Frontier model : la définition en une phrase

Un frontier model (littéralement « modèle de frontière », que l'on traduit par modèle de pointe) est un modèle d'intelligence artificielle dont les capacités se situent à la limite haute de ce que la technologie sait faire à un instant donné. En octobre 2026, ce statut est partagé par une dizaine de modèles, parmi lesquels GPT-6 Astra (OpenAI), Claude Opus 5.5 et Claude Fable 5.1 (Anthropic), Gemini 4 Argon (Google DeepMind), Muse Wonder (Meta) et Grok 4.7 (xAI).

L'image de la frontière est parlante : ces modèles occupent la ligne de crête entre ce que l'IA réussit déjà et ce qu'elle ne sait pas encore faire. Et cette ligne bouge très vite. En mars 2026, quand nous avons publié la première version de cet article, la liste citait GPT-5, Claude Opus 4.6 et Gemini 3. Sept mois plus tard, aucun d'eux n'y figure plus.

Qui décide qu'un modèle est « frontier » ?

Personne, officiellement. Il n'existe ni label ni organisme de certification. Ce sont d'abord les laboratoires qui revendiquent le statut : Meta a ainsi présenté Muse Wonder, le 12 octobre 2026, comme son premier modèle de niveau frontier. Les évaluateurs indépendants, comme Artificial Analysis, Epoch AI ou LMArena, servent ensuite d'arbitres en comparant les modèles sur des tests communs.

Une notion devenue juridique

Le terme a pourtant changé de nature. Depuis le 1er janvier 2026, la loi californienne SB 53 définit un frontier model comme un modèle entraîné avec plus de 1026 opérations de calcul. Le FLOP (floating point operation, ou opération en virgule flottante) est l'unité qui mesure ce calcul. En Europe, l'AI Act n'emploie pas l'expression mais vise la même catégorie de modèles au-delà de 1025 FLOP. Nous y revenons plus bas.

À quoi reconnaît-on un frontier model ?

Aucun critère ne suffit seul. C'est la combinaison de quatre signaux qui fait un modèle de pointe.

Des scores au sommet des évaluations

Un frontier model se classe parmi les premiers sur les tests les plus exigeants, appelés benchmarks : GPQA Diamond pour les sciences, SWE-bench pour le code, Humanity's Last Exam pour les questions de niveau expert. Le sommet est aujourd'hui extrêmement serré. Sur l'indice d'intelligence d'Artificial Analysis, qui agrège plusieurs de ces tests, Gemini 4 Argon et GPT-6 Astra obtiennent tous deux 53 points dans leur réglage le plus poussé, et GPT-6.1 Sol 52 points.

Pour lire ces scores sans tomber dans le piège du marketing, consultez notre guide des benchmarks des LLM.

Un calcul d'entraînement hors normes

Former un modèle de pointe exige une puissance de calcul colossale. Selon Epoch AI, organisme de recherche qui suit ces tendances, le calcul consacré à l'entraînement des modèles de pointe est multiplié par 5 chaque année depuis 2020. OpenAI indique avoir entraîné GPT-6 Astra sur plus de 100 000 GPU, ces processeurs graphiques qui font tourner l'IA, sur son site Stargate au Texas. Epoch AI estime son pré-entraînement à environ 9,4 × 1026 FLOP, soit près de dix fois le seuil de la loi californienne.

La facture suit. Dès 2024, Epoch AI projetait que les plus gros entraînements dépasseraient le milliard de dollars, environ 890 millions d'euros, d'ici 2027. Cette barrière financière explique pourquoi seule une poignée d'acteurs joue dans cette catégorie. Nous détaillons cette mécanique dans notre article sur le pré-entraînement d'un LLM.

Des capacités nouvelles, parfois inattendues

Chaque génération apporte des aptitudes que la précédente n'avait pas, parfois sans que ses concepteurs les aient explicitement visées : on parle de capacités émergentes. En 2026, la plus marquante s'appelle le computer use : le modèle pilote un ordinateur comme un humain, en lisant l'écran et en cliquant. GPT-6 Astra remplit des formulaires, met à jour un CRM ou teste un logiciel sans intégration dédiée. Gemini 4 Argon peut, lui, produire jusqu'à un million de tokens en une seule réponse, l'équivalent de plusieurs livres.

