Fable 5 सबसे आगे, लेकिन Opus 4.8, GPT-5.5 और Grok 4.3 की भी अपनी जीत
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है। DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स...
प्रकाशितकर्ताDeepSeek-V4-Pro से संपादितGPT Image 1.5 से चित्र बनाए गए
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है।
DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स्वतंत्र अमेरिकी सरकारी जांच में पाया गया कि यह अग्रणी मॉडलों से लगभग 8 महीने पीछे है।
सीधी तुलना करना मुश्किल है क्योंकि मॉडलों को अलग अलग मानकों पर परखा जाता है, इसलिए असली दुनिया के कामों में इनका प्रदर्शन अलग हो सकता है।
Research benchmarks of Claude Fable 5, Claude Opus 4.8, GPT 5.5, Gemini 3.5 Flash, Grok 4.3, Deep Seek V4 ProClaude Fable 5 sets a new standard on SWE-Bench Pro, widening the gap between the top-tier and value-tier models in June 2026.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: Research benchmarks of Claude Fable 5, Claude Opus 4.8, GPT 5.5, Gemini 3.5 Flash, Grok 4.3, Deep Seek V4 Pro. Compare them as comprehensive. Article summary: I now have the available data across the six models from the provided sources. Let me compile the comparison, with gaps where the supplied sources do not support a specific score.. Topic tags: deepresearch, general web, user generated, government, documentation. Reference image context from search candidates: Reference image 1: visual subject "Anthropic published a comparative table for four models: Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, and Gemini 3.1 Pro. Standard" source context "Claude Opus 4.8 Benchmarks vs GPT-5.5 & Gemini (2026)" Reference image 2: visual subject "DeepSeek V4 Pro (Thinking) has the highest completed-task multi-step score at 8.90, ahe
openai.com
जून 2026 का एआई परिदृश्य पहले से कहीं अधिक प्रतिस्पर्धी है। एंथ्रोपिक (Anthropic) के नव-प्रवर्तित Claude Fable 5 ने धमाकेदार एंट्री ली है। इसने सिर्फ़ प्रतिस्पर्धा नहीं की, बल्कि डेवलपर्स और व्यवसायों के लिए सबसे मूल्यवान श्रेणियों—एजेंटिक कोडिंग और वास्तविक दुनिया के ज्ञान कार्य (Knowledge Work)—में एक महत्वपूर्ण बढ़त बना ली है।
हालाँकि यह निर्विवाद रूप से समग्र नेता है, GPT-5.5, Gemini 3.5 Flash, और Grok 4.3 जैसे अन्य मॉडलों ने गणितीय तर्क से लेकर लागत-कुशल निर्देश पालन तक के क्षेत्रों में उत्कृष्ट प्रदर्शन करते हुए अपनी मजबूत स्थिति बनाई है। यह तुलना नवीनतम स्वतंत्र और विक्रेता-रिपोर्ट किए गए डेटा पर आधारित है, ताकि आपको यह स्पष्ट पता चल सके कि आज प्रत्येक मॉडल वास्तव में कहाँ खड़ा है।
शीर्ष स्तर: नया सर्वांगीण नेता
Claude Fable 5 (Anthropic)
जून 2026 में जारी, Fable 5 एंथ्रोपिक का अब तक का सबसे शक्तिशाली सार्वजनिक रूप से उपलब्ध मॉडल है। यह कई लीडरबोर्ड पर शीर्ष स्थान रखता है और इसे "लगभग सभी परीक्षण किए गए बेंचमार्क पर अत्याधुनिक" बताया गया है ।
समग्र बुद्धिमत्ता: यह आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स (Artificial Analysis Intelligence Index) पर #1 स्थान पर है, जिसका स्कोर 64.9 है । यह 370 से अधिक मॉडलों के डेटाबेस में समग्र बुद्धिमत्ता, कोडिंग और एजेंटिक कार्यों के लिए भी #1 स्थान पर है ।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
"Fable 5 सबसे आगे, लेकिन Opus 4.8, GPT-5.5 और Grok 4.3 की भी अपनी जीत" का संक्षिप्त उत्तर क्या है?
