed (le défaut d’une base neuve), mistral-embed et qwen-embed rendent tous 1024 dimensions et peuvent donc vectoriser une base : le choix se fait à la création de la base, par le champ embed_model de POST /v1/kb (cf. Modèle d’embedding de la base), dans la modale « Nouvelle base » du portail, ou dans le module Create a Knowledge Base de Make et Zapier. codestral-embed en rend 1536 : il s’adresse à l’indexation de code, reste appelable via /v1/embeddings, mais est refusé pour une base.

Attention : même à dimensions égales, deux modèles d’embeddings ne partagent pas le même espace vectoriel. Passer une base de mistral-embed à qwen-embed impose de la ré-indexer entièrement ; on ne bascule pas de l’un à l’autre en cours de route, et l’API refuse de modifier embed_model sur une base existante.

GET /v1/pricing porte la dimension de chaque modèle d’embedding dans dimensions (null sur un modèle de chat).

Par défaut, toute l’inférence est traitée dans l’Union européenne

Le catalogue souverain s’appuie sur trois fournisseurs, tous en UE. Les modèles cloud frontière hors UE (ci-dessous) ne sont servis qu’aux comptes qui les ont explicitement autorisés.

Les modèles mistral-*, ministral*, codestral* et glm passent par l’endpoint régional UE de Mistral (api.eu.mistral.ai), et non par son endpoint global : l’inférence est traitée par des systèmes situés dans l’UE, avec l’engagement contractuel du fournisseur, pas seulement par défaut. Ce choix nous coûte 10 % de plus à l’achat, et la grille ci-dessus en tient compte.

Les modèles gpt-oss, gpt-oss-20b, qwen-9b, qwen-27b, llama-70b et bge-embed sont servis par OVHcloud (AI Endpoints), à Gravelines, en France : hébergeur français, données ni conservées ni partagées.

Les modèles gemma, qwen-small, qwen-large et qwen-embed sont servis par Scaleway (Generative APIs), à Paris. C’est notre propre hébergeur : société française, données traitées en France, aucune lecture ni réutilisation des prompts, aucun entraînement sur vos données.

Nous appelons souverain (✅) ce qui est servi sous notre maîtrise : notre propre infrastructure, ou un hébergement UE que nous avons choisi et que nous pouvons quitter. Aucun de ces modèles ne demande d’autorisation particulière.

Ce que dit notre banc d’essai

Nous posons les mêmes dix questions à chaque modèle, dans les conditions réelles de la plateforme : boucle agentique, base de connaissance, outils, et des réponses de référence calculées à l’avance en interrogeant directement la base. Ce n’est pas un score de benchmark public, et ce n’est pas une note globale : GET /v1/pricing publie quatre chiffres, tous mesurés sur ce même travail (le sélecteur de modèle ne les affiche pas).

Ce qui est affiché	Ce que ça décide
Réponses justes (par exemple 9 sur 10)	le plancher de fiabilité documentaire
Coût de ce test	la dépense réelle, que le tarif affiché ne prédit pas
Temps de ce test	surface interactive ou traitement différé
Réponse absente de la base	le modèle le dit, ou il invente

Quatre enseignements de la passe du 9 septembre 2026, sur les quinze modèles de chat :

