🇬🇧 English version

Comparatif des fournisseurs LLM — Orkeon

État au 2026-09-19, dérivé du code source (src/core/Orkeon.Infrastructure/LLMs/) et des LlmProviderCapabilities déclarées par chaque fournisseur. Légende : ✓ supporté · ✗ absent · ◐ partiel/générique · † non campagné (déclaré depuis la documentation du vendeur, en attente de la première campagne en exécution réelle — les détails datés sont dans la version anglaise).

Fournisseur	Classe de base	Streaming SSE	Tool calling natif	Chat multi-tours (rôles tool)	Message système	top_p / stop	Grammaire GBNF	response_format	thinking	Vision	reasoning_content round-trip	Cache prompt	Métriques timing	Résilience Polly	Sanitization clé API
OpenAI	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✓ effort	✓	✗	◐ auto	✗	✓	✓
Azure OpenAI	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✓ effort	✓	✗	◐ auto	✗	✓	✓
Anthropic	HttpLlmProviderBase	✓ natif	✓	✓	✓ (natif, séparé)	✓	✗	✓ schema	✓ toggle	✓	✗	✓ explicite	✗	✓	✓
DeepSeek	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ object	✓ toggle	✓	✓	✓ métriques	✗	✓	✓
Z.AI (GLM)	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ object	✓ toggle	✓	✗	✓ métriques	✗	✓	✓
Together AI	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✗	✓	✗	◐ auto	✗	✓	✓
Mistral AI	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✓ effort	✓	✗	◐ auto	✗	✓	✓
Qwen	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ object	✓ budget	✓	✗	◐ auto	✗	✓	✓
Kimi / Moonshot	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ object	✓ toggle	✓	✗	◐ auto	✗	✓	✓
Google Gemini	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✓ effort	✓	✗	◐ auto	✗	✓	✓
Grok (x.AI)	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema	✓ effort	✓	✗	◐ auto	✗	✓	✓
MiniMax	OpenAI-compat	✓	✓	✓	✓	✓	✓	✗ (accepté mais non contraignant — mesuré)	✗ (toujours actif, inline, extrait)	✓	✓	◐ auto	✗	✓	✓
HuggingFace	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ object	✗	✓	✗	◐ auto	✗	✓	✓
OpenRouter †	OpenAI-compat	✓	✓	✓	✓	✓	✓	✓ schema (par endpoint)	✓ budget (objet `reasoning`)	✓ (par modèle)	✗	◐ auto (+ `cache_write_tokens`)	✗ (`usage.cost` exposé)	✓	✓
Mammouth AI †	OpenAI-compat	✓	✓	✓	✓	✓	✓	✗ (non documenté)	✗ (non documenté)	✓ (par modèle)	✗	◐ auto	✗	✓	✓
Ollama	HttpLlmProviderBase	✓	✓ (`/api/chat`)	✓ (`/api/chat`)	✓ (prepend)	✗	✓	✓ schema	✓ toggle	✓ (`images`)	✗	✗	✗	✓	✓

Comment lire les colonnes de capacités

response_format, thinking et Vision ne sont pas maintenus à la main ici : chaque fournisseur déclare un value object LlmProviderCapabilities, et OpenAICompatibleProviderBase le traduit une seule fois dans le dialecte OpenAI. Anthropic, Ollama et Qwen surchargent le hook parce que leurs API parlent leur propre dialecte.

response_format — object signifie que l'API garantit un JSON bien formé ; schema signifie qu'elle valide contre un JSON Schema côté serveur. Un schéma envoyé à un fournisseur qui ne supporte que object est rétrogradé avec un avertissement, jamais en silence. Anthropic est schema-only : il n'a pas d'équivalent de json_object, donc une demande JSON sans schéma y est signalée plutôt qu'envoyée.
thinking — effort n'accepte qu'une indication de niveau ; toggle peut en plus activer et désactiver le raisonnement ; budget accepte en outre un budget de tokens explicite (Qwen uniquement — Anthropic rejette budget_tokens avec un 400 sur la génération actuelle). Sur le fil, le toggle d'Anthropic s'écrit thinking: {type: adaptive|disabled} — un détail de payload, pas un niveau de capacité.
Tout ce qu'un fournisseur ne supporte pas est signalé. Une option déclarée en YAML sur un fournisseur qui ne peut pas l'honorer produit un avertissement actionnable nommant l'option, le fournisseur et le remède. C'était le vrai défaut relevé par l'audit du 2026-07-27 : pas le câblage manquant, mais son invisibilité.