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है। DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स्वतंत्र अमेरिकी सरकारी जांच में पाया गया कि यह अग्रणी मॉडलों से लगभग 8 महीने पीछे है।
मुझे अभ्यास में आगे क्या करना चाहिए?
सीधी तुलना करना मुश्किल है क्योंकि मॉडलों को अलग अलग मानकों पर परखा जाता है, इसलिए असली दुनिया के कामों में इनका प्रदर्शन अलग हो सकता है।
Fable 5 सबसे आगे, लेकिन Opus 4.8, GPT-5.5 और Grok 4.3 की भी अपनी जीत
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है। DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स...
प्रकाशितकर्ताDeepSeek-V4-Pro से संपादितGPT Image 1.5 से चित्र बनाए गए
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है।
DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स्वतंत्र अमेरिकी सरकारी जांच में पाया गया कि यह अग्रणी मॉडलों से लगभग 8 महीने पीछे है।
सीधी तुलना करना मुश्किल है क्योंकि मॉडलों को अलग अलग मानकों पर परखा जाता है, इसलिए असली दुनिया के कामों में इनका प्रदर्शन अलग हो सकता है।
Research benchmarks of Claude Fable 5, Claude Opus 4.8, GPT 5.5, Gemini 3.5 Flash, Grok 4.3, Deep Seek V4 ProClaude Fable 5 sets a new standard on SWE-Bench Pro, widening the gap between the top-tier and value-tier models in June 2026.
AI संकेत
Create a landscape editorial hero image for this Studio Global article: Research benchmarks of Claude Fable 5, Claude Opus 4.8, GPT 5.5, Gemini 3.5 Flash, Grok 4.3, Deep Seek V4 Pro. Compare them as comprehensive. Article summary: I now have the available data across the six models from the provided sources. Let me compile the comparison, with gaps where the supplied sources do not support a specific score.. Topic tags: deepresearch, general web, user generated, government, documentation. Reference image context from search candidates: Reference image 1: visual subject "Anthropic published a comparative table for four models: Claude Opus 4.8, Claude Opus 4.7, GPT-5.5, and Gemini 3.1 Pro. Standard" source context "Claude Opus 4.8 Benchmarks vs GPT-5.5 & Gemini (2026)" Reference image 2: visual subject "DeepSeek V4 Pro (Thinking) has the highest completed-task multi-step score at 8.90, ahe
openai.com
जून 2026 का एआई परिदृश्य पहले से कहीं अधिक प्रतिस्पर्धी है। एंथ्रोपिक (Anthropic) के नव-प्रवर्तित Claude Fable 5 ने धमाकेदार एंट्री ली है। इसने सिर्फ़ प्रतिस्पर्धा नहीं की, बल्कि डेवलपर्स और व्यवसायों के लिए सबसे मूल्यवान श्रेणियों—एजेंटिक कोडिंग और वास्तविक दुनिया के ज्ञान कार्य (Knowledge Work)—में एक महत्वपूर्ण बढ़त बना ली है।
हालाँकि यह निर्विवाद रूप से समग्र नेता है, GPT-5.5, Gemini 3.5 Flash, और Grok 4.3 जैसे अन्य मॉडलों ने गणितीय तर्क से लेकर लागत-कुशल निर्देश पालन तक के क्षेत्रों में उत्कृष्ट प्रदर्शन करते हुए अपनी मजबूत स्थिति बनाई है। यह तुलना नवीनतम स्वतंत्र और विक्रेता-रिपोर्ट किए गए डेटा पर आधारित है, ताकि आपको यह स्पष्ट पता चल सके कि आज प्रत्येक मॉडल वास्तव में कहाँ खड़ा है।
शीर्ष स्तर: नया सर्वांगीण नेता
Claude Fable 5 (Anthropic)
जून 2026 में जारी, Fable 5 एंथ्रोपिक का अब तक का सबसे शक्तिशाली सार्वजनिक रूप से उपलब्ध मॉडल है। यह कई लीडरबोर्ड पर शीर्ष स्थान रखता है और इसे "लगभग सभी परीक्षण किए गए बेंचमार्क पर अत्याधुनिक" बताया गया है ।
समग्र बुद्धिमत्ता: यह आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स (Artificial Analysis Intelligence Index) पर #1 स्थान पर है, जिसका स्कोर 64.9 है । यह 370 से अधिक मॉडलों के डेटाबेस में समग्र बुद्धिमत्ता, कोडिंग और एजेंटिक कार्यों के लिए भी #1 स्थान पर है ।
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
"Fable 5 सबसे आगे, लेकिन Opus 4.8, GPT-5.5 और Grok 4.3 की भी अपनी जीत" का संक्षिप्त उत्तर क्या है?