• La justesse ne départage presque pas, et c’est une bonne nouvelle. Tous les modèles du catalogue rendent au moins 8 réponses justes sur 10, et huit d’entre eux font 10 sur 10, du plus petit au plus gros. On ne paie donc pas plus cher pour être exact en interrogation documentaire : ce sont les outils qui font le travail. C’est pourquoi nous n’affichons plus de note sur cinq, qui fabriquait de l’écart là où il n’y en a pas.
• Le coût, lui, varie de 1 à 127. Les mêmes dix questions coûtent 0,02 € au modèle le moins cher et 2,17 € au plus cher. Et le tarif affiché ne le prédit pas : llama-70b annonce un prix de sortie inférieur à qwen-27b et coûte vingt fois plus sur du travail réel, parce qu’il enchaîne les outils sans se borner. Les modèles Mistral profitent en outre du cache de préfixe, facturé 10 %, qui divise leur coût réel sur les boucles longues. Les modèles servis par Scaleway et OVHcloud facturent l’entrée au plein tarif à chaque tour — deepseek-v4-flash porte bien un tarif réduit sur les tokens mis en cache (20 %), mais nous l’avons mesuré à 0,5 % des tokens sur des enchaînements d’outils réels : ne le comptez pas dans une estimation. Le sélecteur de modèle le montre : une pastille « cache d’entrée » avec son taux sur chaque modèle qui en facture un, et dans la fiche, la conséquence écrite — chaque tour d’une conversation renvoie tout l’historique, donc sur une conversation longue un modèle affiché plus cher mais avec cache coûte souvent moins qu’un modèle bon marché sans. /v1/pricing sert le même chiffre (pricing.cached_input_per_million_tokens, null = aucun cache facturé) et la réserve éventuelle (cache_note).
• Le temps varie de 1 à 34 (26 secondes à 15 minutes pour les dix questions). C’est ce qui tranche entre un assistant où quelqu’un attend devant l’écran et une tâche programmée qui tourne la nuit.
• Trois modèles inventent quand la réponse n’est pas dans vos bases au lieu de le dire. Sur une veille ou un rapport documentaire, c’est plus grave qu’une question manquée : le sélecteur le signale modèle par modèle.

Les limites, pour que vous sachiez quoi en faire. Une seule exécution par modèle : l’écart d’une question n’est pas significatif, ceux de coût et de temps le sont largement. Et ces dix questions sont documentaires, donc faciles : elles mesurent un plancher, pas un plafond. Un banc plus exigeant, qui croise plusieurs bases et une API externe, est en préparation.

Régler le raisonnement

Plusieurs modèles réfléchissent avant de répondre. Cette réflexion n’apparaît pas dans la réponse, mais elle est facturée en tokens de sortie — et sur une question simple, elle peut coûter dix fois la réponse elle-même. Réglez-la par requête avec le paramètre standard reasoning_effort :

{ "model": "qwen-small", "reasoning_effort": "none", "messages": [...] }

Les niveaux acceptés dépendent du modèle et sont donnés par reasoning_efforts dans /v1/pricing : none et high sur mistral-small et mistral-medium ; les quatre niveaux (none, low, medium, high) sur qwen-small, qwen-large et gemma ; low, medium, high sur gpt-oss ; none, low, high sur deepseek-v4-flash ; low et high sur glm, qui ne sait pas couper son raisonnement. Les autres modèles n’ont pas de réglage, et envoyer le paramètre vaut une erreur explicite plutôt qu’un silence.

deepseek-v4-flash mérite un mot : il réfléchit par défaut, et couper (none) divise sa sortie par trois sur une question simple. Ses trois niveaux sont ceux que Scaleway déclare accepter ; nous n’annonçons pas de gradation entre low et high, n’ayant pas réussi à en mesurer une.

Corollaire : avec un max_tokens serré, la réflexion peut le consommer avant que la réponse ne commence. Prévoyez large, ou coupez le raisonnement.

Dans le portail, le réglage apparaît sous le sélecteur de modèle, et seulement quand le modèle choisi en propose un.

Le catalogue de votre organisation

La page Gestion → Modèles du portail réunit tout ce qui décide des modèles employés par votre organisation. Le catalogue y est rangé par hébergement : Serveur Miraca (à venir), France (Scaleway à Paris, OVHcloud à Gravelines), Union européenne (Mistral) et Cloud frontière hors UE.

