GPT-5.4 en Tête du Classement des Benchmarks Mathématiques 2026 alors que les Scores de Frontière Saturent

Le paysage des benchmarks mathématiques pour les grands modèles de langage a atteint un point d'inflexion. Le GPT-5.4 d'OpenAI mène le classement mathématique de BenchLM.ai avec des scores de 99 sur AIME 2025, 99 sur MATH-500 et 97 sur BRUMO 2025. Pourtant, GPT-5.2 Pro égalise chacun de ces scores, et GPT-5.3 Codex suit de près avec 98/99/96 sur les mêmes lignes. Claude Opus 4.6 est également là, à 98/98/96.

Cette saturation au sommet n'est pas un signe de stagnation. Elle indique que les anciens benchmarks ont été conquis. Les modèles qui dominent aujourd'hui sont ceux avec la couverture la plus forte sur plusieurs ensembles mathématiques de style compétition et de difficulté générale, tout en évitant les pièges de contamination qui frappent les évaluations d'une seule année.

Benchmarks Saturés et Vérification de Contamination

BenchLM suit AIME 2023, 2024 et 2025 aux côtés de HMMT 2023, 2025, MATH-500 et le plus récent BRUMO 2025. La logique est simple : un modèle qui obtient 99 sur AIME 2023 mais chute à 45 sur AIME 2025 a probablement mémorisé d'anciens problèmes publics plutôt que développé un raisonnement mathématique généralisable. Les modèles de frontière dans le tableau actuel montrent une performance cohérente sur les trois années, ce qui est une preuve solide d'une capacité de raisonnement authentique plutôt que d'une mémorisation de benchmark.

Les 10 meilleurs modèles se regroupent entre 96 et 99 sur AIME 2025 et HMMT 2025. À ce niveau, un écart de 1 ou 2 points est statistiquement négligeable pour la plupart des workflows pratiques. La séparation significative se produit désormais sur la suite de tests de nouvelle génération.

La Nouvelle Génération : FrontierMath et HMMT Fév 2026

Le GPT-5.5 et GPT-5.5 Pro d'OpenAI, publiés le 23 avril 2026, et la série V4 Pro de DeepSeek, publiée le 24 avril, ne rapportent pas de scores sur les anciennes lignes BenchLM. Au lieu de cela, ils sont passés à des évaluations plus difficiles : FrontierMath, HMMT Fév 2026, IMOAnswerBench et APEX.

GPT-5.5 Pro obtient 52,4 sur FrontierMath, et GPT-5.5 obtient 51,7. DeepSeek V4 Pro Max atteint 95,2 sur HMMT Fév 2026, 89,8 sur IMOAnswerBench et 38,3 sur APEX. Ces chiffres ne peuvent pas être directement comparés aux anciens benchmarks : FrontierMath est conçu pour être d'une difficulté de niveau recherche, où même les modèles les plus forts résolvent environ la moitié des problèmes.

Le principal enseignement : les laboratoires sont conscients que les anciens tests sont saturés et ont déplacé les objectifs. Pour les utilisateurs qui ont besoin d'un modèle aujourd'hui pour une compétition pratique ou des mathématiques appliquées, GPT-5.4 ou Claude Opus 4.6 sont des choix sûrs. Pour les mathématiques de niveau recherche, la ligne FrontierMath de GPT-5.5 Pro est le plafond de capacité à surveiller.

Recommandations par Cas d'Usage

Le meilleur modèle dépend fortement de la tâche. Pour les problèmes de style compétition nécessitant un raisonnement étape par étape sur l'algèbre difficile, la théorie des nombres, les probabilités et la géométrie, GPT-5.4 ou GPT-5.2 Pro sont les choix par défaut à 99 sur AIME 2025 et 97 sur HMMT 2025. Claude Opus 4.6 et Grok 4.1 sont essentiellement à égalité pour un usage pratique.

Pour le calcul scientifique et les mathématiques appliquées, calcul différentiel et intégral, algèbre linéaire, équations différentielles, GPT-5.3 Codex est le choix de valeur. Il combine un 98 sur AIME 2025 avec 99 sur MATH-500 et une forte manipulation symbolique pour les workflows liés au codage. Claude Opus 4.6 est l'alternative lorsque les dérivations lisibles importent plus que le débit.

Pour la finance et le raisonnement probabiliste, la priorité passe de la précision brute à l'auditabilité. GPT-5.4 et Claude Opus 4.6 traitent les probabilités et les estimations de manière fiable lorsqu'on les invite à montrer les hypothèses et à exposer l'incertitude. Le taux d'hallucination numérique importe plus que le score AIME de pointe ici.

Pour le tutorat en mathématiques, la qualité des explications devient la métrique principale. Claude Opus 4.6 et Claude Sonnet 4.6 produisent des explications étape par étape plus claires. GPT-5.4 est plus fort lorsque l'élève a besoin de plusieurs chemins de solution ou d'un passage de vérification. Aucun modèle n'est fiable à 100 % ; chaque sortie doit être vérifiée ponctuellement.

Tarification et Valeur

La tarification modifie la recommandation plus que le score mathématique de haut niveau. GPT-5.4 coûte 2,50 $ par million de tokens d'entrée et 15,00 $ par million de tokens de sortie. GPT-5.3 Codex coûte la même entrée mais 10,00 $ en sortie. Claude Opus 4.6 est plus cher à 5,00 $/25,00 $, tandis que Claude Sonnet 4.6 est à 3,00 $/15,00 $.

Pour quelques problèmes difficiles, GPT-5.4 ou Claude Opus 4.6 justifient la prime. Pour un assistant mathématique à volume élevé, GPT-5.3 Codex offre une marge de manœuvre suffisante en benchmark, MATH-500 presque identique, un point de retard sur AIME, à un coût de sortie significativement inférieur.

Alternatives Open-Weight

Parmi les modèles open-weight, GLM-5 (Reasoning) de Z.AI obtient 98 sur AIME 2025, 95 sur HMMT 2025 et 92 sur MATH-500, ce qui en fait la meilleure option ouverte pour les mathématiques de compétition. Kimi K2.5 (Reasoning) de Moonshot AI suit avec 96,1/95,4/92 sur les mêmes lignes. DeepSeek-R1 reste fort sur MATH-500 à 97,3 mais est nettement en retard sur les mathématiques de compétition actuelles : 45 sur AIME 2025, 41 sur HMMT 2025 et 43 sur BRUMO 2025. Sarvam 105B mérite d'être noté spécifiquement pour MATH-500, obtenant 98,6 malgré une couverture plus faible ailleurs.

Le Verdict

GPT-5.4 est le meilleur LLM entièrement couvert pour les mathématiques en 2026, mais la course est trop serrée pour un seul vainqueur. GPT-5.2 Pro l'égalise, GPT-5.3 Codex est le choix de valeur, et Claude Opus 4.6 est le meilleur choix lorsque la qualité des explications importe. La prochaine frontière n'est pas sur les anciens benchmarks mais sur FrontierMath et HMMT Fév 2026, où GPT-5.5 Pro est actuellement en tête. Pour le travail mathématique pratique d'aujourd'hui, les choix sûrs sont clairs, et le vrai signal se trouve dans le cas d'usage, pas dans le classement principal.

Données de BenchLM.ai. Dernière mise à jour mai 2026.