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
Claude Fable 5 जून 2026 तक का सबसे ताकतवर AI मॉडल है, जो Artificial Analysis Intelligence Index पर पहले स्थान पर है और SWE Bench Pro कोडिंग टेस्ट में 80.3% अंक लेकर बाकी सब से 10 अंक से भी ज़्यादा आगे है। DeepSeek V4 Pro एक बेहतरीन ओपन सोर्स विकल्प है जो कम कीमत में लगभग टॉप लेवल की कोडिंग क्षमता देता है, लेकिन एक स्वतंत्र अमेरिकी सरकारी जांच में पाया गया कि यह अग्रणी मॉडलों से लगभग 8 महीने पीछे है।
मुझे अभ्यास में आगे क्या करना चाहिए?
सीधी तुलना करना मुश्किल है क्योंकि मॉडलों को अलग अलग मानकों पर परखा जाता है, इसलिए असली दुनिया के कामों में इनका प्रदर्शन अलग हो सकता है।
कोडिंग में बादशाहत: Fable 5 ने एजेंटिक कोडिंग बेंचमार्क, SWE-Bench Pro पर 80.3% का नया उच्चतम स्कोर स्थापित किया है । यह Claude Opus 4.8 (69.2%) से 11.1 अंक और GPT-5.5 (58.6%) से 21.7 अंक आगे है । इससे भी कठिन FrontierCode (Diamond) बेंचमार्क पर, इसका 29.3% स्कोर Opus 4.8 के 13.4% से दोगुने से अधिक और GPT-5.5 के 5.7% से कहीं आगे है ।
ज्ञान कार्य: GDPval-AA पर, जो एजेंटिक वास्तविक-विश्व कार्यों के लिए एक बेंचमार्क है, Fable 5 ने 1932 का Elo हासिल कर #1 स्थान प्राप्त किया है ।
संदर्भ और तर्क: लंबे और अधिक जटिल कार्यों पर मॉडल की बढ़त और भी बढ़ जाती है । इसकी संदर्भ विंडो 1 मिलियन टोकन की है और यह दीर्घ-संदर्भ तर्क मेट्रिक्स में अग्रणी है ।
दूसरा स्तर: विशेषज्ञ और रफ़्तार के दिग्गज
Claude Opus 4.8 (Anthropic)
Fable 5 के आने से पहले, Opus 4.8 निर्विवाद राजा था। मई 2026 के अंत में जारी, यह अब एंथ्रोपिक का शक्तिशाली उप-प्रमुख है और अपने आप में एक शीर्ष-स्तरीय मॉडल बना हुआ है ।
समग्र और एजेंटिक: Fable 5 से पीछे होने से पहले, यह 61.4 के स्कोर के साथ आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स का नेतृत्व करने वाला पहला मॉडल था और GDPval-AA लीडरबोर्ड पर 1890 Elo के साथ शीर्ष पर था ।
कोडिंग: इसने SWE-bench Pro पर 69.2% और SWE-bench Verified पर 88.6% स्कोर किया ।
गणित: इसने USAMO 2026 प्रतियोगी गणित बेंचमार्क पर ऐतिहासिक 27-अंकों की छलांग लगाई, जो 41 दिनों में 69.3% से बढ़कर 96.7% हो गया ।
ईमानदारी: अनिश्चित होने पर अनुमान लगाने के बजाय जवाब न देकर, इस मॉडल में अपने साथियों की तुलना में तथ्यात्मक मतिभ्रम (Hallucination) की दर सबसे कम है ।