Un accès de plus en plus encadré

C'est le signal le plus récent, et le plus révélateur. Les modèles les plus avancés ne sont plus lancés pour tout le monde le même jour : ils passent d'abord par des programmes d'accès restreint, ce que l'industrie appelle un gated release (une sortie « derrière une barrière »). Nous y consacrons une partie entière plus bas.

Quels sont les frontier models en octobre 2026 ?

Voici les modèles qui font consensus au 26 octobre 2026, laboratoire par laboratoire. Les prix indiqués sont les tarifs publics de l'API (l'interface qui permet aux développeurs d'intégrer un modèle dans leurs outils), exprimés par million de tokens et convertis au taux de référence de la Banque centrale européenne du 22 octobre 2026, soit 1 € pour 1,1205 $. Un token correspond à environ trois quarts de mot.

OpenAI : GPT-6 Astra et GPT-6.1 Sol

Lancé le 3 septembre 2026, GPT-6 Astra est le modèle phare d'OpenAI, conçu pour le travail autonome : code, recherche, pilotage d'ordinateur. Il dispose d'une fenêtre de contexte de 1,05 million de tokens et coûte 8,92 € en entrée et 44,62 € en sortie par million de tokens. Le 29 septembre, OpenAI a ajouté GPT-6.1 Sol, qui s'approche des résultats d'Astra pour un cinquième de son prix : 1,78 € en entrée, 8,92 € en sortie. Dans ChatGPT, Astra est réservé aux formules payantes, tandis que les comptes gratuits basculent vers GPT-6 Luna, un modèle beaucoup plus léger.

Anthropic : Claude Fable 5.1, Mythos 5.1 et Opus 5.5

Anthropic a créé en 2026 un nouvel échelon au-dessus de sa gamme Opus, la classe Mythos. Depuis le 1er septembre 2026, il se décline en deux produits issus du même modèle : Claude Fable 5.1, ouvert à tous avec des protections renforcées en biologie, en cybersécurité et en recherche sur l'IA, et Claude Mythos 5.1, réservé à un cercle restreint d'organisations de confiance. Fable 5.1 coûte 8,92 € en entrée et 44,62 € en sortie.

Le 22 septembre, Claude Opus 5.5 est venu bousculer cette hiérarchie. Anthropic affirme qu'il atteint le niveau de Fable 5.1 sur la plupart des tâches, pour 3,57 € en entrée et 17,85 € en sortie, avec un contexte d'un million de tokens. Plusieurs agrégateurs indépendants de benchmarks, comme BenchLM, le placent en tête de leur classement d'octobre 2026.

Google : Gemini 4 Argon

Annoncé le 30 septembre 2026, Gemini 4 Argon marque le retour de Google au sommet après plus de sept mois sans nouveau modèle haut de gamme. Il a d'abord été confié à des spécialistes de la cyberdéfense via le programme Fairwind, avant d'être ouvert le 13 octobre aux abonnés Google AI Pro et Ultra, dans l'application Gemini et dans le Mode IA de la recherche Google. Côté API, il coûte 1,78 € en entrée et 8,92 € en sortie jusqu'au 30 novembre 2026, puis le double à partir du 1er décembre.

Meta : Muse Wonder, un virage vers le modèle fermé

Le 12 octobre 2026, Meta a lancé Muse Wonder et Muse Wonder Full, ses premiers modèles revendiqués comme de niveau frontier. La rupture est nette : après des années de modèles Llama téléchargeables librement, ces deux-là sont fermés. Muse Wonder est facturé 3,57 € en entrée et 17,85 € en sortie, tandis que la version Full n'est accessible que dans les abonnements de Muse Code, l'agent de programmation de Meta. Le groupe garde un pied dans l'ouverture avec des modèles plus légers comme Muse Glimmer.

xAI : Grok 4.7

Sorti le 21 septembre 2026, Grok 4.7 repose sur un modèle de base de 2 100 milliards de paramètres. xAI le présente comme son modèle le plus performant pour le code et le travail intellectuel, avec un contexte de 500 000 tokens. C'est le moins cher du groupe de tête : 1,78 € en entrée et 5,35 € en sortie.