• Disponible : un modèle éteint est retiré du catalogue de l’organisation. Il disparaît de tous les sélecteurs, et toute requête qui le nomme, y compris par l’API (clés sk-, Make, n8n, Zapier), reçoit un 400 qui renvoie à cette page. Un modèle ajouté plus tard au catalogue Miraca est disponible d’emblée.
• Assistant : les modèles proposés dans l’assistant (web, applications, Slackbot).
• Modèles par défaut, un par usage : Bac à sable et API (une requête d’API qui ne nomme pas de model reçoit celui-ci), Assistant et Slackbot, Tâches (à défaut, celui de l’assistant), Comptes rendus de réunion et Copilote. Seuls les modèles disponibles sont proposés. Tant que Bac à sable et API reste sur le défaut Miraca, le bac à sable s’ouvre sur gemma et l’API répond avec mistral-small ; y choisir un modèle l’applique aux deux.
• Comptes rendus de réunion : le modèle qui rédige la synthèse d’une note quand la personne n’en a choisi aucun dans les options de la synthèse (sur le web comme dans les applications). Son propre choix passe avant ; à défaut de ce réglage, c’est le modèle de l’assistant. Il se choisit parmi les modèles proposés dans l’assistant. Laisser un usage sur le défaut Miraca suppose que ce modèle reste disponible : pour retirer Mistral Small, choisissez d’abord un autre défaut pour le bac à sable et l’API (le découpage IA des bases le suit alors) ; pour retirer Gemma, choisissez-en un autre pour le bac à sable et l’API, pour l’assistant et pour le copilote.
• Présentation dans les sélecteurs : l’ordre dans lequel les modèles sont proposés partout où l’on en choisit un (assistant sur le web et dans les applications, bac à sable, tâches, bases), et le texte de la fiche qui s’affiche au survol d’un modèle. Glissez les modèles, ou montez-les et descendez-les avec les flèches, pour placer en tête ceux que vos équipes doivent prendre d’abord. Le crayon d’un modèle ouvre son texte (600 caractères au plus) : il remplace la présentation de Miraca pour toute l’organisation, avec un aperçu de la fiche. Dites-y pour quelles conversations le choisir, et quand en préférer un autre. Le prix, les mesures du banc d’essai, les capacités et l’avertissement hors UE restent affichés. Laissé vide, le texte de Miraca revient. Un modèle ajouté plus tard au catalogue Miraca se range à la fin de votre ordre. Ces réglages ne changent que la présentation : l’API et la liste des modèles servie par /v1/models ne les lisent pas.

Choisir le bon modèle

Le bouton Choisir le bon modèle, en haut de Gestion → Modèles, ouvre une page de comparaison ouverte à toutes les personnes de l’organisation. Cochez jusqu’à cinq modèles du catalogue : leurs profils se superposent sur une même toile, un axe par critère.

• Axes publics : intelligence générale (indice d’Artificial Analysis, synthèse de dix évaluations), raisonnement (GPQA Diamond), culture experte (Humanity’s Last Exam), code (SciCode), outils et agents (τ³-Bench Banking) et long contexte (AA-LCR). Ces évaluations viennent d’Artificial Analysis, un évaluateur indépendant qui applique le même protocole à tous les modèles, en anglais : les chiffres publiés par chaque éditeur, mesurés chacun à sa façon, ne se comparent pas entre eux. Les scores sont relevés à date fixe, indiquée en bas de page.
• Axes Miraca : le travail réel, mesuré par notre banc complexe (huit cas qui croisent des bases, enchaînent des outils, produisent un classeur et cherchent sur le web), l’économie (prix de vente du catalogue, trois tokens lus pour un écrit) et la rapidité (durée de ce même banc sur notre service). Économie et rapidité sont sur une échelle logarithmique : les écarts de prix vont de un à plusieurs centaines.

Sur chaque axe, 100 correspond au meilleur modèle du catalogue Miraca : la forme d’un modèle ne change pas quand on en ajoute un autre à côté. Un axe n’est tracé que si chacun des modèles choisis y a une mesure ; sinon il est retiré de la toile, et la page dit pour quel modèle la mesure manque. Le tableau sous la toile donne les valeurs mesurées et leur source.

Les sélecteurs de modèle du portail (bac à sable, tâches, modèles par défaut) portent en bas de leur liste un lien Comparer les modèles, qui ouvre cette page dans un nouvel onglet avec le modèle choisi déjà coché : la saisie en cours n’est pas perdue.