GPT-5.5 (OpenAI)
अप्रैल 2026 के अंत में जारी, GPT-5.5 इस पीढ़ी का पहला मॉडल था जिसने OpenAI के लिए समग्र प्रदर्शन में बढ़त हासिल की, लेकिन एक अधिक विशिष्ट कौशल सेट के साथ ।
गणितीय तर्क: यह गणित का अप्रतिम मॉडल है, जिसने FrontierMath Tier 1-3 पर 51.7% और असंभव रूप से कठिन Tier 4 पर 35.4% स्कोर किया—यह क्षेत्र में एक स्पष्ट बढ़त है ।
स्वायत्त CLI: यह टर्मिनल-बेंच 2.0 (Terminal-Bench 2.0) पर भी अग्रणी है, जटिल कमांड-लाइन कार्यों के लिए 82.7% स्कोर किया, जबकि Claude Opus 4.7 का स्कोर 69.4% था ।
दीर्घ संदर्भ: GPT-5.5 ने दीर्घ-संदर्भ पुनर्प्राप्ति (MRCR v2) में 37 अंकों की छलांग लगाई, 1M-टोकन संदर्भ पर 74.0% स्कोर किया, अपने पूर्ववर्ती के 36.6% को धूल चटा दी ।
कोडिंग पर चेतावनी: हालांकि यह एक मजबूत ऑलराउंडर है, इसका SWE-Bench Pro स्कोर 58.6% अब एंथ्रोपिक के मॉडलों से काफी पीछे है ।
Gemini 3.5 Flash (Google)
Google I/O 2026 में शुरू हुआ, यह मॉडल एक 'Flash' श्रेणी का है, जिसका मतलब है कि इसे गति और लागत-दक्षता के लिए डिज़ाइन किया गया है, बिना अपनी क्षमता से अधिक प्रदर्शन करने की क्षमता का त्याग किए ।
गति और मूल्य: कथित तौर पर यह एजेंट और कोडिंग कार्यों के लिए जेमिनी 3.1 प्रो (Gemini 3.1 Pro) से 4 गुना तेज है, और प्रतिस्पर्धी मूल्य पर उपलब्ध है ।
एजेंटिक और टूल का उपयोग: इसने बहु-चरणीय टूल-उपयोग बेंचमार्क, MCP Atlas पर मजबूत 83.6% स्कोर किया ।
कोडिंग और विज़न: SWE-Bench Pro पर, इसका 55.1% स्कोर अपने बड़े पूर्ववर्ती, जेमिनी 3.1 प्रो से थोड़ा अधिक है, और इसने CharXiv दृश्य तर्क बेंचमार्क पर 84.2% स्कोर किया ।
कोडिंग पर वास्तविकता की जांच: स्वतंत्र आर्टिफिशियल एनालिसिस डेटा बताता है कि इसके कोडिंग स्कोर गूगल की अपनी तुलनाओं से काफी कमजोर हैं, इसलिए डेवलपर्स के लिए इसकी वास्तविक उपयोगिता अभी भी जांची जा रही है ।
Grok 4.3 (xAI)
अप्रैल 2026 के अंत में चुपचाप लॉन्च किया गया, Grok 4.3 एक लागत-दक्षता और गति वाला विकल्प है जो विशिष्ट क्षेत्रों में उत्कृष्ट है ।
समग्र स्थिति: इसने आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स पर 53 स्कोर किया। यह इसे Claude Sonnet 4.6 जैसे मध्य-श्रेणी के मॉडलों से ऊपर रखता है, लेकिन शीर्ष-श्रेणी के GPT-5.5, Claude Opus 4.7, और Gemini 3.1 Pro से काफी नीचे ।
