EmpirioLabs fait tourner plus de 100 modèles d’IA sur une seule API, provenant de tous les grands laboratoires et d’une longue liste de nouveaux lobos. Cela fait de la plateforme un point de vue utile sur une question simple: avec tout le champ disponible sur une seule facture et sans verrouillage, quels modèles les promoteurs choisissent-ils réellement ?
Nous avons examiné l’utilisation réelle sur toute la plateforme pour le découvrir. La réponse est cohérente, et à certains égards vraiment surprenante. Les développeurs convergent vers un petit ensemble de modèles rapides et performants issus d’une nouvelle génération de laboratoires, et ils les choisissent selon leur mérite plutôt que de viser la plus grande marque.
Une note sur la méthode: chaque chiffre ci-dessous provient du trafic réel agrégé de la plateforme et est affiché en pourcentage. Lorsque nous discutons des préférences, nous normalisons l’utilisation en fonction du nombre de modèles proposés par chaque fabricant, afin que les chiffres reflètent ce que les développeurs choisissent, et non simplement ce qui se trouve sur l’étagère.
Avec 100+ modèles parmi lesquels choisir, l’utilisation en concerne quelques-uns
Le premier schéma dans les données est la concentration. Les développeurs ont devant eux un énorme menu, mais ils ne s’y répartissent pas. Parmi les modèles effectivement utilisés, les trois les plus populaires représentent 40 % de toutes les demandes linguistiques, et les dix premiers représentent près de neuf sur dix. La longue traque des modèles existe et est parfois utilisée, mais elle contient une petite part du travail réel.
Cette concentration compte plus qu’elle n’en a l’air au premier abord. Cela signifie qu’une poignée de modèles fixent discrètement la base de ce que les développeurs attendent en termes de qualité, de rapidité et de prix. Un nouveau modèle ne rivalise pas avec l’ensemble du terrain. Il rivalise avec la liste restreinte du sommet, et s’il ne peut pas battre ces modèles sur une vraie tâche, il reste dans la queue, peu importe son niveau de comparaison sur le papier.
Les modèles les plus utilisés
Classé par part de l’usage linguistique, aucun modèle ne s’en sort avec lui. Les modèles GLM de Z.ai, la MiniMax M3, la MiMo de Xiaomi et les modèles rapides de DeepSeek se regroupent en haut, chacun occupant une part similaire, tandis que le reste du catalogue remplit une longue queue. C’est un groupe de haut niveau compétitif plutôt qu’un seul gagnant dominant, ce qui est sain: cela signifie que les développeurs comparent activement les options au lieu de se concentrer sur un seul défaut.
Une utilisation brute comme celle-ci n’est qu’un point de vue sur la question. Il indique où va le volume de requêtes, ce qui est utile, mais le volume peut être concentré sur une poignée d’utilisateurs intensifs et ne révèle pas à quel point un modèle est adopté. Pour cela, nous examinons ensuite combien de développeurs distincts choisissent chaque fabricant, ce qui est une vision plus démocratique de ce que les gens choisissent réellement.
C’est une question de préférence, pas seulement de disponibilité
Il est juste de contester un classement de popularité. Si un catalogue penche dans une certaine direction, l’utilisation aura tendance à suivre, donc une liste de modèles populaires peut simplement refléter ce qu’une plateforme a décidé de stocker. Pour distinguer la préférence réelle de la disponibilité, nous avons comparé la part d’utilisation de chaque fabricant par rapport à sa part du catalogue.
L’écart entre les deux est le vrai signal, et il est frappant. Z.ai représente une petite fraction des modèles disponibles mais occupe la plus grande part d’utilisation. DeepSeek, Moonshot et Xiaomi attirent tous bien plus d’utilisation que leur présence dans le catalogue ne le prétendrait. En même temps, le fabricant disposant de loin du plus de modèles disponibles, Alibaba, ne voit qu’une part modérée d’utilisation, et une gamme bien approvisionnée d’Amazon est à peine exploitée.
En d’autres termes, les développeurs n’utilisent pas simplement ce qui est placé devant eux. Ils cherchent activement à s’approprier un ensemble spécifique de modèles et en écartent d’autres qui sont également disponibles et, dans certains cas, bien plus nombreux. La disponibilité n’est pas le destin. Une forte présence dans un catalogue ne se traduit pas par une utilisation à moins que les modèles ne la méritent sur un vrai travail, et c’est la découverte que tout laboratoire de modélisme devrait s’asseoir.
