Sonar
Sonar est un LLM propriétaire lancé par Perplexity le 29 janvier 2025. Son ancienneté d’environ un an est déjà très longue à l’échelle de l’IA : les modèles de cette période sont souvent dépassés ou retirés des catalogues au rythme des nouvelles générations.
Sonar est un LLM propriétaire lancé par Perplexity le 29 janvier 2025. Son ancienneté d’environ un an est déjà très longue à l’échelle de l’IA : les modèles de cette période sont souvent dépassés ou retirés des catalogues au rythme des nouvelles générations.
Le modèle se distingue surtout par une fenêtre de contexte de 127 072 tokens et un positionnement très économique. Son coût se situe 52% sous la moyenne des LLM similaires et environ 5,5 fois sous celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Perplexity |
| Poids | 🔒 Propriétaire |
| Date de sortie | 29 janvier 2025 |
| Multimodal | oui |
| Fenêtre de contexte | 127 072 tokens |
| Modalités (entrée → sortie) | text,image → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : General Knowledge (Baseline) | 100,0 % | 1ᵉ / 161 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 99,0 % | 73ᵉ / 159 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 92,0 % | 140ᵉ / 163 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 88,0 % | 82ᵉ / 140 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 82,0 % | 104ᵉ / 162 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 74,0 % | 84ᵉ / 155 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 52,0 % | 130ᵉ / 146 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 32,0 % | 134ᵉ / 163 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Benchable : General Knowledge (Baseline)
Benchable : Ethics (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Perplexity | 1 $ | 1 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 52 % en dessous de la moyenne des LLM similaires, et 5,5 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,04 $ |
| Latence moyenne par benchmark — Benchable | 5 min 45 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. La fenêtre de 127 072 tokens constitue l’un des principaux atouts pratiques de Sonar. Son tarif réduit favorise les traitements volumineux ou répétés : l’entrée et la sortie sont facturées au même niveau, très inférieur à la moyenne des modèles comparables. Sur General Knowledge, Sonar partage la première place avec 41 autres modèles. Ce résultat signale une bonne maîtrise des connaissances générales, même si le plafonnement du benchmark limite fortement sa portée comparative. Le score brut en Ethics est également élevé, mais la 73e place partagée avec 30 autres modèles confirme le faible pouvoir discriminant de cette épreuve.
Limites et points d’attention. Les autres classements placent Sonar en retrait. Email Classification se situe près du bas du tableau, Coding dans sa moitié inférieure, tandis que Mathematics et Reasoning restent en milieu de classement. Ces résultats décrivent un modèle économique davantage convaincant par son coût et son contexte que par ses performances spécialisées. Après environ un an, ses performances sont aujourd’hui largement dépassées et les modèles de cette génération sont souvent retirés du catalogue de leur éditeur.
Sources des données : OpenRouter (openrouter.ai) · LLM-Stats (llm-stats.com) · Benchable.ai (benchable.ai).