निर्देश पालन का बादशाह: इसने GPT-5.5, जेमिनी 3.1 प्रो और Claude Opus 4.7 को हराकर IFBench पर 81% स्कोर के साथ #1 रैंक हासिल की ।
एजेंटिक उछाल: Grok 4.3 ने अपने पूर्ववर्ती की तुलना में GDPval-AA एजेंटिक कार्य बेंचमार्क पर +321 Elo अंक की भारी छलांग दिखाई, जो 1500 के स्कोर तक पहुंच गया । इसने τ²-Bench Telecom बेंचमार्क पर 98% का अग्रणी स्कोर भी किया ।
रफ़्तार का दीवाना: शुरुआती रिपोर्टों में इसकी गति 159 टोकन प्रति सेकंड बताई गई है, जबकि अन्य बेंचमार्क 78.4 और 196 टोकन/सेकेंड के बीच की गति दिखाते हैं ।
मूल्य और सीमाएं: अनुमानित $1.25/$2.50 प्रति मिलियन टोकन (इनपुट/आउटपुट) की आक्रामक कीमत पर, यह विशिष्ट डोमेन के लिए एक मजबूत मूल्य विकल्प है, लेकिन यह सामान्य बुद्धिमत्ता में प्रतिस्पर्धी नहीं है ।
ओपन-सोर्स दावेदार: DeepSeek V4 Pro (डीपसीक एआई)
अप्रैल 2026 में जारी, DeepSeek V4 Pro सबसे मजबूत ओपन-सोर्स चुनौतीकर्ता है, जो अविश्वसनीय कोडिंग मूल्य प्रदान करता है, लेकिन एक महत्वपूर्ण स्वतंत्र चेतावनी के साथ।
कोडिंग मूल्य में अग्रणी: यह SWE-bench Verified पर 80.6% और LiveCodeBench पर 93.5% का प्रभावशाली स्कोर करता है, जो इसे कोडिंग पर Claude Opus 4.6 के बेहद करीब और कीमत के एक अंश पर रखता है (अनुमानित ~$3.48/मिलियन आउटपुट टोकन) ।
CAISI का फैसला: अमेरिकी सरकार की CAISI द्वारा एक स्वतंत्र मूल्यांकन में पाया गया कि DeepSeek V4 की क्षमताएं अग्रणी मॉडलों से लगभग 8 महीने पीछे थीं। जबकि डीपसीक के अपने डेटा ने इसकी तुलना GPT-5.4 से की, CAISI ने इसके प्रदर्शन को अगस्त 2025 के GPT-5 के करीब बताया ।
समग्र रैंकिंग: यह सामान्य ज्ञान और जटिल तर्क कार्यों पर स्वामित्व वाले दिग्गजों की तुलना में पिछड़ जाता है, एक व्यापक लीडरबोर्ड पर 123 मॉडलों में से #39 स्थान पर है ।
सुरक्षा और स्वतंत्र मूल्यांकन
स्वतंत्र, मानकीकृत सुरक्षा परीक्षण दुर्लभ और अक्सर अप्रकाशित रहता है।
DeepSeek V4 Pro (CAISI/NIST): अमेरिकी सरकार का मूल्यांकन सबसे उल्लेखनीय सुरक्षा संकेत बना हुआ है, जिसने निष्कर्ष निकाला कि इसकी क्षमताएं अग्रणी मॉडलों से लगभग 8 महीने पीछे थीं ।
GPT-5.5 (AI सुरक्षा संस्थान): यूके के AI सुरक्षा संस्थान ने बताया कि GPT-5.5 की अपने विशेषज्ञ-स्तरीय साइबर कार्यों पर 71.4% पास दर थी, यह देखते हुए कि उस पैमाने पर यह "हमारे द्वारा परीक्षण किया गया सबसे मजबूत मॉडल हो सकता है" ।
