Classement IA

IA Locale — Code

Modèles open-weights (qwen, deepseek, llama, mistral…) ≤ 35B paramètres évalués sur le code (SWE-bench, Aider). Modèles tournables localement sur GPU grand public ou Mac Apple Silicon.

← Tous les classements

MAJ du classement le 21 septembre 2026 à 22:55

Top visuel

01 Qwen3.8 27B 68.80
02 Qwen3.6 27B 52.29
03 Qwen3.5 27B 38.13
04 Gemma 3 27B It 25.09
05 QwQ 32B 24.65
06 Qwen2.5 Coder 32B Instruct 24.11
07 Qwen3.5 35B A3b 23.99
08 Falcon H1r 7B 17.82
09 Phi 3 mini instruct 3.8b 17.41

Limite locale : ≈35B max

Les modèles au-delà d'environ 35 milliards de paramètres ne sont pas classés dans les catégories locales. Le Recul privilégie les modèles réellement exploitables en local, sans infrastructure professionnelle lourde.

#	Modèle	Éditeur	Score	Évaluation
01		Alibaba	68.80 / 100	Partiel
02		Alibaba	52.29 / 100	Partiel
03		Alibaba	38.13 / 100	Partiel
04		Google	25.09 / 100	Fiable
05		Alibaba	24.65 / 100	Fiable
06		Alibaba	24.11 / 100	Fiable
07		Alibaba	23.99 / 100	Partiel
08	Falcon H1r 7B	Tii uae	17.82 / 100	Partiel
09		Microsoft	17.41 / 100	Partiel

Score indicatif, pondéré à partir de sources publiques. Méthodologie transparente. Voir la page Classement IA pour la méthodologie complète et les autres catégories.

Classement des IA locales pour coder

Cette vue regroupe les modèles open-weights suffisamment compacts pour tourner localement — typiquement jusqu'à environ 35 milliards de paramètres — évalués sur le code : résolution de bugs réels (SWE-bench), édition de fichiers (Aider), raisonnement long, fiabilité, coût et vitesse.

L'intérêt est concret : coder avec un modèle local, c'est garder le code sur sa machine, travailler hors ligne et ne pas payer au token. Pour du code sous NDA ou soumis à des contraintes de confidentialité, c'est parfois la seule option acceptable.

Il faut cependant garder l'écart en tête. Les modèles locaux compacts restent en retrait des meilleurs modèles cloud sur les tâches longues et les bases de code complexes. Ils sont souvent très bons sur des fonctions isolées, des tests ou de la relecture, et plus fragiles dès qu'il faut tenir un contexte large.

À quoi sert ce classement ?

Cette vue aide à choisir un modèle exécutable sur GPU grand public ou Mac Apple Silicon pour assister le développement sans envoyer le code à un tiers.

Elle aide aussi à calibrer les attentes : viser les tâches où ces modèles sont réellement efficaces plutôt que leur confier une refonte complète et conclure trop vite qu'ils sont inutilisables.

Comment lire le classement

SWE-bench : capacité à résoudre des bugs réels dans du code existant.
Aider : édition fiable de fichiers, format de sortie respecté.
Raisonnement long, déterminant sur les tâches multi-étapes.
Fiabilité et régularité entre deux exécutions identiques.
Coût matériel et vitesse d'exécution locale.

Lire la méthodologie complète →

FAQ — IA Locale — Code

Quel matériel faut-il pour coder avec une IA locale ?

Les modèles de cette vue visent le GPU grand public ou le Mac Apple Silicon récent. La quantité de mémoire disponible est le facteur limitant principal, davantage que la puissance brute.

Une IA locale peut-elle remplacer un assistant cloud pour coder ?

Sur des tâches ciblées — fonction isolée, test, relecture — souvent oui. Sur des tâches longues impliquant une base de code large, l'écart avec les meilleurs modèles cloud reste net.

Pourquoi la liste est-elle courte ?

Parce que le filtre est double : modèle ouvert exécutable localement, et évalué sur le code par des sources publiques. Peu de modèles remplissent les deux conditions avec une couverture suffisante.

Quelle différence avec le classement Code ?

Le classement Code couvre tous les modèles, cloud compris. Cette vue ne garde que ceux que vous pouvez exécuter vous-même.

À quelle fréquence est-ce mis à jour ?

Environ toutes les 25 heures, automatiquement. La date de mise à jour figure en haut de page.

Voir la FAQ complète →

Classements liés

← Retour au classement IA principal