Un petit groupe de laboratoires possède la demande
Cette vision plus démocratique, qui consiste à compter combien de développeurs choisissent chaque fabricant par défaut plutôt que de compter le volume brut des demandes, concentre la demande dans une liste restreinte. Z.ai mène nettement, suivi de DeepSeek et Moonshot, suivis de près par Alibaba, Xiaomi et MiniMax. Tous les autres réunis forment un petit reste.
Ce qui unit les leaders, ce n’est pas un budget marketing ni un nom connu du grand public. C’est la volonté de livrer des modèles solides et accessibles à un rythme rapide. Les laboratoires qui attirent l’attention des développeurs sont, pour la plupart, ceux qui publient des modèles performants que les équipes peuvent inspecter, adapter et faire fonctionner à moindre coût, et ils itèrent suffisamment rapidement pour rester restés dans la liste restreinte à mesure que les attentes augmentent.
La vitesse l’emporte sur la taille
On suppose souvent que les promoteurs visent le modèle le plus gros et le plus intelligent qu’ils peuvent se permettre. Les données d’utilisation disent le contraire. Nous avons divisé les modèles en deux groupes: les variantes légères, c’est-à-dire les versions Flash, Mini et Lite conçues pour la vitesse et le faible coût, et les modèles pleine grandeur. La majorité des requêtes linguistiques sont destinées aux variantes légères.
C’est une réponse rationnelle à la façon dont fonctionnent les applications réelles. La plupart des tâches de production, telles que la classification, l’extraction, le routage, la synthèse et la génération courte, ne nécessitent pas de modèle frontière, et un modèle rapide et peu coûteux qui répond en une fraction du temps est le meilleur choix d’ingénierie. Les modèles plus grands sont réservés pour les problèmes vraiment difficiles, qui ne sont pas atteignés par défaut. Pour les équipes qui surveillent à la fois leurs budgets de latence et leurs factures, cet instinct mérite confiance.
Au-delà du texte: ce que les développeurs produisent
L’usage ne se limite pas à la langue. En ce qui concerne la génération de médias, les motifs sont tout aussi concentrés que pour le texte. La génération d’images s’effectue presque entièrement par un seul modèle. La vidéo est principalement partagée entre Kling et Seedance. Le travail audio, notablement, est dominé par la transcription plutôt que par la synthèse, ce qui en dit long sur la manière dont les équipes utilisent aujourd’hui les modèles audio: plus pour comprendre le son existant que pour créer un nouveau son.
La même règle s’applique à toutes les modalités. Une courte liste de modèles fait l’immense majorité du travail, et le reste du peloton se dispute pour ce qui reste.
Ce que cela signifie si vous choisissez un modèle
La leçon pratique qui explique tout cela est de choisir par tâche, pas par marque. Les modèles les plus utilisés sur la plateforme ne sont pas les plus célèbres. Ce sont eux qui obtiennent une véritable évaluation sur le coût, la rapidité et la qualité pour un travail spécifique. Quelques habitudes découlent directement des données:
- Commence avec un niveau rapide et léger et ne progresse que si la tâche nécessite vraiment un modèle plus grand. La plupart des travaux ne le font pas.
- Évaluez sérieusement les modèles à poids ouvert. En usage réel, ce n’est pas un choix de compromis, c’est le choix par défaut pour le travail de production.
- Ne supposez pas que le nom du catalogue le plus important est le plus adapté. La disponibilité et la qualité sont des choses différentes, et les données d’utilisation montrent que les développeurs les traitent ainsi.
- Revérifiez régulièrement vos valeurs par défaut. Avec un niveau aussi compétitif, le meilleur modèle pour une tâche peut changer d’un quart à l’autre.
Le point à retenir
L’histoire de l’utilisation réelle de l’IA en 2026 est la convergence et le choix. Les développeurs disposent de plus de modèles que jamais, et ils répondent en se concentrant sur un petit ensemble de modèles rapides et performants issus d’une nouvelle génération de laboratoires. Le plus important, c’est qu’ils choisissent ces modèles sur le mérite, et non à cause de ce qu’une plateforme offre. La plus grande présence du catalogue ne gagne pas. Le meilleur modèle pour le travail le fait, et de plus en plus ce modèle est ouvert, rapide et peu coûteux.
Vous pouvez comparer chaque modèle, modalité et prix en temps réel sur l’ensemble du catalogue sur le EmpirioLabs page des modèles.
Divulgation: Cet article a été rédigé avec l'aide d'AI et examiné par EmpirioLabs AI.
