PostTrainBench
PostTrainBench est un benchmark consacré à l’évaluation de l’entraînement postérieur autonome. À partir de modèles de base uniquement préentraînés, un agent doit prendre en charge l’ensemble du processus, de la synthèse des données à l’entraînement, puis à l’évaluation et aux itérations,…
PostTrainBench est un benchmark consacré à l’évaluation de l’entraînement postérieur autonome. À partir de modèles de base uniquement préentraînés, un agent doit prendre en charge l’ensemble du processus, de la synthèse des données à l’entraînement, puis à l’évaluation et aux itérations, dans un temps limité.
Il mesure conjointement des capacités d’agent, de code, de raisonnement et de gestion de systèmes. Les résultats obtenus sur AIME2025, BFCL, GPQA Main, GSM8K et HumanEval servent à apprécier la capacité d’un modèle à piloter une chaîne complète de post-entraînement.
Carte d'identité
| Caractéristique | Valeur |
|---|---|
| Capacités mesurées | agents, code, raisonnement, systèmes |
| Modalité | Texte |
Classement des modèles (5)
| # | Modèle | Éditeur | Licence | Score | Sortie | Fiabilité |
|---|---|---|---|---|---|---|
| 1 | MiniMax M3 | MiniMax | 🟢 Ouvert | 37,1 % | 1 juin 2026 | Auto-déclaré |
| 2 | Kimi K3 | Moonshot AI | ▫ n.d. | 36,6 % | 16 juillet 2026 | Auto-déclaré |
| 3 | GLM-5.2 | Zhipu AI | 🟢 Ouvert | 34,3 % | 16 juin 2026 | Auto-déclaré |
| 4 | Seed 2.1 Turbo | ByteDance | 🔒 Propriétaire | 18,3 % | 24 juin 2026 | Auto-déclaré |
| 5 | Seed 2.1 Pro | ByteDance | 🔒 Propriétaire | 16,5 % | 24 juin 2026 | Auto-déclaré |
Classement établi sur 5 modèles évalués. Score médian de l'ensemble : 34,3 %. « Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench, MTEB…).
Notre analyse
Un score élevé indique qu’un agent parvient à transformer plus efficacement des modèles préentraînés en suivant de manière autonome la chaîne de synthèse, d’entraînement, d’évaluation et d’itération, avec de bons résultats sur les benchmarks aval retenus. La lecture du classement exige toutefois de la prudence, car les scores sont majoritairement auto-déclarés par les éditeurs plutôt que mesurés selon une procédure indépendante commune. MiniMax M3 arrive en tête à 37 %, soit trois points au-dessus de la médiane de 34 % observée parmi les cinq modèles de la base. Cet écart limité montre que le meilleur résultat reste proche du centre de l’échantillon, sans indiquer une saturation apparente du benchmark. Une éventuelle contamination des benchmarks aval pourrait favoriser des systèmes ayant déjà rencontré des tâches similaires. La portée demeure également circonscrite au post-entraînement autonome et aux épreuves citées : le classement renseigne sur l’orchestration de ce pipeline, pas sur toutes les qualités générales d’un modèle. Dans cet ensemble restreint, MiniMax M3 constitue donc la référence disponible, mais son avance reste modérée.
Sources des scores : llm-stats.