Arcee AI: Virtuoso Large
Arcee AI: Virtuoso Large est un LLM d’Arcee AI lancé le 5 mai 2025. À l’échelle de l’IA générative, cette génération est déjà ancienne, avec des performances à replacer face aux modèles de sa période plutôt qu’aux systèmes les plus récents.
Arcee AI: Virtuoso Large est un LLM d’Arcee AI lancé le 5 mai 2025. À l’échelle de l’IA générative, cette génération est déjà ancienne, avec des performances à replacer face aux modèles de sa période plutôt qu’aux systèmes les plus récents.
Le modèle se distingue par une très grande fenêtre de contexte de 131 072 tokens, des connaissances arrêtées au 31 mars 2025 et un positionnement tarifaire très économique. Son prix se situe nettement sous la moyenne des LLM similaires et environ 6,4 fois sous celui des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Arcee AI |
| Date de sortie | 5 mai 2025 |
| Connaissances jusqu'à | 2025-03-31 |
| Multimodal | non |
| Fenêtre de contexte | 131 072 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Hallucinations (Baseline) | 100,0 % | 1ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,5 % | 68ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 99,0 % | 24ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 84,0 % | 150ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 79,0 % | 153ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 74,0 % | 135ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 63,0 % | 122ᵉ / 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 : Hallucinations (Baseline)
Benchable : Ethics (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Together | 0,75 $ | 1,2 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 62 % en dessous de la moyenne des LLM similaires, et 6,4 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 | 0,02 $ |
| Latence moyenne par benchmark — Benchable | 1 min 50 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. À sa sortie, Arcee AI: Virtuoso Large figurait dans le haut du panier de sa génération sur Benchable pour les tests Hallucinations (Baseline) et Ethics (Baseline), avec une présence en top 10 sur ces deux axes. Le modèle montre aussi un bon niveau en Email Classification (Baseline), un cas d’usage structuré où la précision de décision compte davantage que la créativité. Sa fenêtre de contexte de 131 072 tokens constitue un atout concret pour traiter de longs documents ou conserver beaucoup d’éléments dans une même requête. Le tarif renforce son intérêt historique : il était très économique, 62% sous la moyenne des LLM similaires.
Limites et points d'attention. Son ancienneté est le principal point faible. Environ un an représente un cycle très long dans l’IA, et ses performances sont aujourd’hui probablement largement dépassées par les modèles plus récents. Le modèle est aussi souvent retiré du catalogue de l’éditeur à ce stade. Ses résultats Benchable en Coding (Baseline) et Mathematics (Baseline) le placent plutôt en milieu ou bas de tableau, ce qui limite son intérêt pour les tâches techniques exigeantes. General Knowledge (Baseline) reste correct, mais ne le situe pas parmi les meilleurs du classement. Les informations disponibles reposent sur 2 sources de données concordantes, sans détail vérifié fourni ici sur le coût ou le volume d’entraînement.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).