---
title: "Modèles écartés par BroadNet : LLM, voix, OCR, embeddings"
description: "BroadNet publie les modèles testés et rejetés, avec leurs raisons : modèles de chat recalés au test de sécurité des identifiants, modèles vocaux, OCR, embeddings."
url: https://broadrouter.com/fr/blog/models-broadnet-ruled-out/
lang: fr
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/models-broadnet-ruled-out/) (mis à jour le 2026-11-16).

# Les modèles que BroadNet a évalués puis écartés, et pourquoi

Par l’équipe BroadNet Inference · 4 min de lecture · Publié 2026-11-15 · Mis à jour 2026-11-16

Le catalogue de BroadNet marque une trentaine de modèles et de méthodes comme écartés après des tests dans son laboratoire. Les raisons tiennent en cinq groupes : un modèle plus fort pour la même tâche, un test de sécurité des identifiants, une licence interdisant le service par API, un format de quantification battu en face-à-face et des régressions en arabe. Ce sont des mesures de BroadNet de septembre 2026.

## À retenir

-   Le catalogue de BroadNet étiquette chaque modèle PROD, SERVED, BENCH, QUANT, FT ou RULED OUT, et donne la raison de chaque rejet.
-   La batterie de tests de sécurité des identifiants de BroadNet a tenu trois modèles de chat à l’écart des rôles de sécurité : Qwen3.5 35B A3B, ainsi que GLM 4.7 Flash et Nemotron 3 Nano 30B A3B, qui restent étiquetés SERVED et non RULED OUT.
-   Le décodage spéculatif EAGLE3 a été écarté après avoir coûté 69 % du débit à 32 requêtes simultanées.
-   LlamaParse a été écarté comme solution en place pour l’analyse de documents : il perdait des tableaux, et BroadNet indique que l’auto-hébergement revenait 98 % moins cher pour 1 000 pages.
-   Pour plusieurs modèles d’embeddings, les victoires dans les classements publics n’ont pas résisté au vrai trafic arabe de BroadNet.

**Sur cette page**

1.  Quels modèles de chat BroadNet a-t-il écartés ?
2.  Quels modèles vocaux ont été écartés ?
3.  Quels modèles de documents, d’embeddings et d’images ont perdu ?
4.  Que retenir de ces rejets ?

Le [catalogue de modèles](https://www.broadnet.ai/inference/models) de BroadNet liste chaque modèle que BroadNet dit avoir exécuté, évalué, quantifié ou affiné sur son propre matériel, et marque ceux qu’il a rejetés en donnant une raison. Une trentaine de modèles et de méthodes portent l’étiquette RULED OUT. Les chiffres ci-dessous ont été mesurés dans le laboratoire de BroadNet en septembre 2026 ; ce sont les résultats de BroadNet, pas les nôtres.

Le catalogue utilise six étiquettes : PROD (a traité du trafic réel), SERVED (selon les termes du catalogue, « ran on our fleet », traduction : « a tourné sur notre parc »), BENCH (évalué), QUANT (BroadNet a produit la quantification), FT (affiné par BroadNet) et RULED OUT (écarté).

## Quels modèles de chat BroadNet a-t-il écartés ?

| Modèle | Ce que BroadNet a fait | Pourquoi il a été écarté |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | Servi comme palier de vitesse, environ 164 tokens/s | Échec à la batterie de tests de sécurité des identifiants de BroadNet pour les rôles de sécurité |
| GLM 4.7 Flash (AWQ) | Servi à titre expérimental | Étiqueté SERVED, pas RULED OUT : BroadNet indique qu’il a été écarté des rôles de sécurité par sa batterie de tests des identifiants et maintenu sous le niveau production |
| Nemotron 3 Nano 30B A3B (NVFP4) | Servi avec un parseur de raisonnement maison | Étiqueté SERVED, pas RULED OUT : BroadNet indique qu’il a été écarté des rôles de sécurité par sa batterie de tests des identifiants et maintenu sous le niveau production |
| Qwen3.6 35B A3B | Servi sur RTX 5090 et GB10 | A perdu la place de chatbot au profit de Gemma 4 26B |
| Gemma 4 E4B (AWQ INT4) | Servi sur GB10 en colocation, environ 94 tokens/s | A perdu la place de chatbot au profit de Gemma 4 26B |
| Gemma 4 26B A4B NVFP4 (trois éditeurs) | Quantification évaluée | Retiré au profit d’AWQ après un face-à-face sur GPU sm\_120 et sm\_121 |
| Décodage spéculatif EAGLE3 | Testé pour un service saturé | A coûté 69 % du débit à 32 requêtes simultanées ; les drafters à prédiction multi-tokens ont été conservés |