Notes

◐ cache prompt (auto) : le fournisseur met en cache les préfixes de prompt implicitement et rapporte le hit ; OpenAICompatibleProviderBase.ParseSuccessResponse lit génériquement prompt_cache_hit/miss_tokens et le champ standard OpenAI prompt_tokens_details.cached_tokens. ✓ explicite (Anthropic) signifie que le cache ne fait rien tant qu'un point d'arrêt cache_control n'est pas posé — opt-in via LlmCacheConfig / le bloc YAML cache:.
SSE Anthropic : ChatStreamingAsync parse nativement le flux d'événements de la Messages API depuis LLM-05 ; auparavant il retombait sur une émulation bufferisée, donc aucun token n'arrivait tôt.
Tool calling Ollama : passe par /api/chat dès que la conversation déclare des outils, rejoue des appels d'outils, ou transporte une image ; tout le reste conserve /api/generate (streaming NDJSON, GBNF). Le protocole de repli textuel reste en charge pour les modèles sans support des outils.
Azure OpenAI : deux formes d'API — l'URL de déploiement datée (par défaut) et la surface v1 GA (api_version: v1), seule voie vers la Responses API et vers les modèles non-OpenAI qu'Azure revend.
HuggingFace : les identifiants de modèle acceptent un suffixe de routage (:fastest / :cheapest / :preferred / :<partner>) — le seul levier de coût et de latence sur Inference Providers.
top_p / stop : Ollama n'expose que temperature + num_predict (= max_tokens).
OpenAI max_completion_tokens : OpenAI a retiré max_tokens de ses modèles actuels (la campagne du 2026-08-30 a perdu dix modes sur ce seul champ), le dialecte OpenAI écrit donc max_completion_tokens — accepté aussi par les générations antérieures (vérifié sur gpt-4o-mini le même jour). Les fournisseurs compatibles gardent max_tokens : le retrait n'appartient qu'à OpenAI.
response_format Gemini : non documenté sur la surface compat au premier audit (2026-08-18) et non déclaré alors ; mesuré en réel le 2026-08-30, la surface accepte json_object et json_schema et valide le schéma côté serveur — le provider déclare désormais JsonSchema.
Vision DeepSeek : arrivée avec deepseek-v4-flash-vision-exp (mesuré 2026-08-30), native sur le palier Flash depuis V4.1 Flash (2026-09-10) : le défaut deepseek-flash voit, le compagnon expérimental est retiré. Déclaré par fournisseur, réel par modèle comme partout (D-03) : deepseek-v4-pro reste texte seul et répond à une image par l'erreur du vendeur. deepseek-v4-flash est le nom d'un modèle retiré que l'API route « temporairement » vers V4.1 Flash — le défaut est passé à l'identifiant du vendeur le 2026-09-19.
MiniMax : adossé à sa campagne depuis le 2026-08-30 (7/2/3, le jour même de son intégration). Le raisonnement arrive EN LIGNE — chaque réponse ouvre sur un bloc <think> dans content, sans champ séparé — et le dialecte l'extrait vers reasoning_content, en le réinjectant au replay comme la doc du vendeur l'exige. response_format est accepté mais NON contraignant (schéma ignoré, json_object en clôture markdown) : la déclaration None est une mesure (appels bruts, 2026-08-30, consignée dans la note MiniMax du catalogue de campagne — le M8 archivé montre ➖ parce que la déclaration None empêche l'option d'être envoyée). Vision par modèle (D-03) : MiniMax-M2 répond « I'm unable to view the image », et la famille VL n'apparaît pas au /models de la plateforme — pas de compagnon déclarable en l'état.
