# GPT-5 nano

> Fiche du modèle de langage GPT-5 nano sur Quelle IA, édition du 28 septembre 2026. GPT-5 nano (OpenAI) : score IA de 64,1, 139e sur 246. Scores par tâche, prix, exécution locale et liens pour le télécharger ou l'essayer.

Page : https://quelleia.com/modeles/gpt-5-nano/
Origine : OpenAI · États-Unis · sorti le 7 août 2025

## Score général

- Score IA : 64,1 (marge à 90 % : de 58,7 à 69,5)
- Rang : 139 (Groupe 10, ex æquo)
- Couverture : 80 % du poids des tâches, 31 mesures
- Échelle : 100 pour le meilleur modèle au lancement du site, 50 pour GPT-4o de novembre 2024.

## Scores par tâche

| Tâche | Score | Détail |
| --- | --- | --- |
| Raisonnement | 59,7 | Rang 92 · 78 % |
| Code | 66,5 | Provisoire · 23 % |
| Agents | non mesuré | Non mesuré |
| Usage | 60,2 | Rang 162 · 100 % |
| Maths | 70,6 | Rang 68 · 88 % |
| Sciences | 64,4 | Provisoire · 40 % |
| Français | 55,0 | Rang 110 · 75 % |
| Vision | 61,0 | Provisoire · 33 % |
| Écriture | 54,4 | Rang 186 · 100 % |
| Web | non mesuré | Non mesuré |

## Artificial Analysis (hors du score)

Artificial Analysis évalue les modèles de son côté et publie son propre indice, l'Artificial Analysis Intelligence Index v4.3. C'est un autre indice, qui ne compte pas dans le score IA de Quelle IA et ne se compare pas directement à lui.

| Version évaluée | Indice v4.3 | Rang chez eux | Vitesse | Premier jeton | Prix par million de jetons (entrée / sortie) |
| --- | --- | --- | --- | --- | --- |
| [GPT-5 nano (High)](https://artificialanalysis.ai/models/gpt-5-nano) | 13,0 (estimé) | hors classement | 147,4 jetons/s | 79,8 s | 0,05 $ / 0,4 $ |
| [GPT-5 nano (Medium)](https://artificialanalysis.ai/models/gpt-5-nano-medium) | 12,5 (estimé) | hors classement | 149,2 jetons/s | 42,6 s | 0,05 $ / 0,4 $ |
| [GPT-5 nano (Minimal)](https://artificialanalysis.ai/models/gpt-5-nano-minimal) | 7,1 (estimé) | hors classement | 144,2 jetons/s | 0,89 s | 0,05 $ / 0,4 $ |

Médianes de leurs mesures : vitesse en jetons produits par seconde, délai avant le premier jeton en secondes. Prix en dollars par million de jetons, en entrée puis en sortie. Rang parmi les 193 modèles que leur indice classe ; un indice qu'ils estiment reste hors de ce classement. Relevé le 1er octobre 2026 sur leur site, reproduit avec leur accord.

Source : Artificial Analysis, https://artificialanalysis.ai/models/gpt-5-nano

## Exécution locale

Non. GPT-5 nano est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

## Fiche technique

- Prix : 0,04 € / 0,35 € (entrée / sortie, par million de jetons)
- Fenêtre de contexte : 400 000 jetons (environ 300 000 mots)
- Entrées : Texte, image
- Réflexion : Minimale, faible, moyenne, élevée (quatre niveaux réglables)
- Paramètres : Non communiqué
- Licence : Propriétaire (poids fermés, accès par l'éditeur)
- Classe énergétique : A (sur une échelle de A à G)
- Hébergement en Europe : Possible
- Connaissances jusqu'à : Mai 2024

## Où le trouver

- Par API : [OpenRouter](https://openrouter.ai/openai/gpt-5-nano)
- Par API : [API OpenAI](https://platform.openai.com/docs)
- L'essayer : [ChatGPT](https://chatgpt.com)

## Dans les outils de code

- Disponible dans : [Zed](https://quelleia.com/outils/#zed) (inclus), [OpenCode](https://quelleia.com/outils/#opencode) (à l'usage)
- Mesuré dans : [Codex](https://quelleia.com/outils/#codex)
- Relevé du 30 septembre 2026 sur la page publique de chaque outil. Un modèle proposé par un outil figure dans la liste que son éditeur publie. Rien n'y est mesuré.

