Notre offre Large Language Model as a Service (LLMaaS) vous permet d’accéder à des modèles de langage de pointe, dont l’inférence est réalisée avec une infrastructure qualifiée SecNumCloud, certifiée HDS pour l’hébergement des données de santé, et donc souveraine, calculée en France. Bénéficiez de performances élevées et d’une sécurité optimale pour vos applications d’IA. Vos données demeurent strictement confidentielles et ne sont ni exploitées, ni stockées après traitement.
Tarification simple et transparente
1,8
€
par million de tokens en entrée
8
€
par million de tokens en sortie
8
€
par million de tokens de raisonnement
4
€
par million de tokens de reranking
0,9
€
par million de tokens batch en entrée
4
€
par million de tokens batch en sortie
0,01
€
par minute audio transcrite *
Calculé sur une infrastructure basée en France, qualifiée SecNumcloud et certifiée HDS.
Note sur le prix "Raisonnement" :
Ce prix s'applique spécifiquement aux modèles classifiés comme "raisonneurs" ou "hybrides" (modèles avec la capacité "Raisonnement" activée) lorsque le raisonnement est actif et uniquement sur les tokens liés à cette activité.
* toute minute commencée est comptée
Chat & Raisonnement
Nos modèles de grande taille offrent des performances de pointe pour les tâches les plus exigeantes. Ils sont particulièrement adaptés pour les applications nécessitant une compréhension profonde du langage, un raisonnement complexe ou le traitement de documents longs.
80 tokens/seconde
qwen3.6:27b
Modèle généraliste de référence avec un contexte natif de 1M tokens. Excelle en raisonnement, suivi d'instructions et multilingue.
Améliorations significatives du suivi d'instructions, du raisonnement, de la compréhension de texte, des mathématiques, du codage et de l'utilisation d'outils. Son contexte de 1M tokens permet l'analyse de documents entiers sans troncature.
94 tokens/seconde
gpt-oss:120b
Modèle open-weight de pointe d'OpenAI avec raisonnement configurable et chaîne de pensée transparente.
Modèle Mixture-of-Experts de 120 milliards de paramètres offrant un raisonnement configurable et un accès complet à la chaîne de pensée. Idéal pour les scénarios nécessitant une licence permissive (Apache 2.0).
10 tokens/seconde
llama3.3:70b
Modèle multilingue de Meta, excellent en dialogue naturel et compréhension nuancée dans 8 langues.
Supporte anglais, français, allemand, espagnol, italien, portugais, hindi et thaï. Sa fenêtre de 132k tokens permet l'analyse de documents complexes et de conversations longues.
72 tokens/seconde
nemotron-3-super:120b
Modèle NVIDIA optimisé pour les agents collaboratifs, le raisonnement long et les charges de travail à fort volume. Contexte de 1M tokens.
Idéal pour les workflows agentiques, le raisonnement sur contexte long, l'automatisation à fort volume (tickets de support, analyses en masse), l'utilisation d'outils et le RAG.
56 tokens/seconde
qwen3-2507:235b
Modèle le plus puissant du catalogue (235B paramètres, 22B actifs). Excelle en mathématiques, codage et raisonnement logique.
Architecture Mixture-of-Experts ultra-éparse combinant la puissance d'un modèle très large avec l'efficacité d'un modèle plus petit.
100 tokens/seconde
mistral-small4:119b
Modèle Mistral haute performance (119B) avec vision, sécurité intégrée et contexte de 262K tokens. Rapide (100 t/s).
Version large de la famille Mistral Small. Combine puissance, vitesse et fiabilité avec un contexte étendu. Filtres de sécurité natifs.
55 tokens/seconde
qwen3-2507-think:4b
Modèle compact optimisé pour le raisonnement profond (logique, maths, science, code). Contexte de 250K tokens.
Version "Thinking" avec une capacité de raisonnement accrue. Combine compacité, vitesse et raisonnement avancé.
Programmation & Agents
Nos modèles de programmation et d’agents sont spécialement optimisés pour l’ingénierie logicielle agentique, la génération de code à grande échelle et l’automatisation de workflows de développement.
121 tokens/seconde
qwen3.6:35b
Leader en ingénierie logicielle agentique (SWE-bench 73.4%). Contexte de 1M tokens, vision et tool calling intégrés.
Comprend des dépôts de code entiers grâce à son contexte de 1M tokens. Supporte le raisonnement multi-étapes et la vision (captures d'écran, diagrammes). Optimisé pour les IDE et les pipelines CI/CD.