Plusieurs modèles existent avec et sans raisonnement. Par défaut, la toile montre la variante évaluée par défaut ; l’interrupteur Variantes sans raisonnement montre l’autre, quand elle existe.

Retirer un modèle déjà utilisé

Un modèle peut être choisi ailleurs que sur cette page : dans une tâche, pour le découpage IA d’une base de connaissance ou d’une connexion, comme préréglage d’un projet de l’assistant, ou comme modèle de synthèse des notes d’une personne. La page indique, sous chaque modèle, où il est choisi. Quand vous retirez un modèle utilisé (ou retirez l’autorisation des modèles hors UE), l’enregistrement vous dit ce qui est concerné, puis fait passer ces réglages sur « Modèle par défaut », qui suit les défauts de la page. Sans cette bascule, chacun échouerait à sa prochaine utilisation.

Les conversations de l’assistant n’ont rien à basculer : une conversation rouverte sur un modèle retiré repart sur le modèle par défaut. Et partout où l’on choisit un modèle (tâche, base, connexion, projet, synthèse, API), un modèle retiré est refusé dès l’enregistrement, avec un message qui renvoie à cette page.

La page est réservée au propriétaire et aux administrateurs de l’organisation ; un contributeur la consulte sans pouvoir la modifier. Sur un compte personnel, son titulaire la règle (sans les usages propres aux organisations).

Modèles cloud frontière hors UE

Les modèles Claude (Anthropic, États-Unis) et DeepSeek V4 Pro et V4.1 Flash (API de DeepSeek, Chine) sont des modèles cloud frontière : parmi les plus capables du marché, là où le catalogue souverain n’a pas d’équivalent. Ils ne sont pas souverains : les messages, les pièces jointes et les extraits de vos bases qui leur sont envoyés quittent l’Union européenne, et le fournisseur les traite selon ses propres conditions.

• Désactivés par défaut. Un propriétaire ou un administrateur de l’organisation les autorise dans Gestion → Modèles (sur un compte personnel, son titulaire). Le réglage vaut pour tout le compte, se retire à tout moment et prend effet immédiatement.
• Sans autorisation, ils n’apparaissent dans aucun sélecteur, et toute requête qui les nomme, y compris par l’API, reçoit un 400 qui nomme le réglage à activer.
• Une fois autorisés, ils portent un badge « Cloud hors UE » avec le pays, dans chaque sélecteur de modèle, et un avertissement s’affiche quand l’un d’eux est choisi.
• Un compte réglé en sovereign-only (cf. Conformité) continue de les refuser, même autorisés.
• Un modèle souverain ne délègue jamais à un sous-agent hors UE.

DeepSeek : sans raisonnement, et sans images

Servis par l’API de DeepSeek, ces modèles imposent de leur renvoyer tout leur raisonnement passé dès qu’ils enchaînent des outils. Ils sont donc servis sans raisonnement, et ne proposent pas de réglage de reasoning_effort. DeepSeek annonce la lecture d’images sur V4.1 Flash, mais notre test ne l’a pas vérifiée : ne lui envoyez pas d’image. Pour rester en UE, deepseek-v4-flash (génération précédente, servie par Scaleway à Paris) reste disponible sans autorisation.

Tarifs en dollars, comptés en euros

Anthropic et DeepSeek facturent en dollars. Nos prix de vente appliquent la même marge que le reste du catalogue, en comptant un dollar pour un euro. DeepSeek applique un tarif réduit la nuit et le week-end : nous facturons son tarif de journée en permanence.

Catalogue via l’API

La liste des modèles disponibles et leur grille tarifaire sont exposées publiquement (sans clé API) :

curl https://api.miraca.fr/v1/pricing

(La liste « brute » compatible OpenAI reste disponible sur GET /v1/models, sans la grille tarifaire.)