Les modèles ouverts qui talonnent la frontière

Trois modèles dont les poids sont téléchargeables, que l'on appelle modèles open-weight, s'approchent du sommet :

  • Kimi K3 (Moonshot AI, Chine) : 2 800 milliards de paramètres, poids publiés le 27 juillet 2026 sous une licence propre. C'est le plus gros modèle ouvert jamais diffusé, comme nous l'avons détaillé dans notre décryptage de Kimi K3.
  • DeepSeek V4 Pro (DeepSeek, Chine) : environ 1 600 milliards de paramètres, longtemps la référence des modèles ouverts avant l'arrivée de Kimi K3.
  • Mistral Large 4 (Mistral AI, France) : 1 050 milliards de paramètres, dont 49 milliards activés à chaque token grâce à l'architecture mixture of experts. Disponible en préversion depuis le 6 octobre 2026 à 1,21 € par million de tokens en entrée, avec des poids annoncés pour fin octobre. Notre analyse complète de Mistral Large 4 fait le point sur ses forces et ses limites.

Ces modèles accusent encore un léger retard sur les modèles fermés. Sur l'index d'évaluation indépendant de Vals AI, Mistral Large 4 se classe par exemple 32e sur 44.

Comprendre les LLM · Octobre 2026

Les frontier models en quatre chiffres et sept tarifs

  • 53 points score commun de Gemini 4 Argon et GPT-6 Astra sur l'indice Artificial Analysis
  • × 5 / an croissance du calcul d'entraînement des modèles de pointe depuis 2020 (Epoch AI)
  • 1026 FLOP seuil légal d'un frontier model selon la loi californienne SB 53
  • × 8 écart de prix en sortie entre le modèle de tête le plus cher et le moins cher

Prix de sortie des modèles de pointe, en euros par million de tokens

Tarifs publics des API au 26 octobre 2026, convertis au taux BCE du 22 octobre 2026 (1 € = 1,1205 $). Gemini 4 Argon au tarif de lancement, valable jusqu'au 30 novembre 2026.

  • GPT-6 Astra (OpenAI) 44,62 €
  • Claude Fable 5.1 (Anthropic) 44,62 €
  • Claude Opus 5.5 (Anthropic) 17,85 €
  • Muse Wonder (Meta) 17,85 €
  • Gemini 4 Argon (Google) 8,92 €
  • Grok 4.7 (xAI) 5,35 €

À retenir : au sommet, les écarts de performance se comptent en quelques points, mais les écarts de prix vont du simple au huituple. GPT-6.1 Sol offre des résultats proches de GPT-6 Astra pour un cinquième de son prix.

Sources : pages tarifs d'OpenAI, Anthropic, Google, Meta et xAI, Artificial Analysis, Epoch AI. Infographie Digital-m, octobre 2026. digital-m.fr

Pourquoi les frontier models sortent-ils au compte-gouttes ?

Pendant des années, un nouveau modèle devenait disponible pour tous le jour de son annonce. 2026 a mis fin à cette habitude. Les modèles de pointe sont désormais si capables, notamment pour trouver et exploiter des failles informatiques, que leurs éditeurs les déploient par paliers.

  • OpenAI et le programme Daybreak : GPT-6 Astra est le premier modèle d'OpenAI classé « critique » en cybersécurité selon son propre cadre d'évaluation des risques, le Preparedness Framework. Il a d'abord été servi aux organisations du programme Daybreak, accompagné d'un fonds d'un milliard de dollars (environ 892 millions d'euros) destiné aux défenseurs en cybersécurité.
  • Google et le programme Fairwind : Gemini 4 Argon a été confié pendant deux semaines à des experts de la cyberdéfense et à des organismes publics américains, avant son ouverture générale du 13 octobre.
  • Anthropic et la classe Mythos : la version la moins bridée de son modèle phare reste réservée à des partenaires vérifiés. Seule la version Fable, dotée de protections supplémentaires, est ouverte au public.

Les pouvoirs publics s'en mêlent aussi. Le 12 juin 2026, trois jours après le lancement de Claude Fable 5 et Mythos 5, le département du Commerce américain a imposé des contrôles à l'exportation sur ces deux modèles, ce qui a conduit Anthropic à en suspendre l'accès dans le monde entier. Les contrôles ont été levés le 30 juin, et l'accès rétabli le 1er juillet. Plusieurs médias spécialisés y ont vu la première suspension de ce type pour un modèle commercial déjà en service.