97 tokens/seconde
qwen-coder-next:80b
Modèle de pointe pour le code et le raisonnement complexe. Contexte de 250K tokens.
Excelle dans la génération et l'analyse de code à grande échelle. Conçu pour les tâches d'ingénierie logicielle avancées.
67 tokens/seconde
qwen3-next:80b
Modèle polyvalent 80B optimisé pour les grands contextes, le function calling et le raisonnement structuré.
Contexte de 250K tokens avec prise en charge du function calling et du guided decoding.
33 tokens/seconde
devstral-small-2:24b
Modèle agentique de pointe pour l'ingénierie logicielle. Performances proches des modèles >100B pour le code. Vision intégrée.
Optimisé pour l'exploration de codebases, l'édition multi-fichiers et l'utilisation d'outils. Supporte nativement la vision. Contexte de 200K tokens.
40 tokens/seconde
functiongemma:270m
Micro-modèle spécialisé dans la détection d'appels de fonctions. Idéal comme routeur dans une architecture agentique.
Ultra-compact, optimisé pour identifier et formater les appels de fonctions rapidement.
Vision & Multimodal
Nos modèles Vision & Multimodal permettent d’analyser des images, des vidéos et des documents visuels. Ils excellent dans l’OCR, la détection d’objets, l’extraction structurée et le raisonnement spatio-temporel.
24 tokens/seconde
qwen3-vl:235b
Le modèle multimodal le plus puissant du catalogue. Compréhension visuelle de pointe et raisonnement exceptionnel.
Excelle dans l'analyse de documents complexes, l'OCR multilingue, le raisonnement spatial 3D et la compréhension de vidéos.
39 tokens/seconde
qwen3-vl:30b
Modèle multimodal performant pour l'OCR, la détection d'objets, l'analyse de vidéos et le raisonnement spatio-temporel.
Intègre des innovations en analyse d'images et vidéos. Excelle dans l'OCR complexe, les graphiques, et l'extraction structurée (JSON).
57 tokens/seconde
qwen3-vl:4b
Modèle vision compact et rapide pour l'analyse documentaire et la compréhension vidéo.
Excellent compromis entre performance et empreinte. Supporte l'extraction structurée et le raisonnement visuel.
59 tokens/seconde
gemma4:31b
Modèle dense multimodal de Google, classé 3e mondial sur Arena AI. Vision avancée, raisonnement et codage. Contexte 250K tokens.
Modèle open-source le plus performant de Google. Function calling natif, compréhension visuelle avancée (OCR, graphiques, documents, UI). Multilingue (35+ langues).
42 tokens/seconde
gemma4:12b-it-qat
Modèle multimodal intermédiaire de Google, avec vision intégrée, raisonnement et function calling natif. Très grand contexte de 250K tokens.
Variante 12B de la famille Gemma 4, offrant un bon compromis entre qualité multimodale et empreinte. Raisonnement avancé, compréhension visuelle (OCR, graphiques, documents, UI) et support multilingue (35+ langues).
Embedding
Nos modèles d’embedding transforment le texte en représentations vectorielles pour la recherche sémantique, le clustering et les pipelines RAG (Retrieval-Augmented Generation).
171 tokens/seconde
bge-m3:567m
Embedding multilingue de pointe (100+ langues). Supporte les recherches dense, sparse et multi-vectorielle.
Contexte de 8192 tokens avec trois méthodes de recherche complémentaires.
qwen3-embedding:4b
Embedding haute performance avec compréhension sémantique profonde et contexte étendu (40K tokens).
Idéal pour le traitement de documents volumineux dans les pipelines RAG.
qwen3-embedding:8b
Embedding haute capacité avec la meilleure compréhension sémantique de la famille Qwen3. Contexte étendu (40K tokens).
Version la plus puissante de la famille d'embedding Qwen3. Idéal pour les tâches exigeantes en compréhension contextuelle.
qwen3-embedding:0.6b
Embedding ultra-léger et rapide pour la recherche sémantique à faible latence.
Excellent compromis entre performance sémantique et rapidité d'exécution.
196.3 tokens/seconde
granite-embedding:278m
Embedding IBM ultra-compact pour une recherche sémantique à latence minimale.
Le plus rapide des modèles d'embedding du catalogue. Idéal pour le clustering et la recherche à haute fréquence.
175 tokens/seconde
embeddinggemma:300m
Embedding Google multilingue (100+ langues), optimisé pour la recherche et la récupération sémantique.
Produit des représentations vectorielles de texte pour la classification, le clustering et la recherche de similarité.