Grok (x.AI) : chaque capacité déclarée est une mesure en réel — une campagne complète de 12 modes est passée contre api.x.ai via le dialecte OpenAI générique avant même que la classe du provider existe (2026-08-30, archivée sous llmproviders-test/custom-endpoints/). Les clés portent le préfixe xai-, que la factory infère.
OpenRouter † : la place de marché (445 modèles de 60 vendeurs le 2026-09-18) derrière une seule clé, intégrée documentation d'abord (LLM-09) — aucune campagne archivée encore. Les identifiants sont vendeur/modèle (préfixe obligatoire), avec les suffixes :free / :nitro / :floor et le slug routeur openrouter/auto (utilisable, refusé comme défaut : le modèle servi dérive — la métadonnée served_model dit qui a répondu). La trace de raisonnement revient dans reasoning, jamais reasoning_content (hook ReasoningFieldName du socle) ; le thinking voyage dans l'objet de requête reasoning (enabled / effort / max_tokens, la déclaration Budget est donc celle du transport — OpenRouter convertit effort et budget l'un en l'autre selon le modèle) ; le coût réel arrive dans usage.cost (métadonnée cost) avec sa ventilation upstream_inference_cost / is_byok / cache_write_tokens / reasoning_tokens ; deux en-têtes d'attribution constants (HTTP-Referer, X-OpenRouter-Title) nomment Orkeon. json_schema est honoré par endpoint et le provider n'envoie pas provider.require_parameters : savoir si un schéma peut être ignoré en silence ailleurs est la question de la première campagne. Le routage avancé (provider {…}, models[], plugins[]) n'est pas exposé. Le préfixe de clé sk-or-v1- n'est documenté que par des sources secondaires : la factory n'en infère rien encore.
Mammouth AI † : l'abonnement multi-modèles français dont les crédits API inclus pilotent Orkeon, intégré documentation d'abord (LLM-09) — aucune campagne archivée encore. À trois indices concordants (2026-09-18) l'API est un proxy LiteLLM ; rien dans le provider n'en dépend. Les identifiants sont les chaînes nues des vendeurs (gpt-5.6-sol, claude-sonnet-5, gemini-3.7-flash) : le provider se cible par hôte (api.mammouth.ai) ou par "Provider": "mammouth" et n'est jamais inféré d'un nom de modèle — la même chaîne sans base URL continue d'aller chez le vendeur. Seuls messages, model, temperature, max_tokens, top_p et stream sont documentés : response_format et le thinking restent non déclarés (avertissement structuré, jamais un drop silencieux) tant que la première campagne ne les a pas mesurés — la règle MiniMax ; la vision est déclarée depuis la liste text, image du vendeur. Les tarifs sont les bornes hautes du vendeur (gemini-3.7-flash à 1,5 / 7,5 $/M, le double du direct).
Clés identity-linked Anthropic : refusent toute requête sans en-tête anthropic-workspace-id (2026-08-30). Renseigner LlmConfig.WorkspaceId (CLI : --workspace-id) ; les clés classiques n'en ont pas besoin.
Polly et Sanitization clé API : fournis par HttpLlmProviderBase → actifs partout.