Enfin, certains modèles ne sortent pas du tout. Fin septembre 2026, OpenAI a renoncé à lancer GPT-6.1 Astra, prévu pour octobre. Selon sa responsable des systèmes de sécurité, Saachi Jain, le modèle ne restait pas suffisamment dans le périmètre des tâches autorisées et rendait mal compte du travail qu'il avait réellement effectué.

Pour une entreprise, la leçon est concrète : le modèle le plus puissant n'est pas forcément disponible, ni garanti dans la durée. Prévoir une solution de repli fait désormais partie des bonnes pratiques, comme nous l'expliquions après la panne simultanée de plusieurs IA du 3 septembre 2026.

Frontier model, modèle intermédiaire, SLM, open-weight : quelles différences ?

Pour bien situer un modèle de pointe, il faut le comparer aux autres familles qui coexistent sur le marché.

Les modèles intermédiaires : presque aussi bons, beaucoup moins chers

Juste sous la frontière se trouvent des modèles comme GPT-6.1 Sol, Claude Sonnet 5.5 ou Grok 4.7. Ils approchent les meilleurs scores pour un coût nettement inférieur : Claude Sonnet 5.5, par exemple, est facturé 1,78 € en entrée et 8,92 € en sortie. Ils suffisent pour l'essentiel du travail professionnel : rédaction, analyse de documents, code courant.

Les petits modèles (SLM)

Les SLM (Small Language Models, petits modèles de langage) visent la rapidité et le coût minimal. GPT-6 Luna est facturé 0,09 € en entrée et 0,45 € en sortie par million de tokens, soit environ cent fois moins que GPT-6 Astra en sortie. Claude Haiku 5.5 ou les déclinaisons Flash de Gemini jouent le même rôle. Certains petits modèles tournent même sur un ordinateur portable, comme nous l'expliquons dans notre comparatif SLM vs LLM.

Les modèles open-weight

Un modèle open-weight est un modèle dont les poids, c'est-à-dire les milliards de paramètres appris pendant l'entraînement, sont publiés et téléchargeables. On peut l'héberger soi-même, sans dépendre d'une API payante. Attention, open-weight ne veut pas dire open source : les données et le code d'entraînement restent généralement secrets. Nous détaillons cette nuance dans notre article sur les LLM open-weights.

Le frontier d'aujourd'hui, le standard de demain

Cette hiérarchie glisse en permanence. Claude Opus 5, sorti le 24 juillet 2026, a été dépassé par Opus 5.5 moins de deux mois plus tard. Les capacités de pointe se diffusent aussi vers les petits modèles grâce à la distillation, une technique où un grand modèle sert de professeur à un plus petit. Ce qui coûte cher aujourd'hui sera abordable dans quelques mois.

Que dit la loi sur les frontier models ?

La notion de modèle de pointe n'est plus seulement technique : elle déclenche désormais des obligations légales, avec des seuils chiffrés différents selon les juridictions.

En Europe : l'AI Act et le seuil de 1025 FLOP

L'AI Act européen classe parmi les modèles d'IA à usage général « à risque systémique » ceux dont l'entraînement dépasse 1025 FLOP. Leurs fournisseurs doivent le notifier à la Commission européenne dans les deux semaines suivant le franchissement du seuil, puis évaluer leurs modèles, mener des tests adverses, signaler les incidents graves et sécuriser leur infrastructure.

Ces obligations s'appliquent depuis le 2 août 2025, mais l'AI Office, le service de la Commission chargé de les faire respecter, ne dispose de ses pouvoirs de sanction que depuis le 2 août 2026. Les amendes peuvent atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial, le montant le plus élevé étant retenu. Pour les obligations qui concernent directement votre site, comme l'étiquetage des contenus générés par IA, consultez notre décryptage de l'article 50 de l'AI Act.

Aux États-Unis : la Californie et New York fixent le seuil à 1026 FLOP

La loi californienne SB 53, ou Transparency in Frontier Artificial Intelligence Act, est en vigueur depuis le 1er janvier 2026. Elle définit un frontier model comme un modèle entraîné avec plus de 1026 FLOP, en comptant le fine-tuning, c'est-à-dire l'ajustement ultérieur du modèle sur des données spécifiques. Les développeurs concernés doivent publier un rapport de transparence à chaque nouveau modèle et signaler les incidents critiques. Les plus grands, ceux qui dépassent 500 millions de dollars de chiffre d'affaires annuel (environ 446 millions d'euros), doivent en plus publier leur cadre de gestion des risques. Les amendes peuvent atteindre un million de dollars, soit environ 892 000 €, par infraction.

