Votre modèle d'IA prétend lire 1 million de tokens. Il ment. Voici les vrais calculs.

Quatre LLM de pointe annoncent désormais des fenêtres de contexte de 1M+ tokens. Le chiffre phare est résolu. Ce qui diffère encore fortement, c'est la part de cette fenêtre que le modèle peut réellement utiliser en pratique (le contexte effectif), la quantité qu'il peut produire en un seul appel (plafond de sortie), et ce qu'il coûte à exécuter sur de longues séquences. Cet article compare Gemini 3.1 Pro, GPT-5.5, Claude Opus 4.7 Adaptive et DeepSeek V4 Pro sur ces trois axes, en utilisant les chiffres d'avril 2026, pas ceux du trimestre dernier. Ma Jiaqi a enseigné aux ingénieurs de MiniMax une dure…

TL;DR

• Gemini 3.1 Pro Meilleurs scores de contexte effectif à 500K, 1M, mais la tarification par paliers pénalise l'utilisation au-delà de 200K.
• GPT-5.5 Scores les plus élevés sur LongBench v2 et MRCRv2 ; une sortie de 128K est suffisante pour la plupart des générations, mais pas pour toutes.
• Claude Opus 4.7 Adaptive Point idéal interactif en milieu de contexte ; 90% de mise en cache des prompts est le véritable levier de coût.
• DeepSeek V4 Pro Le seul modèle avec un plafond de sortie de 384K ; entrée/sortie les moins chères de loin ; les hits de cache réduisent l'entrée à 0,145 $/M.

La fenêtre annoncée

Une fenêtre de 1M tokens est désormais la norme à la pointe. Les quatre flagships annoncent effectivement le même plafond d'entrée, donc le chiffre phare cesse d'être un différenciateur. Les différences intéressantes se situent dans la capacité de sortie, la tarification et les mécanismes de cache. Olmo-eval d’Ai2 offre aux développeurs de LLM un…

Plafond de sortie : l'écart de 6x

La sortie maximale de 384K de DeepSeek V4 Pro est 3 à 6 fois plus grande que celle de ses pairs. Gemini et Opus plafonnent à 64K, GPT-5.5 à 128K. Pour les workflows qui génèrent de longs artefacts en un seul appel (brouillons de rapports complets, grosses traductions de code, réécritures de documents par lots), 384K est un avantage structurel qu'aucune astuce du côté du prompt ne peut corriger. L'horizon de vérification : pourquoi vérifier les…

Paliers de tarification et cache

Gemini 3.1 Pro facture 2,00 $/M jusqu'à 200K tokens d'entrée et 4,00 $/M au-delà, le seul modèle avec un prix d'entrée dépendant de la position dans la fenêtre. GPT-5.5 annonce 5,00 $/M avec mise en cache des prompts et l'API Batch à environ 50% de réduction. Claude Opus 4.7 Adaptive annonce 5,00 $/M mais offre jusqu'à 90% de réduction sur les hits de cache de prompts, ce qui ramène l'entrée effective à environ 0,50 $/M. DeepSeek V4 Pro annonce 1,74 $/M avec des hits de cache à 0,145 $/M, soit environ 92% de réduction, le taux de cache le moins cher annoncé actuellement parmi les modèles de pointe. TCS et Anthropic s'associent pour apporter Claude aux…

Contexte effectif : là où les benchmarks sont rares

La surface d'évaluation publique s'est stabilisée autour de quatre tests : NIAH (aiguille dans une botte de foin), LongBench v2 (QA multi-documents), MRCRv2 (résolution de coréférences multi-tours) et RULER (sondes synthétiques). Les scores tiers pour les points de contrôle d'avril 2026 sont rares. La seule ligne publiée dans cet ensemble est le score de GPT-5.5 à 87,5 sur MRCRv2 (128, 256K), provenant d'un instantané de recherche de BenchLM. Les tendances historiques : Gemini a mené les évaluations NIAH et de contexte effectif jusqu'à la génération 2.5 Pro ; savoir si 3.1 Pro prolonge cet avantage face à GPT-5.5 est une question ouverte. Anthropic a emprunté une voie différente avec la mise en cache des prompts, en orientant la conception des workflows (charger une fois, interroger plusieurs fois) plutôt qu'en visant un meilleur score de contexte effectif. Le document de lancement de DeepSeek V4 Pro revendique des performances solides en contexte effectif, mais c'est le modèle le plus récent avec le moins de vérification par des tiers. IFBench : le nouveau benchmark testant le respect des…

Pourquoi cet écart existe

L'attention se dilue à mesure que la longueur des séquences augmente, les encodages positionnels dérivent au-delà de la distribution d'entraînement, et l'effet "perdu au milieu" signifie que les tokens au début et à la fin du contexte reçoivent plus d'attention que ceux du milieu. Combinez ces trois facteurs et vous obtenez la courbe où un modèle indexe nominalement 1M tokens mais raisonne de manière fiable sur beaucoup moins. Règle pratique : si vous remplissez plus de 80% d'une fenêtre annoncée, effectuez un test de fumée sur vos données avant de vous engager.

Exemples concrets

Pour l'analyse de documents sous 200K tokens, Gemini 3.1 Pro est le moins cher à 2 $/M. Au-delà, les 1,74 $/M de DeepSeek V4 Pro dominent. Pour une revue de code interactive avec un contexte stable, la mise en cache d'Opus 4.7 Adaptive transforme les requêtes répétées en opérations à environ 0,50 $/M. Pour une génération lourde, comme un rapport technique de 50 000 mots (environ 65K tokens de sortie), DeepSeek V4 Pro et GPT-5.5 peuvent le faire en un seul appel ; Opus et Gemini nécessitent un assemblage. Le taux de sortie de DeepSeek à 3,48 $/M rend un brouillon de 100K tokens à 0,348 $, contre 3,00 $ sur GPT-5.5 et environ 3,38 $ sur Opus. Le vrai goulot d’étranglement des agents IA de bureau…

Conclusion

La plupart des charges de travail de production tiennent sous 200K tokens (chat, Q&A documentaire, requêtes RAG). Le plafond de 1M importe pour la longue traîne, et les modèles de tarification vous pénalisent si vous l'utilisez sans discernement. La réponse honnête est "utilisez les deux" : la récupération pour réduire, le long contexte pour raisonner, et choisissez un modèle dont le profil de coût correspond au modèle dominant. Les quatre flagships sont capables ; aucun n'est le meilleur pour tout. Les agents IA ne peuvent pas terminer une migration…