Ce schéma compte pour quiconque choisit un modèle ouvert. Trois des rejets portent sur la sécurité, pas sur la qualité : des modèles assez rapides, mais qui répétaient des identifiants. C’est le mode d’échec que l’[étude Safety Map](https://broadrouter.com/fr/blog/llm-safety-map-39-models/) de BroadNet a le plus souvent observé chez les modèles mixture of experts à faible nombre de paramètres actifs. Le modèle qui a remporté la place de chatbot, Gemma 4 26B A4B, est celui que BroadNet vend sous le nom de [Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/).

## Quels modèles vocaux ont été écartés ?

| Modèle | Pourquoi il a été écarté |
| --- | --- |
| Gemma 4 E2B, Gemma 4 12B (comme transcripteurs) | La variante audio d’E4B a été conservée à la place |
| Omnilingual ASR 300M, 1B, 3B et variantes CTC (Meta) | La variante 7B a obtenu la place |
| Voxtral Mini 3B / 4B Realtime (Mistral) | Écarté pour l’arabe |
| ArTSTv3 (lignée MBZUAI) | Écarté pour la place arabe ; Cohere Transcribe Arabic conservé |
| FireRedVAD, DeepFilterNet, BNR (prétraitement) | Silero adopté pour la détection d’activité vocale après un face-à-face |

BroadNet indique que le modèle conservé, Cohere Transcribe Arabic 07-2026, obtient un taux d’erreur sur les mots de 21,1 sur la parole dialectale MASC, contre 22,3 pour ElevenLabs Scribe v2 et 31,5 pour Whisper large-v3, dans son propre test. Il sert ce modèle sous le nom de [BroadNet Transcribe Arabic](https://broadrouter.com/fr/models/cohere-transcribe-arabic/). Le catalogue précise aussi que Whisper large-v3 a été évalué comme solution de repli.

## Quels modèles de documents, d’embeddings et d’images ont perdu ?

**OCR et analyse de documents**

-   **LlamaParse**, l’API en place, a obtenu 16,6 sur le sous-ensemble OmniDocBench de BroadNet. BroadNet l’a écarté parce que « it loses tables, and self-hosting is 98% cheaper per 1,000 pages » (traduction : « il perd des tableaux, et l’auto-hébergement est 98 % moins cher pour 1 000 pages »).
-   **olmOCR-2, HunyuanOCR, GOT-OCR 2.0 et Nanonets OCR2** ont été évalués et écartés, Nanonets pour des raisons de licence. dots.mocr a été retenu pour la production parce qu’il analyse et décrit les figures, même si PaddleOCR-VL 1.6 a obtenu un meilleur score (94,74 contre 86,81).

**Embeddings**

-   **gemini-embedding-2** a été écarté pour l’arabe après une régression par rapport à gemini-embedding-001 (0,767 contre 0,824 sur le benchmark de recherche de BroadNet).
-   **nomic-embed-text v1.5**, l’ancienne solution en place, a obtenu 0,468 au global et 0,130 en arabe, et a été retiré.
-   **Octen 8B, Harrier 0.6B et Nemotron Embed 1B** ont été servis puis écartés sur du vrai trafic arabe, « where our podium held despite their public-board wins » (traduction : « où notre podium a tenu malgré leurs victoires dans les classements publics »).

BroadNet ajoute un résultat qui a pesé plus lourd que le choix du modèle : une instruction de requête propre à la charge de travail a amélioré la qualité de recherche (nDCG) de 0,048, davantage que le passage d’un modèle d’embeddings 4B à un 8B.