Défauts et modèles plus récents — revue des catalogues du 2026-09-19

Les pages modèles et tarifs de chaque vendeur ont été lues le 2026-09-19, avec les catalogues publics des deux agrégateurs (OpenRouter, 447 modèles ; Mammouth, 100). La règle est celle qu'énonce LlmProviderDefaultModels : un défaut ne change que si le vendeur retire le nom ; sinon un modèle plus récent est un candidat tant qu'une campagne n'a pas archivé un M1.

Provider	Défaut (code)	Servi le 2026-09-19	Plus récent sur l'API du vendeur	Verdict
OpenAI	`gpt-5.6-sol`	oui — 4 / 20 $/M jusqu'au 2026-11-21, cible de remplacement des deux vagues de dépréciation 2026	`gpt-6-astra` (10 / 50, effort `low`…`max` sans `none`, facturation ×2 au-delà de 272K tokens d'entrée)	reste — campagné le 2026-09-21 : `gpt-6-astra` 10/2 avec `temperature: 1` épinglée ; il n'a pas de `reasoning_effort: none`, les function tools sur `/v1/chat/completions` sont donc refusés (`use /v1/responses`) — pas un défaut tant que le dialecte ne parle pas Responses ; `gpt-6-astra-pro` est une étiquette d'agrégateur, pas un id OpenAI
Anthropic	`claude-sonnet-5`	oui — 2 / 10 $/M rendu définitif, actif au moins jusqu'au 2027-06-30	`claude-fable-5-1` (2026-09-01, 10 / 50, thinking toujours actif, `tool_choice` forcé refusé)	reste — campagné le 2026-09-21 : `claude-fable-5-1` 11/1 deux fois (le rouge est M6, le protocole texte de repli ; outils natifs, schéma, vision et cache verts) — viable, à cinq fois le prix ; `claude-opus-5-fast` est un drapeau `speed`, pas un id ; `temperature` / `top_p` / `top_k` renvoient 400 sur tout modèle à partir d'Opus 4.7
Azure OpenAI	déploiement	—	—	rien à défauter
Ollama	`llama3.2`	oui — 3B, texte seul, sans thinking, vieux d'un an	`qwen3.5:4b`, `gemma4:e4b`, `granite4.2:3b` (outils + thinking, même gabarit)	reste : un nouveau défaut impose un pull sur chaque machine
Together AI	`meta-llama/Llama-3.3-70B-Instruct-Turbo`	oui — 1,04 / 1,04 $/M, pas de retrait programmé	`zai-org/GLM-5.3-Flash` (1M, outils + JSON, 0,15 / 0,50), `Qwen/Qwen3.5-9B`, `deepseek-ai/DeepSeek-V4.1-Flash` ; Llama 4 a quitté le serverless	candidat GLM-5.3-Flash, sept fois moins cher — campagné le 2026-09-21 : 11/0/1, il lit l'image (premier modèle vision serverless chez Together, désormais compagnon vision du kit) et son cache est lu (8000 tokens, 0,99) ; `Qwen/Qwen3.5-9B` 10/0/2. Tous deux prêts ; la montée est au propriétaire
DeepSeek	`deepseek-flash` (était `deepseek-v4-flash`)	oui — V4.1 Flash, 0,30 / 1,20 $/M en pointe, vision native	c'est le plus récent	changé le 2026-09-19 : l'ancien nom est un modèle retiré routé « temporairement » ici ; rejoué le 2026-09-21 : 12/12 deux fois — M2 et M9, rouges pendant cinq campagnes sur `deepseek-v4-flash`, sont verts sur `deepseek-flash`
Kimi	`kimi-k2.6`	oui — 0,95 / 4,00 $/M, sans date de retrait	`kimi-k3` (juillet 2026, 1M, 3 / 15, échantillonnage figé, pas de champ `thinking`, raisonne toujours)	reste — campagné le 2026-09-21 : `kimi-k3` 12/12 puis 11/1 (M2 sur la forme aplatie), trace de raisonnement, cache 0,97, JSON nu là où k2.6 clôture désormais son `json_object` — prêt, à trois fois le prix ; `kimi-k2.5` et `moonshot-v1-*` retirés le 2026-08-31 ; docs désormais sur `platform.kimi.ai`
