Nous: Hermes 4 70B
Nous: Hermes 4 70B est un LLM de Nous Research sorti le 26 août 2025, avec des connaissances arrêtées au 31 août 2024. Son profil combine une très grande fenêtre de contexte de 131 072 tokens et un positionnement tarifaire très économique.
Nous: Hermes 4 70B est un LLM de Nous Research sorti le 26 août 2025, avec des connaissances arrêtées au 31 août 2024. Son profil combine une très grande fenêtre de contexte de 131 072 tokens et un positionnement tarifaire très économique.
Le modèle se distingue surtout par son coût d’usage: ses tarifs sont indiqués à 93% sous la moyenne des LLM similaires, et environ 37,2 fois sous ceux des modèles frontière. Les données disponibles reposent sur 2 sources concordantes.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Nous Research |
| Date de sortie | 26 août 2025 |
| Connaissances jusqu'à | 2024-08-31 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 99,0 % | 114ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 98,0 % | 71ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 98,0 % | 90ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 96,5 % | 166ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 69,0 % | 169ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 55,1 % | 157ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 55,0 % | 213ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 54,0 % | 178ᵉ / 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 : Hallucinations (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Nebius Token Factory | 0,13 $ | 0,4 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 93 % en dessous de la moyenne des LLM similaires, et 37,2 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 | 0,01 $ |
| Latence moyenne par benchmark — Benchable | 3 min 14 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. Nous: Hermes 4 70B obtient ses meilleurs résultats sur Ethics, Hallucinations et Email Classification, trois Benchable où il atteint un niveau élevé. Ce profil signale un modèle particulièrement solide sur les évaluations de comportement, de résistance aux réponses inventées et de tri d’e-mails. General Knowledge reste également à un niveau élevé, même si son rang le place plus loin dans le classement que ses meilleurs domaines. La grande fenêtre de contexte constitue un autre atout concret pour traiter de longs contenus ou de longues consignes. Son principal avantage économique est net: l’entrée à 0,13 $ par million de tokens et la sortie à 0,4 $ par million de tokens le placent dans une catégorie très abordable face aux LLM comparables.
Limites et points d'attention. Les résultats sont moins convaincants en Mathematics, où le modèle descend nettement par rapport à ses meilleurs scores, et surtout en Instruction Following, qui apparaît comme son point faible le plus visible. Ce dernier signal appelle à la prudence pour les tâches nécessitant une exécution stricte de consignes complexes ou très structurées. Le rang en General Knowledge montre aussi que le score brut élevé ne suffit pas à le placer parmi les tout premiers modèles évalués. Nous: Hermes 4 70B convient surtout aux usages où le coût, la grande fenêtre de contexte et les tâches de classification ou de contrôle factuel priment sur le raisonnement mathématique avancé et le suivi d’instructions exigeant.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).