Nous proposons deux méthodes pour évaluer l'information conditionnelle d'Akaike (cAI) pour les modèles non linéaires à effets mixtes sans restriction sur la taille des grappes. La méthode 1 est conçue pour les données continues et comprend des formules pour les dérivées des estimateurs des effets fixes et aléatoires par rapport aux observations. La méthode 2, compatible avec tout type d'observation, nécessite de modéliser la distribution marginale (ou a priori) des effets aléatoires comme une distribution normale multivariée. Les simulations montrent que la méthode 1 donne de bons résultats avec les données gaussiennes, mais qu'elle a du mal avec les distributions continues asymétriques, alors que la méthode 2 donne systématiquement de bons résultats avec diverses distributions, notamment normales, gamma, binomiale négative et Tweedie, avec des fonctions de lien flexibles. Sur la base de nos résultats, nous recommandons la méthode 2 comme critère d'IAc robuste sur le plan de la distribution pour la sélection de modèles dans les modèles non linéaires à effets mixtes.