Selon le cabinet d'avocats Cooley, l'État de New York a adopté les mêmes seuils avec le RAISE Act, amendé et signé le 27 mars 2026. Le seuil américain est donc dix fois plus élevé que le seuil européen : un modèle peut être « à risque systémique » en Europe sans être un frontier model au sens californien. Epoch AI recensait d'ailleurs, dès juin 2025, 33 modèles publics au-delà de 1025 FLOP, issus de 12 développeurs, mais beaucoup moins au-delà de 1026.

Quels risques posent les frontier models ?

Plus un modèle est capable, plus son usage détourné peut faire de dégâts. Trois risques dominent le débat en 2026.

  • La double utilisation : en anglais dual use, c'est le fait qu'une même capacité serve à la fois le défenseur et l'attaquant. OpenAI indique qu'en évaluation contrôlée, sans ses garde-fous de production, GPT-6 Astra a obtenu 100 % sur ExploitBench, un test de création d'attaques informatiques, contre 78,5 % pour son prédécesseur GPT-5.6 Sol. C'est précisément ce qui justifie les sorties par paliers.
  • L'alignement : un modèle aligné agit conformément aux intentions de ses utilisateurs et de ses concepteurs. L'abandon de GPT-6.1 Astra montre qu'un gain de puissance peut s'accompagner d'une dérive de comportement, ici un modèle trop insistant pour terminer sa tâche, quitte à sortir de son périmètre.
  • La concentration : une poignée d'entreprises, américaines et chinoises pour l'essentiel, contrôlent la frontière. Côté européen, Mistral AI est le principal acteur à viser ce niveau. Pour une PME, cela signifie dépendre de fournisseurs dont les prix, l'accès et les conditions peuvent changer du jour au lendemain.

Ces risques sont réels, mais ils ne doivent pas masquer l'essentiel : la plupart des dangers concrets de l'IA au quotidien relèvent d'usages bien plus ordinaires, comme nous le détaillons dans notre article L'IA est-elle dangereuse ?

Avez-vous vraiment besoin d'un frontier model ?

Pour la majorité des usages d'une PME, la réponse est non. Le bon réflexe consiste à choisir le modèle le moins puissant qui fait correctement le travail. L'écart de prix suffit à le justifier.

Prenons 1 000 demandes comprenant chacune 100 000 tokens en entrée, l'équivalent d'un long document à analyser, et 20 000 tokens en sortie. Aux tarifs publics d'octobre 2026, la facture s'élève à environ 1 785 € avec GPT-6 Astra ou Claude Fable 5.1, 714 € avec Claude Opus 5.5, 357 € avec GPT-6.1 Sol et 286 € avec Grok 4.7. Sur des tâches courantes, la différence de qualité entre ces résultats est souvent minime.

Un modèle de pointe se justifie surtout dans trois situations :

  • Les tâches longues et autonomes : des agents qui enchaînent des dizaines d'étapes sans supervision, où chaque erreur se propage à la suivante.
  • Les problèmes réellement difficiles : du code complexe sur une grosse base existante, une analyse juridique ou scientifique pointue.
  • Le pilotage d'ordinateur : remplir des interfaces qui n'offrent aucune API, terrain où GPT-6 Astra et Gemini 4 Argon prennent une vraie avance.

Pour tout le reste (rédaction, résumés, e-mails, réponses aux clients, classement de données), un modèle intermédiaire ou un petit modèle suffit. Les entreprises les plus avancées pratiquent l'aiguillage, routing en anglais : un petit modèle traite les demandes simples et ne transmet au modèle de pointe que les cas difficiles.

Côté grand public, l'accès est plus simple : ChatGPT Plus, facturé environ 23 € TTC par mois en France, ouvre l'accès à GPT-6 Astra, et les abonnements Google AI Pro et Ultra donnent accès à Gemini 4 Argon. Pour trancher entre les formules, notre analyse ChatGPT gratuit ou payant vous guide pas à pas.

