MiMo, Qwen3.8 Max, GLM-5.3 et Muse Spark : test en polonais

👁 118 lectures

Quatre modèles IA méconnus du top Artificial Analysis se positionnent juste derrière Anthropic et OpenAI, aux côtés de Grok 4.7 : Muse Spark 1.3 de Meta, MiMo-V2.6-Pro de Xiaomi, Qwen3.8 Max d’Alibaba et GLM-5.3 de Z.ai. Ils affichent entre 45 et 48 points à l’indice d’intelligence et coûtent de 3 à 23 fois moins cher par token de sortie que Claude Opus 5.5. Nous avons testé les quatre avec les mêmes 13 tâches en polonais et la même évaluation à l’aveugle que dans notre classement de 16 modèles.

01Qwen3.8 Max : test en polonais, résultats, prix et accèsQwen3.8 Max (0902) obtient 76,4 points dans notre test en polonais, avec 30/30 en correction difficile, 33 000 tokens de réflexion et des tarifs de 2/6 USD.Lire →02GLM-5.3 : test en polonais, fournisseurs et tarifsGLM-5.3 obtient 63,6 points sur 100 dans notre test d'écriture en polonais. Le plus rapide et le moins cher des modèles chinois, mais avec des erreurs linguistiques.Lire →03Xiaomi MiMo-V2.6 : test, benchmarks et prix du modèle ouvertMiMo-V2.6 Pro et Flash : licence MIT, 1 billion de paramètres, 0,435 USD par million de tokens, 46 points à l'indice AA. Benchmarks et test en polonais.Lire →

Qui sont-ils et où se situent-ils dans le classement

Artificial Analysis calcule son indice (version 4.3.2) à partir de 10 tests : tâches agentiques, programmation, raisonnement scientifique et connaissances générales. Valeurs relevées le 27 septembre 2026. Le coût par tâche est le coût moyen d’une tâche de l’indice selon le même site, pas le coût de notre test.

Ce tableau révèle trois choses. Muse Spark est le plus rapide du top - 214-252 tokens par seconde, soit plus de deux fois plus vite qu’Opus 5.5 en variante xhigh (89). MiMo-V2.6-Pro exécute une tâche de l’indice pour 0,13 USD, 46 fois moins cher qu’Opus en variante max. Qwen est à l’opposé : il coûte 5,41 USD par tâche, car il a généré 190 millions de tokens pour l’indice.

Notre test en polonais : résultats

Chaque modèle a reçu via OpenRouter les mêmes 13 instructions que dans notre classement IA pour l’écriture en polonais : 9 tâches d’écriture (article, description produit, e-mail, post, récit, titres, résumé, traduction, texte pour enfant), deux corrections et deux quiz sur la Pologne. Paramètres identiques pour tous : effort=low, température par défaut, mêmes limites de tokens. Les réponses ont été évaluées à l’aveugle par trois juges de différentes entreprises (Claude Opus 5.5, GPT-6 Sol, Gemini 3.1 Pro), le juge de la même entreprise que le modèle évalué étant exclu. Le score combine 70 % des évaluations des juges, 20 % de respect des règles de la consigne et 10 % d’hygiène textuelle (longues pauses, remplissage).

Nous avons ajouté quatre modèles de référence de la première série : Claude Opus 5.5, GPT-6 Luna, Qwen3.8 Max et GLM-5.3. Leurs résultats différaient de 0,5-1,3 pts par rapport à la première fois, et l’ordre n’a pas changé, donc l’échelle est comparable (décalage moyen de +0,1 pt). Muse Spark a été testé quelques heures plus tard, les juges l’ont donc évalué dans une série séparée avec les mêmes références. Là, les références différaient de 1,0-1,7 pts par rapport à la première série, l’ordre est resté identique, et le décalage d’échelle était de -0,15 pt.

* à limites de tokens égales, explication ci-dessous. Le coût de Qwen n’inclut pas la première tentative vide du 26 septembre (0,0366 USD).
** évalué dans une série séparée avec les mêmes références (Opus 5.5 - 91,8, Luna - 81,8, Qwen - 77,5, GLM-5.3 - 62,7). Après calibration à l’échelle de la première série : 75,3 pts.

Dans le tableau du classement de 16 modèles, Muse Spark (75,3 après calibration) se classerait 11e, juste derrière Qwen (75,9) et devant DeepSeek V4 Pro (74,1). MiMo avec 69,1 pts se placerait 14e, entre Claude Sonnet 5 (71,9) et Mistral Medium 3.5 (68,0). Qwen y est dixième, GLM avant-dernier.

