AI21: Jamba Large 1.7
AI21: Jamba Large 1.7 est un LLM d’AI21 sorti le 8 août 2025, avec des connaissances arrêtées au 31 août 2024. Son trait le plus distinctif est une fenêtre de contexte de 256 000 tokens, adaptée aux entrées longues comme des dossiers, fils d’e-mails ou corpus documentaires volumineux.
AI21: Jamba Large 1.7 est un LLM d’AI21 sorti le 8 août 2025, avec des connaissances arrêtées au 31 août 2024. Son trait le plus distinctif est une fenêtre de contexte de 256 000 tokens, adaptée aux entrées longues comme des dossiers, fils d’e-mails ou corpus documentaires volumineux.
Le modèle se positionne dans une tranche économique, avec un prix d’entrée de 2 $ par million de tokens et une sortie à 8 $ par million. Il reste légèrement au-dessus de la moyenne des LLM similaires, tout en étant environ 2,4 fois moins cher que les modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | AI21 |
| Date de sortie | 8 août 2025 |
| Connaissances jusqu'à | 2024-08-31 |
| Multimodal | non |
| Fenêtre de contexte | 256 000 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 99,0 % | 114ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 93,0 % | 194ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 67,0 % | 204ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 54,0 % | 178ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 52,0 % | 210ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 44,0 % | 188ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 40,0 % | 189ᵉ / 217 | 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 |
|---|---|---|---|
| AI21 | 2 $ | 8 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 3 % au-dessus de la moyenne des LLM similaires, et 2,4 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 | 0,09 $ |
| Latence moyenne par benchmark — Benchable | 3 min 47 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. AI21: Jamba Large 1.7 se distingue surtout sur Email Classification (Baseline), où il se place dans le haut du tableau, ce qui indique une bonne capacité à trier ou catégoriser des messages. Ethics (Baseline) ressort aussi comme un point solide, avec un score brut très élevé, même si son rang montre que plusieurs modèles font mieux. La très grande fenêtre de contexte constitue un avantage concret pour traiter de longs documents sans découpage excessif. Le tarif renforce ce positionnement pratique : le modèle reste économique par rapport aux modèles haut de gamme, malgré un prix légèrement supérieur à la moyenne de sa catégorie.
Limites et points d'attention. Les résultats sont nettement moins convaincants en Coding (Baseline) et en Reasoning (Baseline), où le modèle apparaît plutôt en retrait face à une large partie du panel Benchable. Le score Hallucinations (Baseline) est le signal le plus faible : il invite à prévoir des contrôles lorsque les réponses doivent être factuelles ou vérifiables. General Knowledge (Baseline) affiche un bon score brut, mais un classement modeste, signe d’une concurrence dense. Le modèle convient surtout aux usages de classification, d’analyse de contenus longs et de traitement documentaire à coût maîtrisé, moins aux tâches exigeant raisonnement poussé, programmation robuste ou forte fiabilité factuelle.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).