Cohere: Command R7B (12-2024)
Cohere: Command R7B (12-2024) est un LLM de Cohere sorti le 14 décembre 2024. Avec environ deux ans d’ancienneté, il appartient déjà à une génération ancienne à l’échelle de l’IA, à comparer surtout aux modèles disponibles autour de sa période de lancement plutôt qu’aux systèmes récents.
Cohere: Command R7B (12-2024) est un LLM de Cohere sorti le 14 décembre 2024. Avec environ deux ans d’ancienneté, il appartient déjà à une génération ancienne à l’échelle de l’IA, à comparer surtout aux modèles disponibles autour de sa période de lancement plutôt qu’aux systèmes récents.
Son profil combine une fenêtre de contexte étendue de 128 000 tokens, des connaissances arrêtées au 31 août 2024 et un positionnement tarifaire très économique. Son prix se situe très nettement sous la moyenne des LLM similaires et très loin des tarifs des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Cohere |
| Date de sortie | 14 décembre 2024 |
| Connaissances jusqu'à | 2024-08-31 |
| Multimodal | non |
| Fenêtre de contexte | 128 000 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 90,0 % | 216ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 89,0 % | 236ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 87,8 % | 207ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 74,0 % | 196ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 62,0 % | 175ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 54,0 % | 209ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 27,0 % | 209ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 24,5 % | 213ᵉ / 239 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Ethics (Baseline)
Benchable : Email Classification (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Cohere | 0,0375 $ | 0,15 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 98 % en dessous de la moyenne des LLM similaires, et 128,9 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0 $ |
| Latence moyenne par benchmark — Benchable | 3 min 23 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Cohere: Command R7B (12-2024) conserve un intérêt historique et économique. Ses meilleurs résultats Benchable se situent sur Ethics (Baseline), Email Classification (Baseline) et General Knowledge (Baseline), ce qui indique un comportement relativement solide sur des tâches de jugement général, de tri de messages et de connaissances courantes dans le cadre de cette évaluation. La fenêtre de contexte de 128 000 tokens reste un élément notable pour un modèle de cette période, car elle autorise le traitement de longs contenus dans une seule requête. Le tarif constitue son autre point fort majeur : l’entrée à 0,0375 $ par million de tokens et la sortie à 0,15 $ par million de tokens le placent dans une catégorie très économique, avec un coût annoncé 98% sous la moyenne des LLM similaires et environ 128,9 fois inférieur à celui des modèles frontière.
Limites et points d'attention. Les classements Benchable montrent un modèle plutôt bas dans les comparatifs disponibles, y compris sur ses domaines les plus favorables. Coding (Baseline) et Mathematics (Baseline) signalent des capacités plus limitées pour la programmation et le raisonnement quantitatif. Hallucinations (Baseline) est son point le plus sensible, avec un rang faible dans l’échantillon, ce qui impose de considérer ses réponses factuelles avec prudence. Son ancienneté pèse fortement : ses performances sont aujourd’hui largement dépassées par les générations récentes, et ce type de modèle est souvent retiré des catalogues éditeurs après plusieurs cycles de mise à jour.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).