Correction du score de Qwen. Dans la première série (26 septembre), Qwen a réfléchi jusqu’à la limite de 6000 tokens sur la description produit et a fourni une réponse vide. Nous avons alors répété la tentative avec une limite plus élevée et c’est celle-ci que les juges ont évaluée - le modèle a utilisé 14 460 tokens de réflexion pour une courte description produit. Les autres modèles n’ont pas eu cette seconde chance, c’était donc une erreur méthodologique de notre part. Si nous comptons cette tâche comme non réussie (moyenne des juges 1, règles 0 sur 3), Qwen obtient 68,2 pts, soit presque autant que MiMo (69,1) et nettement moins que Muse Spark (75,5). Dans cette série, nous n’avons rien répété avec une limite plus élevée. Le quiz vide de MiMo n’entre pas dans le score d’écriture, car seules les tâches T1-T9 y comptent.

Ce qui ressort des réponses

Qwen3.8 Max est le seul des quatre à avoir respecté les 26 règles des consignes et corrigé sans erreur la correction difficile. Les juges ont le mieux noté le texte sur l’inflation pour enfant (8,89), le récit (8,56) et les titres SEO (8,56). Le plus faible était le résumé (6,22) : « termin wdrożenia nie ustalono » (« le délai de mise en œuvre n’a pas été fixé ») au lieu de « terminu » et formations omises. Dans la traduction, les idiomes sont bien rendus, mais « onboardowanie » et « follow-up » sont restés tels quels.

Muse Spark 1.3 présente les résultats les plus inégaux. La traduction avec idiomes obtient 8,67, le post LinkedIn 8,56, mais la description produit seulement 3,44, car le modèle a complété le paragraphe à la longueur requise en répétant toute la spécification une seconde fois. Dans l’article, il a ajouté « (to przykład) » (« c’est un exemple ») 20 fois et inséré « nie gerçekowa cena rynkowa » (mélange turco-polonais). La moyenne des juges (6,78) et le naturel (5,63) sont chez lui inférieurs à MiMo et Qwen, et son score élevé est dû aux règles (25 sur 26) et à l’hygiène textuelle : 3 longues pauses pour 1000 mots, le moins de tous, et zéro remplissage. En dehors de l’écriture, presque parfait : correction difficile 29 sur 30, les deux quiz complets.

MiMo-V2.6-Pro a écrit le meilleur résumé de toute la série (9,44, plus qu’Opus 5.5 avec 9,33) et une correction facile sans erreur. En revanche, le récit a obtenu 5,0 à cause d’erreurs comme « Pachniało je zawsze wieczorem » et « zmoczne », et dans le post LinkedIn est apparu l’incompréhensible « Nie kubki. Dla nich. ». Pour 1000 mots, il a inséré 24,6 longues pauses, contre 5,1 pour Opus.

GLM-5.3 dans les deux passages a fait le plus d’erreurs de flexion et de fautes de frappe : « w ramach przeprosiny » est apparu dans les deux versions de l’e-mail. Dans la version avec routing OpenRouter, la traduction a obtenu 3,0, et dans la version chez Z.ai 8,78. Dans le récit de Z.ai, les juges ont relevé « wypłynął z niej koperta » et « sernak ». Une seule tentative par tâche signifie donc une grande dispersion, mais en moyenne les deux versions ont obtenu des résultats similaires.

Réponses vides et réflexion en polonais

Dans notre test précédent de modèles chinois en polonais, MiMo-V2.6-Pro a réfléchi cinq fois jusqu’à la limite sans fournir de texte. Cette fois, avec le même paramètre effort=low que les autres modèles, il a fourni 12 réponses sur 13, car les consignes du Laboratoire sont plus courtes (textes jusqu’à 500 mots). La seule vide est le quiz difficile : 9000 tokens de réflexion, 613 secondes, zéro texte. Nous n’avons pas augmenté la limite uniquement pour lui, car il aurait alors eu de meilleures conditions que les autres - nous comptons le quiz comme non réussi. La réflexion a consommé 85 % de tous les tokens générés par MiMo dans le test (28,5 k sur 33,6 k).

Nous avons aussi vérifié si le problème avec les textes longs avait disparu. Le 27 septembre, nous avons relancé cette consigne de 900 mots avec effort=low : 9000 tokens de réflexion, 204 secondes, réponse vide, 0,0079 USD. Rien n’a changé.