Reranking
Nos modèles de reranking réordonnent les résultats de recherche par pertinence pour affiner la qualité des pipelines RAG. Compatibles avec l’API Cohere.
nvidia/llama-nemotron-rerank-vl-1b-v2
Modèle de reranking compatible API Cohere (/v1/rerank et /v2/rerank). Ordonne les documents par pertinence vis-à-vis d'une requête.
Compatible SDK Cohere v1/v2. Le relevance_score est un logit brut (l'ordre relatif est garanti). Idéal en complément de la pile RAG (embedding + retrieval + rerank).
qwen3-reranker:4b
Modèle de reranking performant avec une grande capacité de compréhension contextuelle.
Excellente qualité de réordonnancement grâce à ses 4B paramètres. Idéal pour les pipelines RAG exigeants.
qwen3-reranker:0.6b
Modèle de reranking compact et efficace pour le réordonnancement rapide.
Version légère pour les cas d'usage nécessitant une faible latence de reranking.
bge-reranker-large
Modèle de reranking haute performance de la famille BGE, multilingue.
Complémentaire du modèle d'embedding BGE-M3 pour les pipelines RAG complets.
Sécurité
Nos modèles de sécurité sont spécialisés dans la détection de contenus problématiques, la prévention des jailbreaks et la conformité réglementaire (RGPD, HDS). Utilisables en pré-filtre ou post-filtre dans vos workflows.
45 tokens/seconde
granite3-guardian:8b
Granite Guardian 4.1 (upgrade v3) — détection de contenus problématiques, jailbreak, BYOC et hybrid thinking.
Version 4.1 (avril 2026). Conçu pour filtrer les contenus sensibles et assurer la conformité RGPD/HDS. Utilisable en pré-filtre ou post-filtre dans vos workflows. Hybrid thinking (reasoning) activé.
60 tokens/seconde
granite3-guardian:2b
Granite Guardian 4.1 compact (upgrade v3 :2b) — alias vers la version 8B avec hybrid thinking.
Mêmes capacités de filtrage que la version 8B avec une empreinte réduite. Idéal pour les workflows à haute fréquence. Hybrid thinking (reasoning) activé.
Traduction
Nos modèles de traduction offrent une haute fidélité sur 55 langues, en respectant la grammaire, les nuances culturelles et les spécificités techniques des documents.
17 tokens/seconde
translategemma:27b
Traduction haute performance pour 55 langues. Qualité supérieure pour les contenus complexes et techniques.
Capture les nuances littéraires et culturelles avec une fidélité exceptionnelle.
Audio & Image
Nos modèles Audio & Image permettent la transcription vocale en temps réel (ASR streaming) et la génération d’images à partir de descriptions textuelles, compatibles avec l’API OpenAI.
voxtral
Transcription audio en temps réel via WebSocket. Reconnaissance vocale streaming avec faible latence.
Fonctionne en mode Realtime via l'endpoint /v1/realtime (WebSocket). Transcrit l'audio en continu.
z-image:16b
Génération d'images à partir de prompts textuels, compatible API OpenAI /v1/images/generations.
Supporte les paramètres de taille et nombre d'images. Compatible avec l'écosystème OpenAI.
Comparaison des modèles
Ce tableau comparatif vous aide à choisir le modèle le plus adapté à vos besoins en fonction de différents critères comme la taille du contexte, les performances et les cas d’usage spécifiques.
