Meilleurs modèles OpenCode : 7 critères pour choisir

Il n’existe pas de gagnant universel. Commencez par un modèle hébergé fiable pour le raisonnement complexe, utilisez un modèle équilibré pour le code quotidien et choisissez un modèle local lorsque la confidentialité ou le travail hors ligne prime. Les modèles gratuits ou inclus servent à tester un flux, pas à garantir une qualité permanente.

Un modèle excellent pour une architecture complexe peut être inutile pour une petite correction. Séparez le travail en raisonnement et planification, implémentation, documentation et transformations rapides. La planification demande de la cohérence sur plusieurs étapes ; l’implémentation demande des modifications précises ; la documentation privilégie clarté et vitesse.

Pour choisir les meilleurs modèles OpenCode, notez la sortie attendue, le coût d’une erreur, le contexte nécessaire et les outils utilisés. Une explication en lecture seule peut commencer avec un modèle rapide. Une migration qui touche beaucoup de fichiers mérite un modèle plus robuste et une revue humaine du diff.

Ne remplacez pas une exigence par le terme meilleur modèle. La latence peut compter davantage pour des petites éditions, tandis que la fiabilité et la traçabilité comptent davantage pour un incident de production. Le flux de décision rend ce compromis explicite.

Les modèles hébergés sont souvent le meilleur point de référence car le fournisseur gère l’exécution. Ils conviennent au raisonnement, au contexte et aux outils stables, mais impliquent réseau, politiques et coût. Vérifiez toujours le traitement du code privé.

Un modèle local dépend de la mémoire, du calcul, de la quantification, du runtime et des outils ; ce n’est pas seulement un modèle cloud moins cher. Il peut convenir à la confidentialité ou au hors ligne, avec des prompts plus courts. Consultez le guide Ollama pour la connexion.

Un abonnement simplifie parfois la facturation, mais ses quotas et modèles disponibles changent aussi. Séparez le choix du forfait de la capacité réelle du modèle.

Plus de contexte ne signifie pas automatiquement une meilleure réponse. Commencez avec les fichiers minimums qui prouvent la tâche et élargissez seulement si nécessaire. Vérifiez ce que l’agent peut lire et les outils actifs.

La latence compte dans un terminal interactif. La fiabilité inclut la cohérence du format, le choix des outils, la reconnaissance des limites et des échecs prévisibles. La confidentialité est une contrainte du projet, pas une promesse marketing.

Utilisez la même tâche, le même prompt et le même contexte pour chaque candidat. Notez le délai utile, les erreurs, les fichiers modifiés et les corrections nécessaires, avec l’identifiant et la date du modèle.

La configuration utilise la forme provider/model. Vérifiez l’identifiant exact dans la documentation actuelle du fournisseur et gardez les identifiants secrets dans le flux d’authentification ou les variables d’environnement.

Une configuration minimale est plus facile à relire qu’un catalogue copié. Testez d’abord une tâche peu risquée et documentez le choix. Les pages officielles Models et Config restent la référence du schéma.

{
  "$schema": "https://opencode.ai/config.json",
  "model": "provider/model-id"
}

Évitez les démonstrations brillantes. Utilisez une tâche réelle : expliquer un module, proposer un plan, réaliser une modification limitée puis relire le diff. Gardez le dépôt, le prompt et les critères identiques.

Mesurez correction, complétude, coût d’interaction et risque. Notez l’attente, les relances, les commandes non autorisées et les fichiers inattendus. Une réponse persuasive qui oublie une contrainte ne doit pas devenir la valeur par défaut.

Changez seulement après un motif d’échec répété. Réduisez le contexte si les tâches longues échouent, vérifiez les permissions si les outils échouent et testez un modèle local plus petit si la lenteur est le problème.

1. Fixer la tâcheConserver la même tâche, le snapshot, le prompt et la checklist.
2. Commencer en lecture seuleDemander hypothèses et plan avant les écritures.
3. MesurerNoter temps utile, erreurs, relances et fichiers.
4. Relire le diffRefuser les changements sans preuve ou sans test.
5. Choisir le défautGarder le modèle qui atteint le seuil avec le moins de risque.

Les classements utilisent parfois d’autres prompts, outils, contextes et dates. Traitez-les comme des hypothèses et vérifiez-les sur un petit benchmark local.

Les modèles gratuits sont utiles pour apprendre, mais quotas, files d’attente, contexte et disponibilité diffèrent. Gardez-les sur des tâches peu risquées tant qu’ils n’ont pas passé le même test.

Avant de changer de modèle, vérifiez fournisseur, identifiant, authentification, permissions et configuration active. Un mauvais ID ou un contexte trop grand peut imiter un problème de qualité.

Les catalogues évoluent plus vite que le processus du dépôt. Conservez type de tâche, limite de contexte, contrôles et retour arrière ; mettez à jour l’ID et les mesures quand le fournisseur change. Ne promettez pas qu’un modèle restera toujours le meilleur.

Pour aller plus loin, consultez Ollama pour le local, Go et Zen pour les forfaits, JSONC pour la configuration et MCP pour les outils et permissions. Cette page reste la couche de décision.