Qwen	`qwen3.7-plus`	oui — toujours le palier Plus, l'un des trois modèles recommandés	`qwen3.8-max` (= `qwen3.8-max-0902`), `qwen3.8-flash` ; pas de `qwen3.8-plus`	reste — campagné le 2026-09-21 : `qwen3.8-max` 12/12, `qwen3.8-flash` 11/1 (M2), tous deux prêts, et `qwen3.7-plus` est toujours 12/12 ; la génération 3.8 ajoute `preserve_thinking`
Mistral AI	`mistral-medium-2604`	oui — 1,50 / 7,50 $/M, non déprécié	rien pour le chat depuis avril (OCR 4.1 seulement)	reste ; les ids `devstral-*` / magistral sont dans la table des dépréciés
HuggingFace	`meta-llama/Llama-3.1-8B-Instruct`	oui — mais outils sur un seul de ses quatre fournisseurs routés, et `:fastest` peut en choisir un autre	`Qwen/Qwen3.5-9B` (outils sur trois fournisseurs, dès 0,10 / 0,15), `zai-org/GLM-5.3-Flash`, `deepseek-ai/DeepSeek-V4.1-Flash`	candidat Qwen3.5-9B — campagné le 2026-09-21 : 10/0/2, il voit et ses outils tiennent ; son premier passage a rendu un M1 vide après 4113 tokens de réflexion sur le repli 4096 du routeur — épingler `Llm:MaxTokens` (ou couper le thinking) avant d'en faire un défaut. Le routage explique toujours les rouges mouvants du défaut (M2 et M5 rouges ensemble au passage rc.4)
Z.AI	`glm-5.2`	oui — toujours sous « Latest Models », 1,40 / 4,40 $/M	`glm-5.3` (2026-08-18), `glm-5.3-flash` (0,15 / 0,50, image + vidéo), `glm-5.3-flashx`	reste — campagné le 2026-09-21 : `glm-5.3-flash` 12/12 deux fois (il voit, là où 5.2 et 5.3 répondent `1210` ; cache lu) — le candidat le plus net du parc, à un neuvième du prix ; `glm-5.3` 10/2 (M2, M9) n'apporte rien sur 5.2. La déclaration `Toggle` demande toujours une garde par modèle avant une montée
Google Gemini	`gemini-3.7-flash`	oui — « génération précédente », sans date d'arrêt, 0,75 / 3,75 $/M jusqu'au 2026-12-31 puis 1,50 / 7,50	`gemini-3.8-flash` (GA 2026-09-02, même prix, thinking `minimal` refusé)	premier candidat à une montée — campagné le 2026-09-21 : `gemini-3.8-flash` 11/0/1 deux fois, identique à 3.7 mode pour mode sur le transport direct ; OpenRouter et Mammouth non joués (pas de clé)
Grok (x.AI)	`grok-4.6`	oui — recommandé, 2 / 6 $/M sous 200K tokens de prompt, 4 / 12 au-delà	aucun	reste
MiniMax	`MiniMax-M2`	oui — listé « legacy », sans date de retrait	`MiniMax-M3` (2026-06-01, 1M, entrée image + vidéo, mêmes 0,30 / 1,20)	reste — campagné le 2026-09-21 : `MiniMax-M3` 9/1/2 puis 8/1/3 — il lit l'image (désormais compagnon vision du kit), M2 rouge comme M2, le bloc `<think>` inline découpé comme sur M2, 128 tokens en cache une fois ; la question du format de raisonnement est tranchée
OpenRouter	`google/gemini-3.7-flash`	oui	`google/gemini-3.8-flash` (2026-09-02, même prix)	suit le défaut direct — non campagné le 2026-09-21 (pas de clé)
Mammouth AI	`gemini-3.7-flash`	oui	`gemini-3.8-flash`	suit le défaut direct — non campagné le 2026-09-21 (pas de clé)