## Mesures

| Benchmark | Tâche | Publié | Niveau suggéré | État | Source |
| --- | --- | --- | --- | --- | --- |
| EuroEval, Allociné (sentiment) | Français | 96,5 % | 75,4 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| MATH Level 5 | Maths | 95,2 % | 72,9 | archivé | https://epoch.ai/benchmarks |
| EuroEval, Allociné (sentiment) | Français | 95,2 % | 60,3 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| MATH Level 5 | Maths | 94,9 % | 72,3 | archivé | https://epoch.ai/benchmarks |
| EuroEval, Allociné (sentiment) | Français | 92,8 % | 39,2 | saturé | https://euroeval.com/leaderboards/Monolingual/french/ |
| OTIS Mock AIME 2024-2025 | Maths | 81,1 % | 72,3 | saturé | https://epoch.ai/benchmarks |
| OTIS Mock AIME 2024-2025 | Maths | 74,2 % | 69,6 | saturé | https://epoch.ai/benchmarks |
| EuroEval, ELTeC (noms propres) | Français | 72,8 % | 90,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, ELTeC (noms propres) | Français | 70,6 % | 81,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, FQuAD (compréhension) | Français | 64,8 % | 41,8 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, FQuAD (compréhension) | Français | 64 % | 37,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, HellaSwag (bon sens) | Français | 59,8 % | 50,9 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, FQuAD (compréhension) | Français | 59,6 % | 15,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, INCLUDE (connaissances) | Français | 59,4 % | 54,8 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| GPQA Diamond | Sciences | 69,4 % | 65,2 | actif | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 67,4 % | 63,9 | actif | https://epoch.ai/benchmarks |
| EuroEval, HellaSwag (bon sens) | Français | 52,8 % | 41,5 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, ELTeC (noms propres) | Français | 48,1 % | 7,3 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| OTIS Mock AIME 2024-2025 | Maths | 46,7 % | 61,4 | saturé | https://epoch.ai/benchmarks |
| EuroEval, HellaSwag (bon sens) | Français | 44,4 % | 30,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Fiction.LiveBench | Données | 44,4 % | 56,3 | archivé | https://epoch.ai/benchmarks |
| GPQA Diamond | Sciences | 57,6 % | 57,7 | actif | https://epoch.ai/benchmarks |
| Arena, questions de maths | Maths | 1 346,2 Elo | 58,4 | actif | https://arena.ai/leaderboard |
| Arena, questions de code | Code | 1 384,3 Elo | 56,2 | actif | https://arena.ai/leaderboard |
| Arena, texte | Usage | 1 337,5 Elo | 55,0 | actif | https://arena.ai/leaderboard |
| Arena, questions d'experts | Sciences | 1 353,6 Elo | 57,4 | actif | https://arena.ai/leaderboard |
| compar:IA | Français | 947,0 Elo | 39,5 | actif | https://arene.comparia.beta.gouv.fr/ranking |
| Arena, vision | Vision | 1 146,0 Elo | 56,6 | actif | https://arena.ai/leaderboard |
| WeirdML (v2) | Code | 38,1 % | 66,3 | actif | https://htihle.github.io/weirdml.html |
| DTBench | Raisonnement | 62,7 % | 55,1 | saturé | https://conceptualreasoning.ai/dtbench |
| OTIS Mock AIME 2024-2025 | Maths | 35,6 % | 58,3 | saturé | https://epoch.ai/benchmarks |
| EuroEval, OrangeSum (résumé) | Français | 35 % | 2,0 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Arena, écriture créative | Écriture | 1 246,3 Elo | 41,9 | actif | https://arena.ai/leaderboard |
| EuroEval, ScaLA (grammaire) | Français | 31,6 % | 26,2 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| GPQA Diamond | Sciences | 48,5 % | 51,6 | actif | https://epoch.ai/benchmarks |
| EuroEval, ScaLA (grammaire) | Français | 26,9 % | 14,1 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| EuroEval, MultiLoKo (connaissances locales) | Français | 26,6 % | 61,6 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| WeirdML (v2) | Code | 25,9 % | 56,8 | actif | https://htihle.github.io/weirdml.html |
| EuroEval, ScaLA (grammaire) | Français | 25,2 % | 9,5 | actif | https://euroeval.com/leaderboards/Monolingual/french/ |
