# GeoBench

> Fiche du benchmark GeoBench sur Quelle IA, édition du 28 septembre 2026. Deviner où une photo de rue a été prise, comme au jeu GeoGuessr, à partir des panneaux, de la végétation ou de l'architecture. En tête au 28 septembre 2026 : Gemini 3 Flash (88 %). Notation, limites et classement des 27 modèles mesurés.

Page : https://quelleia.com/benchmarks/geobench/
Source du benchmark : https://geobench.org/
Mainteneur : ccmdi (projet personnel)
Tâche : Vision et multimodal
État : archivé

## À quoi il sert

GeoBench servait à noter la tâche Vision et multimodal. Archivé faute de modèle récent mesuré, il ne sert plus qu'à situer les modèles plus anciens sur l'échelle commune.

## Comment c'est noté

Part de photos dont le pays est correctement identifié sur la carte principale du classement (ACW).

## Ce qu'il ne dit pas

Projet personnel. Le score retenu ne regarde que le pays trouvé, alors que le classement mesure aussi la distance au bon endroit.

## Qui le tient

ccmdi (projet personnel).

## 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 38. Le meilleur, Gemini 3 Flash, atteint 88 %. Le benchmark est archivé, faute de modèle récent mesuré.

Ce que le benchmark attend à chaque niveau, d'après sa courbe d'étalonnage :

- Score IA 51 (niveau de GPT-4o (Nov 2024)) : 58 %
- Score IA 76 (niveau de Claude Sonnet 4.5) : 73 %
- Score IA 100 (niveau de Claude Opus 5.5) : 83 %

## Son poids dans le score IA

0 % du score général. GeoBench est archivé et ne compte plus : la tâche Vision et multimodal (5 % du score général) repose sur 3 autres benchmarks.

## Classement (27 modèles mesurés · 32 mesures, 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 | [Gemini 3 Flash](https://quelleia.com/modeles/gemini-3-flash.md) | Google DeepMind | non précisée | 88 % | 114,4 | https://epoch.ai/benchmarks |
| 2 | [Gemini 2.5 Pro (May 2025)](https://quelleia.com/modeles/gemini-2-5-pro-may-2025.md) | Google DeepMind | non précisée | 86 % | 107,6 | https://epoch.ai/benchmarks |
| 3 | [Gemini 3 Pro](https://quelleia.com/modeles/gemini-3-pro.md) | Google DeepMind | non précisée | 84 % | 101,6 | https://epoch.ai/benchmarks |
| 4 | [GPT-5](https://quelleia.com/modeles/gpt-5.md) | OpenAI | Moyenne | 81 % | 93,6 | https://epoch.ai/benchmarks |
| 4 | [Gemini 2.5 Pro (Mar 2025)](https://quelleia.com/modeles/gemini-2-5-pro-mar-2025.md) | Google DeepMind | non précisée | 81 % | 93,6 | https://epoch.ai/benchmarks |
| 6 | [o1](https://quelleia.com/modeles/o1.md) | OpenAI | Moyenne | 80 % | 91,1 | https://epoch.ai/benchmarks |
| 7 | [Gemini 2.0 Flash (Feb 2025)](https://quelleia.com/modeles/gemini-2-0-flash-feb-2025.md) | Google DeepMind | non précisée | 77 % | 84,3 | https://epoch.ai/benchmarks |
| 8 | [Gemini 2.5 Flash (May 2025)](https://quelleia.com/modeles/gemini-2-5-flash-may-2025.md) | Google DeepMind | non précisée | 76 % | 82,2 | https://epoch.ai/benchmarks |
| 8 | [Gemini 1.5 Flash (Sep 2024)](https://quelleia.com/modeles/gemini-1-5-flash-sep-2024.md) | Google DeepMind | non précisée | 76 % | 82,2 | https://epoch.ai/benchmarks |
| 10 | [Claude Opus 4.5](https://quelleia.com/modeles/claude-opus-4-5.md) | Anthropic | non précisée | 75 % | 80,1 | https://epoch.ai/benchmarks |
| 11 | [o3](https://quelleia.com/modeles/o3.md) | OpenAI | Moyenne | 74 % | 78,1 | https://epoch.ai/benchmarks |
| 12 | [Gemini 2.5 Flash (Apr 2025)](https://quelleia.com/modeles/gemini-2-5-flash-apr-2025.md) | Google DeepMind | non précisée | 73 % | 76,1 | https://epoch.ai/benchmarks |
| 13 | [GPT-4.1](https://quelleia.com/modeles/gpt-4-1.md) | OpenAI | non précisée | 72 % | 74,2 | https://epoch.ai/benchmarks |
| 14 | [GPT-4o (Nov 2024)](https://quelleia.com/modeles/gpt-4o-nov-2024.md) | OpenAI | non précisée | 71 % | 72,3 | https://epoch.ai/benchmarks |
| 15 | [Claude 3.7 Sonnet](https://quelleia.com/modeles/claude-3-7-sonnet.md) | Anthropic | non précisée | 68 % | 66,9 | https://epoch.ai/benchmarks |
| 16 | [o4-mini](https://quelleia.com/modeles/o4-mini.md) | OpenAI | Moyenne | 64 % | 60,1 | https://epoch.ai/benchmarks |
| 16 | [GPT-4o mini](https://quelleia.com/modeles/gpt-4o-mini.md) | OpenAI | non précisée | 64 % | 60,1 | https://epoch.ai/benchmarks |
| 18 | [Claude 3.5 Sonnet (October 2024)](https://quelleia.com/modeles/claude-3-5-sonnet-october-2024.md) | Anthropic | non précisée | 62 % | 56,8 | https://epoch.ai/benchmarks |
| 18 | [Qwen2.5-72B](https://quelleia.com/modeles/qwen2-5-72b.md) | Alibaba | non précisée | 62 % | 56,8 | https://epoch.ai/benchmarks |
| 20 | [Llama 4 Maverick](https://quelleia.com/modeles/llama-4-maverick.md) | Meta AI | non précisée | 52 % | 41,1 | https://epoch.ai/benchmarks |
| 20 | [Gemma 3 27B](https://quelleia.com/modeles/gemma-3-27b.md) | Google DeepMind | non précisée | 52 % | 41,1 | https://epoch.ai/benchmarks |
| 20 | [Llama 3.2 90B](https://quelleia.com/modeles/llama-3-2-90b.md) | Meta AI | non précisée | 52 % | 41,1 | https://epoch.ai/benchmarks |
| 23 | [Claude Opus 4](https://quelleia.com/modeles/claude-opus-4.md) | Anthropic | Budget | 49 % | 36,5 | https://epoch.ai/benchmarks |
| 24 | [Grok 4](https://quelleia.com/modeles/grok-4.md) | xAI | non précisée | 45 % | 30,3 | https://epoch.ai/benchmarks |
| 25 | [Claude Sonnet 4](https://quelleia.com/modeles/claude-sonnet-4.md) | Anthropic | non précisée | 37 % | 17,6 | https://epoch.ai/benchmarks |
| 25 | [Pixtral 12B](https://quelleia.com/modeles/pixtral-12b.md) | Mistral AI | non précisée | 37 % | 17,6 | https://epoch.ai/benchmarks |
| 27 | [Claude 3.5 Haiku](https://quelleia.com/modeles/claude-3-5-haiku.md) | Anthropic | non précisée | 34 % | 12,6 | https://epoch.ai/benchmarks |