Chez Digital-m, c'est l'un des premiers sujets que nous abordons dans nos formations certifiées Qualiopi : savoir quel modèle utiliser pour quelle tâche fait économiser bien plus que n'importe quelle remise commerciale.

Ce que les frontier models changent pour votre visibilité

Si vous êtes marketeur ou dirigeant, voici pourquoi ce sujet vous concerne directement : les frontier models sont les moteurs des assistants que vos clients interrogent déjà. La famille GPT-6 fait tourner ChatGPT, et Gemini 4 Argon répond désormais dans le Mode IA de Google. Comprendre leur fonctionnement, c'est la base d'une stratégie GEO (Generative Engine Optimization, l'optimisation pour les moteurs génératifs).

Ils ignorent ce qui est récent, sauf s'ils le cherchent

Chaque modèle a une date de coupure de ses connaissances : le 30 avril 2026 pour GPT-6 Astra, mai 2026 pour Grok 4.7, juin 2026 pour Claude Opus 5.5. Tout ce que votre entreprise a publié ou changé depuis n'existe pour eux que s'ils vont le chercher en ligne au moment de répondre. Nous détaillons ce mécanisme dans notre article sur la date de coupure des LLM.

Ils cherchent beaucoup et citent des passages, pas des pages

Face à une question, ces modèles lancent plusieurs recherches en parallèle, une mécanique appelée query fan-out qui transforme une requête en 5 à 11 recherches invisibles. Ils extraient ensuite des passages courts, de l'ordre de 117 mots selon les données compilées dans notre article sur le chunking, et privilégient le début des contenus : 44 % des citations de ChatGPT proviennent du premier tiers des articles.

Chaque moteur a ses habitudes

ChatGPT cite en moyenne 15,4 sources par réponse, contre 3,3 pour Gemini, d'après les données présentées dans notre analyse Pourquoi ChatGPT vous cite et pas Gemini. Être visible dans l'un ne garantit donc rien dans l'autre. Voici ce que nous recommandons concrètement :

  • Répondre dès les premières lignes : une définition ou un chiffre clé en ouverture de chaque page stratégique.
  • Écrire des paragraphes autonomes : chaque bloc doit pouvoir être cité seul, sans dépendre du reste de la page.
  • Dater et rafraîchir : 72 % des pages citées par les IA ont été mises à jour depuis moins d'un an, comme le montre notre article sur la fraîcheur du contenu.
  • Nommer les entités : marques, lieux, chiffres et sources explicites, que les modèles repèrent et recoupent.
  • Mesurer moteur par moteur : suivre séparément vos citations dans ChatGPT, Gemini, Perplexity, Claude et Le Chat de Mistral.

C'est exactement ce que nous évaluons lors d'un audit GEO chez Digital-m : quelles questions concernent votre activité, quels moteurs vous citent déjà, et quels contenus corriger en priorité.

Ce qu'il faut retenir

Un frontier model est un modèle d'IA situé à la limite haute de ce que la technologie sait faire. Il se reconnaît à ses scores au sommet des benchmarks, à un calcul d'entraînement hors normes, à des capacités nouvelles et, depuis 2026, à un accès souvent restreint. En octobre 2026, GPT-6 Astra, Claude Opus 5.5, Claude Fable 5.1, Gemini 4 Argon, Muse Wonder et Grok 4.7 forment le peloton de tête, talonnés par des modèles ouverts comme Kimi K3 et Mistral Large 4.

Le terme a aussi gagné une portée juridique : 1025 FLOP déclenchent les obligations de l'AI Act en Europe, 1026 FLOP celles de la loi SB 53 en Californie. Et la hiérarchie change tous les deux ou trois mois, au point que la liste de mars 2026 est déjà entièrement renouvelée.

Pour votre entreprise, deux conclusions pratiques. Côté usage, le modèle le plus puissant est rarement le plus rentable. Côté visibilité, ces modèles sont les nouveaux portiers de l'information, et ils choisissent leurs sources selon des règles qui se travaillent. Vous voulez savoir ce que ChatGPT, Gemini ou Claude disent de votre entreprise ? Contactez l'équipe Digital-m pour un premier diagnostic, ou découvrez notre agence GEO.

Et vous, quel modèle de pointe utilisez-vous au quotidien, et pour quelles tâches ? Dites-le nous en commentaire !