Nova Pro
Nova Pro est un LLM propriétaire d’Amazon, sorti le 20 novembre 2024, avec des poids non ouverts. Son profil combine une grande fenêtre de contexte de 300 000 tokens et un positionnement tarifaire très économique.
Nova Pro est un LLM propriétaire d’Amazon, sorti le 20 novembre 2024, avec des poids non ouverts. Son profil combine une grande fenêtre de contexte de 300 000 tokens et un positionnement tarifaire très économique.
Près de deux ans après sa sortie, Nova Pro doit surtout être lu comme un modèle de sa génération. À l’échelle de l’IA, cette ancienneté est très longue : ses performances sont probablement dépassées par les modèles récents, même si son prix reste nettement inférieur à celui des LLM comparables et des modèles frontière.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Amazon |
| Licence | Proprietary (poids non ouverts) |
| Date de sortie | 20 novembre 2024 |
| Multimodal | oui |
| Fenêtre de contexte | 300 000 tokens |
| Modalités (entrée → sortie) | text,image → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 7.7 | 129ᵉ / 136 |
| Math Index | 7.0 | 52ᵉ / 55 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| ARC-C | 94,8 % | 4ᵉ / 34 | llm-stats | Auto-déclaré |
| GSM8k | 94,8 % | 12ᵉ / 47 | llm-stats | Auto-déclaré |
| DocVQA | 93,5 % | 10ᵉ / 26 | llm-stats | Auto-déclaré |
| IFEval | 92,1 % | 9ᵉ / 65 | llm-stats | Auto-déclaré |
| ChartQA | 89,2 % | 4ᵉ / 24 | llm-stats | Auto-déclaré |
| Translation en→Set1 COMET22 | 89,1 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| HumanEval | 89,0 % | 15ᵉ / 65 | llm-stats | Auto-déclaré |
| Translation Set1→en COMET22 | 89,0 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| BBH | 86,9 % | 3ᵉ / 12 | llm-stats | Auto-déclaré |
| MMLU | 85,9 % | 33ᵉ / 98 | llm-stats | Auto-déclaré |
| DROP | 85,4 % | 5ᵉ / 29 | llm-stats | Auto-déclaré |
| TextVQA | 81,5 % | 6ᵉ / 15 | llm-stats | Auto-déclaré |
| FinQA | 77,2 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| MATH | 76,6 % | 24ᵉ / 70 | llm-stats | Auto-déclaré |
| EgoSchema | 72,1 % | 4ᵉ / 9 | llm-stats | Auto-déclaré |
| BFCL | 68,4 % | 8ᵉ / 11 | llm-stats | Auto-déclaré |
| MM-Mind2Web | 63,7 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| MMMU | 61,7 % | 41ᵉ / 61 | llm-stats | Auto-déclaré |
| CRAG | 50,3 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| GPQA | 46,9 % | 165ᵉ / 213 | llm-stats | Auto-déclaré |
| Translation Set1→en spBleu | 44,4 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| Translation en→Set1 spBleu | 43,4 % | 1ᵉ / 3 | llm-stats | Auto-déclaré |
| LVBench | 41,6 % | 22ᵉ / 23 | llm-stats | Auto-déclaré |
| SQuALITY | 19,8 % | 3ᵉ / 5 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Math Index
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| artificialanalysis | 0,8 $ | 3,2 $ | 0,2 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 59 % en dessous de la moyenne des LLM similaires, et 6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Notre analyse
Forces. Nova Pro se distingue d’abord par son coût : sa tarification est très inférieure à la moyenne des LLM similaires et environ six fois plus basse que celle des modèles frontière. Cette économie est associée à une fenêtre de contexte de 300 000 tokens, un format alors notable pour traiter de longs contenus dans un seul appel. À sa sortie, Nova Pro se situait dans le top 47% sur GPQA, parmi 43 LLM de la même période, ce qui le plaçait dans une zone correcte de sa génération plutôt que parmi les modèles dominants.
Limites et points d'attention. Les classements disponibles indiquent un modèle aujourd’hui faible face aux standards récents : l’Intelligence Index le place en bas de tableau, et le Math Index le situe également parmi les derniers modèles évalués. Son ancienneté pèse fortement, car près de deux ans représentent un cycle très long pour les LLM, avec un risque élevé de dépassement par les offres plus récentes et de retrait des catalogues éditeurs. La licence propriétaire limite aussi l’audit externe des poids. La couverture repose sur deux sources concordantes, suffisantes pour confirmer les grands ordres de grandeur, mais sans détail public supplémentaire sur l’entraînement.
Sources des données : LLM-Stats (llm-stats.com) · Artificial Analysis (artificialanalysis.ai).