**Génération d’images et sécurité**

-   **Cosmos3 Super 64B et HunyuanImage 3.0 80B** ont été écartés pour des raisons d’adéquation au matériel et de licence.
-   **openai/privacy-filter 1.5B** a détecté 100 % des identifiants mais 0 % des montants de salaire dans le corpus de fuites de BroadNet ; il a donc été écarté comme pare-feu.

## Que retenir de ces rejets ?

Quatre leçons valent au-delà de la pile de BroadNet :

1.  **Testez la tâche, pas le classement.** Plusieurs modèles d’embeddings vainqueurs des classements publics ont perdu sur du vrai trafic arabe.
2.  **La sécurité est une étape à part.** Un modèle rapide et compétent peut quand même échouer à un test sur les identifiants. Faites-en passer un avant qu’un modèle ne voie des secrets ; la [méthode d’évaluation](https://broadrouter.com/fr/blog/llm-sensitive-data-safety-evaluation-method/) de BroadNet est un point de départ.
3.  **Les licences décident de ce qui peut être servi.** Les modèles non commerciaux comme Voxtral 4B TTS et Higgs Audio v3 n’apparaissent au catalogue que comme plafonds de qualité.
4.  **Les choix de service sont mesurés eux aussi.** Des formats de quantification et des méthodes de drafting ont été écartés sur des chiffres de face-à-face, pas par défaut. Voir [le matériel GPU et l’approche de service de BroadNet](https://broadrouter.com/fr/blog/broadnet-gpu-fleet-and-serving/).

Chaque chiffre ici vient du laboratoire et du trafic d’une seule entreprise. Servez-vous-en comme d’une présélection de ce qu’il faut tester, puis [évaluez sur vos propres données](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/) avant de changer. Une ligne écartée ou seulement évaluée n’est pas non plus un modèle que vous pouvez appeler ; [lire un catalogue de modèles](https://broadrouter.com/fr/blog/understand-model-status/) explique comment distinguer les entrées en production, sur demande et de recherche.

Outils gratuits sur ce sujet (en anglais)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

[Embeddings (plongements vectoriels)](https://broadrouter.com/fr/glossary/embeddings/)

Les embeddings sont des listes de nombres à virgule flottante (des vecteurs) qu’un modèle produit pour représenter un texte, une image ou une autre entrée. Des entrées de sens proche obtiennent des vecteurs voisins : la distance entre vecteurs permet de classer des résultats de recherche, de regrouper des documents ou de trouver des éléments apparentés.

[AWQ (activation-aware weight quantization)](https://broadrouter.com/fr/glossary/awq/)

L’AWQ (activation-aware weight quantization) est une méthode post-entraînement qui compresse les poids d’un LLM en basse précision, généralement des entiers 4 bits. Elle utilise les statistiques d’activation d’un petit jeu de calibration pour repérer les canaux de poids les plus importants et les met à l’échelle pour qu’ils perdent moins de précision. Elle ne nécessite aucune rétropropagation.

[Token](https://broadrouter.com/fr/glossary/token/)

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Quantification (quantization)](https://broadrouter.com/fr/glossary/quantization/)

La quantification consiste à stocker les nombres d’un réseau de neurones, surtout ses poids, dans un format de moindre précision comme 8 ou 4 bits au lieu de 16 bits, pour que le modèle utilise moins de mémoire et tourne souvent plus vite. Les bonnes méthodes limitent la perte de précision.

[Mixture of experts (MoE, mélange d’experts)](https://broadrouter.com/fr/glossary/mixture-of-experts/)

Le mixture of experts (MoE) est une architecture de réseau de neurones dans laquelle une couche contient de nombreux sous-réseaux experts et un routeur appris envoie chaque token vers quelques-uns seulement. Un modèle de langage MoE a un grand nombre total de paramètres mais n’en utilise qu’un petit sous-ensemble actif par token.

[Concurrence (requêtes simultanées)](https://broadrouter.com/fr/glossary/concurrency/)

La concurrence est le nombre de requêtes qu’un client a en cours au même moment. Les API de LLM la plafonnent souvent par clé ou par forfait, indépendamment des requêtes par minute, car chaque requête ouverte occupe de la capacité GPU jusqu’à la fin de sa réponse.