ModelPricingRegistry suit les mêmes pages : la famille GPT-5.6 et gpt-6-astra, Sonnet 5 à 2 / 10, Fable 5.1 / Fable 5 et Haiku 4.5.

Plafonds de sortie — le maximum documenté par modèle (LLM-10)

Une requête porte un plafond de sortie (max_tokens, max_completion_tokens chez OpenAI, num_predict chez Ollama). Le moteur envoyait 4096 pour tous les modèles ; un modèle raisonneur dépense ce budget à réfléchir et répond vide, la relance sans outils qui suit raconte le livrable au lieu de l'écrire, et le run passe vert sans fichier (recette propriétaire du 2026-09-19, kimi-k3). Depuis LLM-10, le plafond non épinglé est le maximum documenté du modèle, lu dans le catalogue LlmModelOutputLimits d'Orkeon.Constants.Llm ; une valeur épinglée (Llm:MaxTokens, un profil Studio, le max_tokens d'une crew) gagne toujours ; un modèle inconnu du catalogue garde le repli 4096. N'y entrent que des chiffres documentés, chacun lu le 2026-09-19 :

Fournisseur	Modèle	Plafond envoyé	Source	Note
OpenAI (et les déploiements Azure des mêmes ids)	`gpt-5.6-sol`, `gpt-6-astra`	128 000	developers.openai.com/api/docs/models	le raisonnement compte dans le plafond
Anthropic	`claude-sonnet-5`, `claude-opus-5`, `claude-fable-5-1` (les variantes datées suivent la famille)	128 000	platform.claude.com/docs/en/about-claude/models/overview	la réflexion compte dans `max_tokens` ; le champ est obligatoire, un Claude inconnu reçoit 4096
Gemini	`gemini-3.7-flash`, `gemini-3.8-flash` (aussi sous `google/…` chez OpenRouter et nu chez Mammouth)	65 536	ai.google.dev/gemini-api/docs/models	jetons de réflexion inclus ; 65 537 fait un 400
DeepSeek	`deepseek-flash` (et les noms retirés `deepseek-v4-flash*` qu'il route)	393 216	api-docs.deepseek.com/api/create-chat-completion	« 1 à 384K » ; 384 000 chez Mammouth
Kimi	`kimi-k3`	131 072	platform.kimi.ai/docs/guide/kimi-k3-quickstart	le défaut `max_completion_tokens` du fournisseur ; borne réelle 1M − prompt
Kimi	`kimi-k2.6`	131 072	platform.kimi.ai/docs/guide/troubleshooting	un épinglage, pas un plafond documenté : la borne est 256K − prompt ; un rejet retire le champ au rejeu
Qwen	`qwen3.7-plus`, `qwen3.8-flash`, `qwen3.8-max`	131 072	alibabacloud.com/help/en/model-studio	la chaîne de pensée a son propre `thinking_budget` ; 65 500 chez Mammouth
Z.AI	`glm-5.2`, `glm-5.3`, `glm-5.3-flash`	131 072	docs.z.ai/guides/overview/concept-param	maximum du schéma ; défaut 65 536
Z.AI	`glm-4.6v-flash`	32 768	docs.z.ai/guides/vlm/glm-4.6v	—
MiniMax	`MiniMax-M2`	131 072	platform.minimax.io/docs/guides/models-intro	« 128k (CoT compris) » ; M3 est absent — le fournisseur ne publie aucun chiffre de sortie (512k n'apparaît que comme réglage de benchmark ; 512 000 chez Mammouth)
xAI	`grok-4.6`	128 000	docs.x.ai/developers/rest-api-reference	pas de plafond par modèle ; le défaut du fournisseur quand le champ manque, raisonnement exclu
Mistral	`mistral-medium-2604` (`mistral-medium-3-5`)	aucun	docs.mistral.ai/api/endpoint/chat	pas de plafond de sortie, seulement « prompt + max_tokens ≤ contexte » : le champ est omis et le modèle écrit jusqu'à sa fenêtre
Together	tous	4096 (repli)	docs.together.ai/docs/serverless-models	aucun plafond de sortie par modèle, seulement prompt + `max_tokens` ≤ fenêtre. La fenêtre elle-même a été le plafond du 2026-09-19 au 2026-09-21, sur l'hypothèse que `context_length_exceeded_behavior: truncate` la ramène à fenêtre − prompt ; la campagne du 2026-09-21 a mesuré que deux des trois moteurs serverless refusent quand même (`max_new_tokens`, `context_length_exceeded`) et que le troisième ne tronque que sur le chemin bufferisé. Le repli tient, le drapeau part toujours, et le filet de rejeu retire le plafond sur ces formulations ; omis, le champ vaut 2048 (`finish_reason: length`)
Ollama	tous	aucun (`num_predict` omis)	docs.ollama.com/modelfile	`-1, génération infinie` est le défaut du runtime : un modèle local écrit jusqu'à son contexte
HuggingFace, Docker Model Runner, tout le reste	—	4096 (repli)	—	la borne du routeur est le contexte du fournisseur routé, qui change selon la route ; épinglez `Llm:MaxTokens`

Deux choses que le catalogue dit franchement. Là où le fournisseur borne le plafond par « fenêtre − prompt » (Kimi, Together, Mistral), une valeur fixe proche de la fenêtre échoue sur tout vrai prompt — ces lignes sont donc un épinglage, le repli, ou rien. Et un plafond que le point d'accès refuse (Qwen « Range of max_tokens », Kimi « prompt tokens + max_tokens exceeds », Gemini maxOutputTokens, le 422 de DeepSeek, les moteurs Together avec max_new_tokens / context_length_exceeded) est rejoué une fois sans le champ quand il vient du catalogue, avec un avertissement qui nomme le modèle — une valeur épinglée appartient à l'utilisateur, et son rejet remonte tel quel. L'éditeur de profil de Studio lit le même catalogue : l'indication sous le champ « Réponse maximale » dit ce qu'un champ vide signifie pour le modèle choisi, et invite à épingler quand le modèle est inconnu.

