Sonar

Sonar est un LLM de Perplexity sorti le 29 janvier 2025, positionné comme un modèle très économique. Avec une fenêtre de contexte de 127 072 tokens, il s’inscrivait dans la famille des modèles capables de traiter de longs volumes de texte à sa période de lancement.

Son ancienneté d’environ un an est déjà importante à l’échelle de l’IA générative. Sonar se lit donc surtout comme un modèle de sa génération, avec un coût nettement inférieur aux LLM similaires et aux modèles frontière, plutôt que comme une référence actuelle.

Caractéristiques

Performances (benchmarks)

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 49 % en dessous de la moyenne des LLM similaires, et 4,8 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).

Coût & vitesse agentiques

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. À sa sortie, Sonar se distinguait surtout sur General Knowledge (Baseline), où il figurait tout en haut du classement Benchable et dans le top 10. Son score en Ethics (Baseline) était également élevé, même si son rang le plaçait davantage dans une zone intermédiaire que parmi les tout premiers. Son autre atout concret était économique : un tarif d’entrée et de sortie à 1 $ / 1M tokens, soit 49% sous la moyenne des LLM similaires et environ 4,8 fois moins que les modèles frontière. Cette combinaison, connaissances générales solides à l’époque et coût bas, en faisait un candidat rationnel pour des usages de texte général à grande échelle.

Limites et points d’attention. Sonar montre des résultats moins convaincants sur Email Classification (Baseline), Coding (Baseline) et Reasoning (Baseline), avec des classements situés loin des meilleurs malgré des scores parfois honorables. En mathématiques, le modèle reste au milieu du tableau plutôt que dans le peloton de tête. Son âge constitue la limite principale : environ un an représente un cycle long pour les LLM, et ses performances sont aujourd’hui largement dépassées par les générations plus récentes. Dans cette catégorie d’ancienneté, les modèles sont aussi souvent retirés ou remplacés dans les catalogues des éditeurs. La fiche ne fournit pas de chiffres d’entraînement, de compute ou de coût de développement, ce qui limite l’analyse de son effort industriel.

Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).