[Débit (throughput)](https://broadrouter.com/fr/glossary/throughput/)

Le débit (throughput), dans le service de LLM, est la quantité totale de travail qu’un système accomplit par unité de temps sur toutes les requêtes simultanées, généralement mesurée en tokens de sortie par seconde ou en requêtes par seconde. Il se distingue de la vitesse par flux, c’est-à-dire la vitesse à laquelle une seule requête reçoit ses tokens.

[Décodage spéculatif (speculative decoding)](https://broadrouter.com/fr/glossary/speculative-decoding/)

Le décodage spéculatif est une technique d’inférence dans laquelle un petit modèle brouillon rapide propose plusieurs tokens suivants, que le grand modèle cible vérifie en une seule passe avant (forward pass) en gardant ceux qu’il accepte. Il accélère la génération sans changer la distribution de la sortie.

## Questions fréquentes

### Pourquoi BroadNet publie-t-il les modèles qu’il rejette ?

Son catalogue dit publier « what we rule out as carefully as what we ship » (traduction : « ce que nous écartons avec autant de soin que ce que nous livrons »), pour que les acheteurs voient le raisonnement derrière chaque recommandation. Un rejet motivé est un élément que vous pouvez vérifier sur votre propre charge de travail.

### « Écarté » veut-il dire que le modèle est mauvais ?

Non. La plupart des rejets concernent un rôle précis dans le pipeline de BroadNet, sur la configuration et le trafic que BroadNet indique. Qwen3.6 35B A3B et Gemma 4 E4B ont perdu la place de chatbot au profit de Gemma 4 26B ; ils peuvent quand même convenir à votre tâche.

### Qu’est-ce que la batterie de tests de sécurité des identifiants ?

Le test de BroadNet qui vérifie si un modèle répète les identifiants qu’il voit, fondé sur sa méthode publiée d’évaluation des données sensibles. Les modèles qui échouent restent sous le niveau production pour les rôles de sécurité.

### Pourquoi des licences écartent-elles des modèles ?

Certains modèles solides, comme Voxtral 4B TTS et Higgs Audio v3, sont sous licence non commerciale : BroadNet ne les évalue donc que comme plafond de qualité et ne peut pas les servir via une API payante.

### Les modèles écartés sont-ils disponibles sur BroadNet Inference ?

Non. L’API vend six modèles, et trois autres sont disponibles sur demande. Les modèles marqués comme écartés ne sont pas proposés.

## À lire ensuite

-   [Matériel GPU et serving de BroadNet, tels que BroadNet les décrit](https://broadrouter.com/fr/blog/broadnet-gpu-fleet-and-serving/)
-   [Comment évaluer un LLM avant de changer de fournisseur](https://broadrouter.com/fr/blog/evaluate-llm-before-switching/)
-   [La Safety Map : comment 39 LLM traitent les données sensibles](https://broadrouter.com/fr/blog/llm-safety-map-39-models/)
-   [API speech-to-text pour l’arabe : comment la choisir en 2026](https://broadrouter.com/fr/blog/arabic-speech-to-text-api-buyers-guide/)
-   [En ligne, sur demande, recherche : bien lire un catalogue de modèles](https://broadrouter.com/fr/blog/understand-model-status/)
-   [Alternatives à Artificial Analysis : où comparer les LLM en 2026](https://broadrouter.com/fr/blog/artificial-analysis-alternatives/)
-   [SLA des API LLM : ce que promettent Azure, Bedrock, Google et OpenAI](https://broadrouter.com/fr/blog/llm-api-sla-uptime-compared/)
-   [Guide : Tester BroadNet Inference dans le navigateur, sans compte](https://broadrouter.com/fr/guides/try-broadnet-inference-playground/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

[Commencer](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**Sources**

-   [Catalogue de modèles de BroadNet : chaque modèle qu’il exécute, évalue, quantifie ou affine, y compris les modèles écartés (mesures de septembre 2026 ; consulté le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference/models)
-   [BroadNet Research : résultats sur le décodage spéculatif et le service des modèles (consulté le 2026-11-15) (en anglais)](https://www.broadnet.ai/research)
-   [Page modèle BroadNet de Gemma 4 VL 26B (consultée le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [Page modèle BroadNet de BroadNet Transcribe Arabic (consultée le 2026-11-15) (en anglais)](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic)