Valeurs de paramètres obligatoires, par modèle

Certains modèles refusent une requête tant qu'un paramètre ne porte pas une valeur précise. C'est autre chose que les écarts de capacité par modèle ci-dessus (D-03 — un modèle sans thinking ou sans vision) : ici la capacité existe, mais le modèle dicte la valeur, et le vendeur répond 400 à tout le reste. La contrainte est par modèle, jamais par fournisseur — le même vendeur sert des modèles aux exigences opposées, un épinglage au niveau fournisseur est donc à une campagne de casser le modèle voisin. Chaque ligne ci-dessous est mesurée en réel ; rien n'est inféré.

Fournisseur	Modèle	Paramètre	Valeur obligatoire	Les mots du vendeur	Mesuré
Kimi	`kimi-k2.6`	`temperature`	`1`	`invalid temperature: only 1 is allowed for this model`	2026-08-03
OpenAI	`gpt-5.6-sol`	`temperature`	`1`	`'temperature' does not support 0 with this model. Only the default (1) value is supported.`	2026-08-30
OpenAI	`gpt-5.6-sol`	`reasoning_effort`	`"none"` quand la requête porte des function tools sur `/v1/chat/completions`	`Function tools with reasoning_effort are not supported for gpt-5.6-sol in /v1/chat/completions. To use function tools, use /v1/responses or set reasoning_effort to 'none'.`	2026-08-30
OpenAI	`gpt-6-astra`	`temperature`	`1`	`'temperature' does not support 0 with this model. Only the default (1) value is supported.`	2026-09-21
OpenAI	`gpt-6-astra`	`reasoning_effort`	aucun `"none"` n'existe (`low`, `medium`, `high`, `xhigh`) — le contournement Sol est impossible, les function tools restent refusés sur `/v1/chat/completions` tant que le dialecte ne parle pas `/v1/responses`	`'reasoning_effort' does not support 'none' with this model. Supported values are: 'low', 'medium', 'high', and 'xhigh'.` — et sans lui, `Function tools with reasoning_effort are not supported for gpt-6-astra in /v1/chat/completions. To use function tools, use /v1/responses`	2026-09-21
Anthropic	`claude-sonnet-5`	`temperature`	`1`, ou omettre le champ	`temperature` is deprecated for this model. (1 et l'omission passent ; 0 et 0.7 non)	2026-08-30
Mistral	`mistral-medium-2604`	`reasoning_effort`	`high` ou `none` seulement	`reasoning_effort low is not supported for this model, supported values: [<ReasoningEffort.high: 'high'>, <ReasoningEffort.none: 'none'>]`	2026-08-30
Mistral	`mistral-medium-2604`	`top_p`	`1` explicite quand `temperature` vaut 0 et que le raisonnement est actif (l'omission n'y vaut PAS 1)	`top_p must be 1 when using greedy sampling.`	2026-08-30

Le contre-exemple qui rend le registre par-modèle : gpt-4o-mini — même fournisseur que gpt-5.6-sol — rejette reasoning_effort tout court (Unrecognized request argument supplied: reasoning_effort, mesuré le même jour). Un « toujours none » au niveau fournisseur le casserait.

Jumeau lisible par machine : llmproviders-test/lib/catalog.json, clé requiredParams (par fournisseur, indexée par identifiant de modèle) — les scripts de campagne la résolvent automatiquement et l'en-tête du rapport imprime les valeurs réellement utilisées. Dans le code applicatif, les mêmes valeurs s'expriment par LlmConfig (Temperature, Thinking = { Effort = "none" }) ; sur une mauvaise valeur, l'erreur du vendeur revient attribuée (CapabilityMismatchHint nomme le réglage thinking sur le refus tools-avec-raisonnement).

Ce que cette table ne prouve pas

Chaque ligne est adossée à des tests unitaires qui vérifient le payload émis — contre un handler HTTP mocké. Un mock prouve qu'Orkeon envoie ce que nous croyons envoyer ; il ne prouve pas que le fournisseur l'accepte. Les preuves d'exécution réelle sont suivies séparément dans le journal de la matrice de tests ; lancez une campagne avec orkeon llm probe --provider <name> --archive <dir>.