# EBR-bench (Earthborne Rangers) > Fiche du benchmark EBR-bench (Earthborne Rangers) sur Quelle IA, édition du 28 septembre 2026. Le modèle rejoue dix fois un jeu de société complexe, Earthborne Rangers, pour voir s'il s'améliore avec l'expérience. En tête au 28 septembre 2026 : GPT-6 Astra (76,2 %). Notation, limites et classement des 23 modèles mesurés. Page : https://quelleia.com/benchmarks/ebr_bench/ Source du benchmark : https://epoch.ai/benchmarks/ebr-bench Mainteneur : Epoch AI Tâche : Agents État : actif ## À quoi il sert Sur Quelle IA, EBR-bench (Earthborne Rangers) sert à noter la tâche Agents : c'est l'un de ses 9 benchmarks. Il départage surtout les modèles dont le score IA approche 95. ## Comment c'est noté Part des 21 objectifs atteints lors des deux dernières parties, après huit parties d'apprentissage ; la meilleure des deux est retenue. ## Ce qu'il ne dit pas Seuls les cinq premiers jours de la campagne sont joués, sur 20 à 25. Le résultat dépend du harnais et de la façon dont l'historique des parties est résumé. ## Qui le tient Epoch AI. ## Comment lire le score Chaque trait est un modèle, placé à son meilleur score. Un modèle qui obtient 50 % a un score IA d'environ 95. Le meilleur, GPT-6 Astra, atteint 76,2 %. Le benchmark sera dit saturé quand un modèle atteindra 95 %. Ce que le benchmark attend à chaque niveau, d'après sa courbe d'étalonnage : - Score IA 51 (niveau de GPT-4o (Nov 2024)) : moins de 1 % - Score IA 76 (niveau de Claude Sonnet 4.5) : 3 % - Score IA 100 (niveau de Claude Opus 5.5) : 71 % ## Son poids dans le score IA 1,67 % du score général. EBR-bench (Earthborne Rangers) porte 11 % de la tâche Agents (15 % du score général), que se partagent 9 benchmarks. ## Classement (23 modèles mesurés, édition du 28 septembre 2026) Un modèle par ligne, à sa meilleure configuration. « Suggère » : le score IA que cette seule mesure indique. | Rang | Modèle | Éditeur | Réflexion | Score publié | Suggère | Source | | --- | --- | --- | --- | --- | --- | --- | | 1 | [GPT-6 Astra](https://quelleia.com/modeles/gpt-6-astra.md) | OpenAI | Maximale | 76,2 % | 101,4 | https://epoch.ai/benchmarks | | 2 | [Claude Opus 5.5](https://quelleia.com/modeles/claude-opus-5-5.md) | Anthropic | Maximale | 71,4 % | 100,1 | https://epoch.ai/benchmarks | | 3 | [Claude Fable 5.1](https://quelleia.com/modeles/claude-fable-5-1.md) | Anthropic | Maximale | 57,1 % | 96,8 | https://epoch.ai/benchmarks | | 4 | [GPT-6 Sol](https://quelleia.com/modeles/gpt-6-sol.md) | OpenAI | Maximale | 53,3 % | 96,0 | https://epoch.ai/benchmarks | | 5 | [Claude Opus 5](https://quelleia.com/modeles/claude-opus-5.md) | Anthropic | Maximale | 45,7 % | 94,4 | https://epoch.ai/benchmarks | | 6 | [GPT-5.6 Sol](https://quelleia.com/modeles/gpt-5-6-sol.md) | OpenAI | Maximale | 44,8 % | 94,2 | https://epoch.ai/benchmarks | | 7 | [Claude Fable 5](https://quelleia.com/modeles/claude-fable-5.md) | Anthropic | Maximale | 39,5 % | 93,1 | https://epoch.ai/benchmarks | | 8 | [GPT-5.5](https://quelleia.com/modeles/gpt-5-5.md) | OpenAI | Maximale | 34,3 % | 91,9 | https://epoch.ai/benchmarks | | 9 | [Grok 4.6](https://quelleia.com/modeles/grok-4-6.md) | xAI | Maximale | 30,5 % | 90,9 | https://epoch.ai/benchmarks | | 10 | [Claude Opus 4.8](https://quelleia.com/modeles/claude-opus-4-8.md) | Anthropic | Maximale | 28,6 % | 90,5 | https://epoch.ai/benchmarks | | 11 | [GPT-5.4](https://quelleia.com/modeles/gpt-5-4.md) | OpenAI | Maximale | 25,4 % | 89,6 | https://epoch.ai/benchmarks | | 12 | [GPT-5.2](https://quelleia.com/modeles/gpt-5-2.md) | OpenAI | Maximale | 23 % | 88,9 | https://epoch.ai/benchmarks | | 13 | [Claude Opus 4.7](https://quelleia.com/modeles/claude-opus-4-7.md) | Anthropic | Maximale | 19 % | 87,7 | https://epoch.ai/benchmarks | | 14 | [Gemini 3.1 Pro](https://quelleia.com/modeles/gemini-3-1-pro.md) | Google DeepMind | non précisée | 14,3 % | 85,8 | https://epoch.ai/benchmarks | | 14 | [Claude Opus 4.5](https://quelleia.com/modeles/claude-opus-4-5.md) | Anthropic | Budget | 14,3 % | 85,8 | https://epoch.ai/benchmarks | | 16 | [Claude Opus 4.6](https://quelleia.com/modeles/claude-opus-4-6.md) | Anthropic | Maximale | 12,7 % | 85,1 | https://epoch.ai/benchmarks | | 16 | [GPT-5](https://quelleia.com/modeles/gpt-5.md) | OpenAI | Élevée | 12,7 % | 85,1 | https://epoch.ai/benchmarks | | 18 | [Qwen3.7-Max](https://quelleia.com/modeles/qwen3-7-max.md) | Alibaba | non précisée | 9,5 % | 83,4 | https://epoch.ai/benchmarks | | 18 | [GLM-5.2](https://quelleia.com/modeles/glm-5-2.md) | Z.ai (Zhipu AI) | Maximale | 9,5 % | 83,4 | https://epoch.ai/benchmarks | | 20 | [Claude Opus 4.1](https://quelleia.com/modeles/claude-opus-4-1.md) | Anthropic | non précisée | 7,9 % | 82,4 | https://epoch.ai/benchmarks | | 21 | [Gemini 3.5 Flash](https://quelleia.com/modeles/gemini-3-5-flash.md) | Google DeepMind | Élevée | 4,8 % | 79,5 | https://epoch.ai/benchmarks | | 22 | [Kimi K2.6](https://quelleia.com/modeles/kimi-k2-6.md) | Moonshot | non précisée | 2,4 % | 75,7 | https://epoch.ai/benchmarks | | 22 | [Claude Sonnet 4.5](https://quelleia.com/modeles/claude-sonnet-4-5.md) | Anthropic | non précisée | 2,4 % | 75,7 | https://epoch.ai/benchmarks | ## En bref **Que mesure EBR-bench (Earthborne Rangers) ?** Le modèle rejoue dix fois un jeu de société complexe, Earthborne Rangers, pour voir s'il s'améliore avec l'expérience. Sur Quelle IA, il est rangé dans la tâche Agents. **Comment EBR-bench (Earthborne Rangers) est-il noté ?** Part des 21 objectifs atteints lors des deux dernières parties, après huit parties d'apprentissage ; la meilleure des deux est retenue. Un modèle qui obtient 50 % a un score IA d'environ 95. **Qui est en tête sur EBR-bench (Earthborne Rangers) ?** GPT-6 Astra (OpenAI) est en tête d'EBR-bench (Earthborne Rangers) avec 76,2 %, dans l'édition du 28 septembre 2026. Suivent Claude Opus 5.5 (71,4 %) et Claude Fable 5.1 (57,1 %). 23 modèles y sont mesurés. **Quelles sont les limites d'EBR-bench (Earthborne Rangers) ?** Seuls les cinq premiers jours de la campagne sont joués, sur 20 à 25. Le résultat dépend du harnais et de la façon dont l'historique des parties est résumé. Au 28 septembre 2026, le benchmark est actif. **Combien pèse EBR-bench (Earthborne Rangers) dans le score IA ?** EBR-bench (Earthborne Rangers) compte pour 1,67 % du score général, dans l'édition du 28 septembre 2026. Il porte 11 % de la tâche Agents (15 % du score général), que se partagent 9 benchmarks. **Qui maintient EBR-bench (Earthborne Rangers) ?** Epoch AI. Sa page de référence : epoch.ai/benchmarks/ebr-bench. ## Les autres benchmarks de la tâche Agents - [Vending-Bench 2](https://quelleia.com/benchmarks/vending_bench_2.md) : 56 modèles · 1,67 % du score - [METR Time Horizons (taux de réussite)](https://quelleia.com/benchmarks/metr_time_horizons.md) : 41 modèles · 1,67 % du score - [BALROG](https://quelleia.com/benchmarks/balrog.md) : 37 modèles · 1,67 % du score - [APEX-Agents](https://quelleia.com/benchmarks/apex_agents.md) : 34 modèles · 1,67 % du score - [DeepResearch Bench](https://quelleia.com/benchmarks/deepresearch_bench.md) : 24 modèles · 1,67 % du score - [Remote Labor Index](https://quelleia.com/benchmarks/remote_labor_index.md) : 13 modèles · 1,67 % du score - [PostTrainBench](https://quelleia.com/benchmarks/posttrainbench.md) : 11 modèles · 1,67 % du score - [OSWorld 2.0](https://quelleia.com/benchmarks/osworld_2.md) : 9 modèles · 1,67 % du score - [TheAgentCompany](https://quelleia.com/benchmarks/the_agent_company.md) : 14 modèles · hors score, archivé - [GDPval](https://quelleia.com/benchmarks/gdpval.md) : 11 modèles · hors score, archivé - [OSWorld](https://quelleia.com/benchmarks/osworld.md) : 9 modèles · hors score, archivé Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com