## En bref

**Que mesure GeoBench ?** Deviner où une photo de rue a été prise, comme au jeu GeoGuessr, à partir des panneaux, de la végétation ou de l'architecture. Sur Quelle IA, il est rangé dans la tâche Vision et multimodal.

**Comment GeoBench est-il noté ?** Part de photos dont le pays est correctement identifié sur la carte principale du classement (ACW). Un modèle qui obtient 50 % a un score IA d'environ 38.

**Qui est en tête sur GeoBench ?** Gemini 3 Flash (Google DeepMind) est en tête de GeoBench avec 88 %, dans l'édition du 28 septembre 2026. Suivent Gemini 2.5 Pro (May 2025) (86 %) et Gemini 3 Pro (84 %). 27 modèles y sont mesurés.

**Quelles sont les limites de GeoBench ?** Projet personnel. Le score retenu ne regarde que le pays trouvé, alors que le classement mesure aussi la distance au bon endroit. Au 28 septembre 2026, le benchmark est archivé.

**Combien pèse GeoBench dans le score IA ?** GeoBench compte pour 0 % du score général, dans l'édition du 28 septembre 2026. Il est archivé et ne compte plus : la tâche Vision et multimodal (5 % du score général) repose sur 3 autres benchmarks.

**Qui maintient GeoBench ?** ccmdi (projet personnel). Sa page de référence : geobench.org.

## Les autres benchmarks de la tâche Vision et multimodal

- [Arena, vision](https://quelleia.com/benchmarks/arena_vision.md) : 121 modèles · 1,67 % du score
- [Furniture Assembly](https://quelleia.com/benchmarks/furniture_assembly.md) : 28 modèles · 1,67 % du score
- [Blueprint-Bench 2](https://quelleia.com/benchmarks/blueprint_bench_2.md) : 26 modèles · 1,67 % du score
- [Video-MME](https://quelleia.com/benchmarks/videomme.md) : 50 modèles · hors score, archivé
- [VPCT (Visual Physics Comprehension Test)](https://quelleia.com/benchmarks/vpct.md) : 28 modèles · hors score, archivé
- [CadEval](https://quelleia.com/benchmarks/cadeval.md) : 15 modèles · hors score, archivé
- [SpatialViz-Bench](https://quelleia.com/benchmarks/spatialviz_bench.md) : 8 modèles · hors score, archivé
- [MindCube](https://quelleia.com/benchmarks/mindcube.md) : 5 modèles · hors score, archivé

Source : Quelle IA, édition du 28 septembre 2026. https://quelleia.com