Qwen3.8 Max réfléchit aussi beaucoup : 33 k tokens de réflexion pour 13 tâches et près de 10 minutes pour 9 tâches d’écriture. Muse Spark avec effort=low réfléchit également beaucoup (17,2 k tokens, 76 % de la sortie), donc malgré 214-252 tokens par seconde dans les mesures AA, 9 tâches d’écriture lui ont pris 135 secondes, presque autant qu’Opus 5.5. GLM-5.3 avec effort=low réfléchit à peine (211 tokens dans tout le test), c’est pourquoi il est le plus rapide.

Prix par million de tokens

Prix des producteurs hors TVA, vérifiés le 27 septembre 2026.

Les deux séries nous ont coûté 3,26 USD : série avec MiMo et GLM - 1,66 USD (0,07 USD réponses des modèles et contrôle, 1,59 USD juges), série avec Muse Spark - 1,60 USD (0,10 USD réponses, 1,50 USD juges). Les réponses des références proviennent de la première série, nous n’avons donc payé que pour leur réévaluation.

Comment y accéder

• Muse Spark 1.3 - Meta Model API est en aperçu public avec « accès global étendu », mais Meta ne publie pas la liste des pays, et en septembre des utilisateurs d’Europe ont signalé un message d’indisponibilité dans la région. Sur OpenRouter, le modèle est disponible après confirmation de l’âge 18+ dans les paramètres du compte. L’application Muse (agent personnel) ne fonctionne qu’aux États-Unis. Plus d’infos dans le texte sur Muse Spark 1.3.
• MiMo-V2.6-Pro - API sur mimo.mi.com, chat gratuit MiMo Studio selon la FAQ Xiaomi, trois fournisseurs sur OpenRouter, poids sur Hugging Face sous licence MIT.
• Qwen3.8 Max - Alibaba Cloud Model Studio en version internationale et OpenRouter (Alibaba uniquement comme fournisseur). Nous n’avons pas pu confirmer si la version 0902 est sélectionnable dans le Qwen Chat gratuit.
• GLM-5.3 - API Z.ai, abonnement GLM Coding Plan à partir de 18 USD par mois, plus de 30 fournisseurs sur OpenRouter. Le chat sur chat.z.ai fonctionne selon le site sur GLM-5.3-Flash, pas sur le modèle complet.

Les quatre (hors applications Meta) sont plus simples à tester via un seul compte OpenRouter, comme nous l’avons fait pour ce test. Pour Muse Spark, il faut d’abord confirmer l’âge dans les paramètres du compte - sans cela, OpenRouter renvoie une erreur 403.

Questions fréquentes

Lequel de ces modèles écrit le mieux en polonais ?

Dans notre test, Qwen3.8 Max : 76,4 pts sur 100, juste devant Muse Spark 1.3 (75,5). À limites de tokens égales, Qwen obtient 68,2 pts et passe derrière Muse et MiMo-V2.6-Pro (69,1). Tous perdent face à GPT-6 Luna (81,5), qui coûte une fraction de leur prix.

MiMo-V2.6-Pro se bloque-t-il toujours sur les textes polonais ?

Rarement sur les consignes courtes : avec effort=low, il a fourni 12 réponses sur 13, seul le quiz difficile était vide. Sur un texte de 900 mots, il réfléchit toujours jusqu’à la limite de 9000 tokens sans rien fournir.

Muse Spark 1.3 est-il disponible en Europe ?

Via OpenRouter oui, après confirmation de l’âge 18+ dans les paramètres du compte - sans cela nous avons eu une erreur 403, après confirmation le test s’est déroulé sans problème. Meta ne confirme pas officiellement l’accès à Meta Model API depuis l’Europe, et l’application Muse ne fonctionne qu’aux États-Unis.

Pourquoi le résultat aux benchmarks diffère-t-il de votre test ?

L’indice Artificial Analysis mesure les tâches agentiques, la programmation et les connaissances, principalement en anglais, avec raisonnement maximal. Notre test vérifie l’écriture en polonais avec effort=low.

Lequel est le moins cher ?

MiMo-V2.6-Pro : 0,435 USD par million de tokens d’entrée et 0,87 USD de sortie. Notre test de 13 tâches a coûté 0,03 USD avec ce modèle.

// lire la suiteQwen3.8 Max : test en polonais, résultats, prix et accèsBenchmarksComparatif LLM en polonais : 4 modèles ouverts face à 12 testsBenchmarksQwen3.8 Max Prime vs Claude Sonnet 5 : lequel choisirActualités

Kinetyra