| Chess Puzzles | Raisonnement | 27 % | 82,3 | actif | https://epoch.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 21,8 % | 67,8 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| ARC-AGI-1 | Raisonnement | 20,7 % | 66,1 | saturé | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 20 % | 71,2 | actif | https://epoch.ai/benchmarks |
| ForecastBench | Raisonnement | 59,1 % | 66,5 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 16,7 % | 64,5 | saturé | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (version 2025) | Maths | 8,3 % | 69,5 | actif | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (version 2025) | Maths | 7,2 % | 68,6 | actif | https://epoch.ai/benchmarks |
| ProofBench | Maths | 12 % | 80,2 | saturé | https://www.vals.ai/benchmarks/proof_bench |
| SimpleQA Verified | Données | 11,7 % | 54,8 | actif | https://epoch.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 11,5 % | 61,7 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 11,5 % | 61,6 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Chess Puzzles | Raisonnement | 15 % | 72,7 | actif | https://epoch.ai/benchmarks |
| Terminal-Bench 2.0 | Code | 9,9 % | 60,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 9,9 % | 60,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| LMCA | Raisonnement | 7,93 | 44,4 | actif | https://conceptualreasoning.ai/lmca |
| Terminal-Bench 2.0 | Code | 7,9 % | 58,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 7,9 % | 58,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 7 % | 57,3 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| Terminal-Bench 2.0 | Code | 7 % | 57,2 | actif | https://www.tbench.ai/leaderboard/terminal-bench/2.0 |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 6 % | 60,7 | actif | https://epoch.ai/benchmarks |
| VPCT (Visual Physics Comprehension Test) | Vision | 37,2 % | 69,9 | archivé | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 4 % | 55,3 | saturé | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (version 2025) | Maths | 2,1 % | 72,7 | actif | https://epoch.ai/benchmarks |
| VPCT (Visual Physics Comprehension Test) | Vision | 35,4 % | 67,2 | archivé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 2,6 % | 69,0 | saturé | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (v2) | Maths | 2,4 % | 74,4 | saturé | https://epoch.ai/benchmarks |
| FrontierMath, paliers 1 à 3 (v2) | Maths | 1,8 % | 51,0 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-1 | Raisonnement | 1,5 % | 49,3 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 0,9 % | 64,7 | saturé | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 5 % | 65,7 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 9 % | 65,7 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 9 % | 65,7 | actif | https://epoch.ai/benchmarks |
| Mystery Game Puzzles | Raisonnement | 8 % | 65,7 | actif | https://epoch.ai/benchmarks |
| FrontierMath, palier 4 (version 2025) | Maths | 0 % | 66,0 | actif | https://epoch.ai/benchmarks |
| Chess Puzzles | Raisonnement | 1 % | 47,6 | actif | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 0 % | 64,7 | saturé | https://epoch.ai/benchmarks |
| ARC-AGI-2 | Raisonnement | 0 % | 64,7 | saturé | https://epoch.ai/benchmarks |

## En bref

**Quel est le score de GPT-5 nano ?** GPT-5 nano obtient un score IA de 64,1, avec une marge de 58,7 à 69,5, dans l'édition du 28 septembre 2026. Il est classé 139e sur 246 modèles, à partir de 31 mesures.

**Dans quelles tâches GPT-5 nano est-il le plus fort ?** Ses deux meilleures tâches sont maths (70,6) et code (66,5). Sa tâche la plus faible est écriture (54,4).

**GPT-5 nano peut-il tourner en local ?** Non. GPT-5 nano est un modèle fermé : il s'utilise en ligne, par l'application de son éditeur ou par API.

**Combien coûte GPT-5 nano ?** 0,04 € par million de jetons en entrée et 0,35 € en sortie, au tarif affiché par les fournisseurs. Le coût réel d'une tâche dépend du nombre de jetons que le modèle consomme.

**Qui édite GPT-5 nano ?** GPT-5 nano est édité par OpenAI (États-Unis), et il est sorti le 7 août 2025. C'est un modèle fermé.

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