ByteDance Seed: Seed-2.0-Mini
ByteDance Seed: Seed-2.0-Mini est un LLM publié par ByteDance le 26 février 2026, avec une fenêtre de contexte de 262 144 tokens. Son positionnement combine un très grand contexte et un coût d’usage très bas, dans une catégorie où les prix varient fortement selon les modèles.
ByteDance Seed: Seed-2.0-Mini est un LLM publié par ByteDance le 26 février 2026, avec une fenêtre de contexte de 262 144 tokens. Son positionnement combine un très grand contexte et un coût d’usage très bas, dans une catégorie où les prix varient fortement selon les modèles.
Le modèle se distingue surtout par un tarif très économique, annoncé 95% sous la moyenne des LLM similaires et environ 48,3 fois inférieur à celui des modèles frontière. Ses résultats Benchable indiquent un profil solide en connaissances générales, classification d’e-mails, raisonnement et code, avec des performances plus contrastées en mathématiques et en éthique.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | ByteDance |
| Date de sortie | 26 février 2026 |
| Multimodal | oui |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text,image,video → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 97,0 % | 195ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 96,0 % | 39ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 94,0 % | 38ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 87,0 % | 124ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 56,0 % | 207ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 49,0 % | 177ᵉ / 252 | 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 : General Knowledge (Baseline)
Benchable : Email Classification (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Seed | 0,1 $ | 0,4 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 95 % en dessous de la moyenne des LLM similaires, et 48,3 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 | 0,05 $ |
| Latence moyenne par benchmark — Benchable | 1 h 16 min |
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. ByteDance Seed: Seed-2.0-Mini se place dans le top 10 de General Knowledge (Baseline), ce qui en fait un modèle très compétitif sur les questions de connaissances générales dans ce panel Benchable. Email Classification (Baseline) ressort aussi comme un point fort, avec un classement solide sur une tâche utile pour le tri, l’orientation ou l’étiquetage de messages. Reasoning (Baseline) et Coding (Baseline) le situent dans une zone favorable, sans atteindre le tout premier rang, mais avec des résultats suffisamment élevés pour suggérer un bon équilibre général. Sa grande fenêtre de contexte renforce son intérêt pour l’analyse de longs contenus, tandis que son prix très inférieur à la moyenne et aux modèles haut de gamme constitue son principal avantage opérationnel.
Limites et points d'attention. Mathematics (Baseline) apparaît plus moyen dans le classement Benchable, ce qui invite à la prudence sur les tâches de calcul, de démonstration ou de résolution formelle. Ethics (Baseline) affiche un score élevé mais un rang faible dans le panel, signe que de nombreux modèles concurrents font mieux sur ce critère. La fiche repose sur 2 sources de données concordantes, ce qui confirme les informations disponibles sans documenter d’autres aspects comme l’entraînement ou les modalités de déploiement. Le profil cible correspond surtout aux usages sensibles au coût, avec besoin de long contexte et de performances généralistes solides.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).