{
  "object": "list",
  "data": [
    {
      "id": "mistral-small",
      "name": "Mistral Small 4",
      "mode": "chat",
      "sovereign": true,
      "hosting": "ue",
      "data_location": "Union européenne",
      "vision": true,
      "quality": null,
      "agentic": null,
      "bench": {
        "answered": 9,
        "of": 10,
        "cost_eur": 0.049,
        "seconds": 42,
        "abstains": true,
        "date": "2026-09-09",
        "complex": { "answered": 25, "of": 31, "cost_eur": 0.034, "seconds": 53 }
      },
      "reasoning_efforts": ["none", "high"],
      "dimensions": null,
      "context_max": 262144,
      "pricing": {
        "currency": "EUR",
        "input_per_million_tokens": 0.198,
        "output_per_million_tokens": 0.792
      }
    },
    {
      "id": "mistral-embed",
      "name": "Mistral Embed",
      "mode": "embedding",
      "sovereign": true,
      "hosting": "ue",
      "data_location": "Union européenne",
      "vision": false,
      "quality": null,
      "agentic": null,
      "bench": null,
      "reasoning_efforts": [],
      "dimensions": 1024,
      "context_max": 8192,
      "pricing": {
        "currency": "EUR",
        "input_per_million_tokens": 0.132,
        "output_per_million_tokens": null
      }
    }
  ]
}

• id : la valeur à passer dans le champ model de vos requêtes.
• mode : chat ou embedding (pour embedding, output_per_million_tokens vaut null).
• sovereign : true = inférence traitée dans l’UE, sous notre maîtrise ; false = modèle cloud frontière servi hors UE, réservé aux comptes qui l’ont autorisé (voir Modèles cloud frontière hors UE).
• hosting : l’hébergement, miraca, france, ue ou hors_ue — la même classification que la page Gestion → Modèles.
• data_location : où les données sont traitées ("Paris", "Gravelines", "Union européenne", "États-Unis", "Chine").
• vision : le modèle sait lire des images jointes à un message. Établi en testant chaque modèle, pas recopié d’une documentation : plusieurs backends acceptent une image sans la regarder et répondent au hasard. Une requête /v1/chat/completions adressée à un modèle vision: false : une image dans le dernier message user est refusée (400, « Le modèle « … » ne lit pas les images ») ; une image d’un message antérieur est remplacée par la mention [Image jointe, non lue : le modèle de ce tour ne lit pas les images.], pour qu’une conversation commencée avec un modèle de vision puisse continuer sur un autre.
• quality et agentic : abandonnés, conservés à null. Ces deux notes sur cinq crans prétendaient à une précision que notre banc n’a pas (huit modèles à égalité au sommet, deux questions d’écart sur tout le catalogue). Les champs restent servis pour ne pas faire disparaître une clé chez les clients qui les lisent ; leur contenu est désormais dans bench.
• bench : ce que le banc a mesuré, tous les modèles sur le même travail. answered / of = réponses justes ; cost_eur = coût réel de ce test ; seconds = durée ; abstains = true si le modèle dit qu’il ne sait pas quand la réponse n’est pas dans la base, false s’il en invente une ; date = jour de la mesure. null = non évalué. complex = le banc complexe du même jour : huit cas qui exercent tout le produit (croisements de plusieurs bases, outils enchaînés, une prémisse fausse à corriger, un classeur produit puis relu, une recherche web), notés sur 31 jalons calculés à l’avance. C’est ce bloc qui départage : le banc documentaire met tous les modèles à 8 sur 10 ou plus, celui-ci va de 17 à 30 jalons sur le même travail, pour des coûts de 0,03 € à 0,44 €.
• reasoning_efforts : niveaux acceptés par le paramètre reasoning_effort. Liste vide = ce modèle n’a pas de réglage de raisonnement, et le lui envoyer vaut 400.
• pricing : prix en € par million de tokens, tels qu’ils sont décomptés de vos crédits.

Le GET /v1/models de l’API OpenAI-compatible (api.miraca.fr) reste disponible avec votre clé, mais ne renvoie que les identifiants — sans prix.