| Modèle | Editeur | Paramètres | Contexte (tokens) | Vision | Agent | Raisonnement | Sécurité | Rapide * | Efficience énergétique * |
|---|---|---|---|---|---|---|---|---|---|
| Chat & Raisonnement | |||||||||
| qwen3.6:27b | Qwen Team | 27B | 1 000 000 | ||||||
| gpt-oss:120b | OpenAI | 120B | 120 000 | ||||||
| llama3.3:70b | Meta | 70B | 132 000 | ||||||
| nemotron-3-super:120b | NVIDIA | 120B | 1 000 000 | ||||||
| qwen3-2507:235b | Qwen Team | 235B | 200 000 | ||||||
| mistral-small4:119b | Mistral AI | 119B | 262 144 | ||||||
| qwen3-2507-think:4b | Qwen Team | 4B | 250 000 | ||||||
| Programmation & Agents | |||||||||
| qwen3.6:35b | Qwen Team | 35B | 1 000 000 | ||||||
| qwen-coder-next:80b | Qwen Team | 80B | 250 000 | ||||||
| qwen3-next:80b | Qwen Team | 80B | 250 000 | ||||||
| devstral-small-2:24b | Mistral AI & All Hands AI | 24B | 200 000 | ||||||
| functiongemma:270m | 270M | 32 768 | |||||||
| Vision & Multimodal | |||||||||
| qwen3-vl:235b | Qwen Team | 235B | 200 000 | ||||||
| qwen3-vl:30b | Qwen Team | 30B | 250 000 | ||||||
| qwen3-vl:4b | Qwen Team | 4B | 250 000 | ||||||
| gemma4:31b | 31B | 250 000 | |||||||
| gemma4:12b-it-qat | 12B | 250 000 | |||||||
| Embedding | |||||||||
| bge-m3:567m | BAAI | 567M | 8 192 | ||||||
| qwen3-embedding:4b | Qwen Team | 4B | 40 000 | ||||||
| qwen3-embedding:8b | Qwen Team | 8B | 40 000 | ||||||
| qwen3-embedding:0.6b | Qwen Team | 0.6B | 32 768 | ||||||
| granite-embedding:278m | IBM | 278M | 512 | ||||||
| embeddinggemma:300m | 300M | 2 048 | |||||||
| Reranking | |||||||||
| nvidia/llama-nemotron-rerank-vl-1b-v2 | NVIDIA | 1B | 4 096 | N.C. | |||||
| qwen3-reranker:4b | Qwen Team | 4B | 4 096 | N.C. | |||||
| qwen3-reranker:0.6b | Qwen Team | 0.6B | 4 096 | N.C. | |||||
| bge-reranker-large | BAAI | 335M | 512 | N.C. | |||||
| Sécurité | |||||||||
| granite3-guardian:8b | IBM | 8B | 8 192 | ||||||
| granite3-guardian:2b | IBM | 2B | 8 192 | ||||||
| Traduction | |||||||||
| translategemma:27b | 27B | 120 000 | |||||||
| Audio & Image | |||||||||
| voxtral | Mistral AI | 4B | 32 768 | N.C. | |||||
| z-image:16b | Community | 16B | N.C. | N.C. | |||||
Légende et explication
: Fonctionnalité ou capacité supportée par le modèle
: Fonctionnalité ou capacité non supportée par le modèle
* Efficience énergétique
: Indique une consommation énergétique particulièrement faible (< 2.0 kWh/Mtoken)
* Rapide
: Modèle capable de générer plus de 50 tokens par seconde
Note sur les mesures de performance
Les valeurs de vitesse (tokens/s) représentent des cibles de performance en conditions réelles. La consommation énergétique (kWh/Mtoken) est calculée en divisant la puissance estimée du serveur d'inférence (en Watts) par la vitesse mesurée du modèle (en tokens/seconde), puis convertie en kilowattheures par million de tokens (division par 3.6). Cette méthode offre une comparaison pratique de l'efficience énergétique des différents modèles, à utiliser comme indicateur relatif plutôt que comme mesure absolue de la consommation électrique.
Cas d'usage recommandés
Voici quelques cas d’usage courants et les modèles les plus adaptés pour chacun d’entre eux. Ces recommandations sont basées sur les performances et les capacités spécifiques de chaque modèle.
Dialogue multilingue
Chatbots et assistants capables de communiquer dans plusieurs langues avec détection automatique et maintien du contexte
Modèles recommandés
- nemotron-3-super:120b
- qwen3.6:27b
- gpt-oss:120b
Analyse de documents longs
Traitement de documents volumineux (>100 pages) avec extraction d'informations clés, résumés et réponses à des questions
Modèles recommandés
- nemotron-3-super:120b
- qwen3.6:27b
- qwen3-2507:235b
Programmation et développement
Génération, optimisation et débogage de code dans multiples langages, refactoring et création de tests
Modèles recommandés
- qwen3.6:35b
- qwen-coder-next:80b
- devstral-small-2:24b
- nemotron-3-super:120b
Analyse visuelle
Traitement d'images et documents visuels, OCR, interprétation de graphiques et tableaux
Modèles recommandés
- qwen3-vl:235b
- gemma4:31b
- qwen3-vl:30b
Sécurité et conformité
Filtrage de contenu sensible, détection de jailbreak, conformité RGPD/HDS
Modèles recommandés
- granite4.1-guardian:8b
- granite3-guardian:8b
- granite3-guardian:2b
- mistral-small4:119b
Déploiements légers
Applications nécessitant une empreinte minimale, faible latence et faible consommation
RAG (Retrieval-Augmented Generation)
Pipelines complets de recherche sémantique, réordonnancement et génération augmentée par la récupération
Modèles recommandés
- bge-m3:567m
- nvidia/llama-nemotron-rerank-vl-1b-v2
- qwen3.6:27b