इन परिणामों के बारे में कैसे सोचें
किसी एक विजेता का ताज पहनाना आकर्षक है, लेकिन डेटा एक अधिक व्यावहारिक तस्वीर पेश करता है:
शुद्ध कोडिंग क्षमता और एजेंटिक कार्यों के लिए, Claude Fable 5 अपनी ही एक अलग श्रेणी में है।
भारी गणितीय तर्क और स्वायत्त कमांड-लाइन कार्य के लिए, GPT-5.5 सबसे अच्छा विकल्प है।
एक संतुलित, लागत प्रभावी मॉडल के लिए जो तेज़ और विश्वसनीय हो, Gemini 3.5 Flash एक आकर्षक विकल्प है, हालाँकि आपको अपने विशिष्ट उपयोग के मामले के लिए इसके कोडिंग दावों को मान्य करना चाहिए।
यदि आपको कम कीमत पर कानूनी तर्क, वित्त, या निर्देश-पालन के लिए किसी विशेषज्ञ की आवश्यकता है, तो Grok 4.3 आश्चर्यजनक रूप से शक्तिशाली विकल्प है।
यदि आप बजट पर निर्माण कर रहे हैं और ओपन-सोर्स लाइसेंस के साथ अग्रणी-स्तर की कोडिंग की आवश्यकता है, तो DeepSeek V4 Pro मूल्य में बेजोड़ है, लेकिन इसकी वास्तविक दुनिया की परिष्कार सबसे अच्छे मॉडलों से मेल नहीं खा सकती है।
हमेशा याद रखें कि बेंचमार्क की स्थितियां (प्रॉम्प्टिंग, टूल का उपयोग, तर्क प्रयास) अलग-अलग होती हैं और ये आपके विशिष्ट एप्लिकेशन का सही भविष्यवक्ता नहीं हैं।
republicworld.comAnthropic's Claude Fable 5 Challenges GPT 5.5 and ...
कोडिंग में बादशाहत: Fable 5 ने एजेंटिक कोडिंग बेंचमार्क, SWE-Bench Pro पर 80.3% का नया उच्चतम स्कोर स्थापित किया है । यह Claude Opus 4.8 (69.2%) से 11.1 अंक और GPT-5.5 (58.6%) से 21.7 अंक आगे है । इससे भी कठिन FrontierCode (Diamond) बेंचमार्क पर, इसका 29.3% स्कोर Opus 4.8 के 13.4% से दोगुने से अधिक और GPT-5.5 के 5.7% से कहीं आगे है ।
ज्ञान कार्य: GDPval-AA पर, जो एजेंटिक वास्तविक-विश्व कार्यों के लिए एक बेंचमार्क है, Fable 5 ने 1932 का Elo हासिल कर #1 स्थान प्राप्त किया है ।
संदर्भ और तर्क: लंबे और अधिक जटिल कार्यों पर मॉडल की बढ़त और भी बढ़ जाती है । इसकी संदर्भ विंडो 1 मिलियन टोकन की है और यह दीर्घ-संदर्भ तर्क मेट्रिक्स में अग्रणी है ।
दूसरा स्तर: विशेषज्ञ और रफ़्तार के दिग्गज
Claude Opus 4.8 (Anthropic)
Fable 5 के आने से पहले, Opus 4.8 निर्विवाद राजा था। मई 2026 के अंत में जारी, यह अब एंथ्रोपिक का शक्तिशाली उप-प्रमुख है और अपने आप में एक शीर्ष-स्तरीय मॉडल बना हुआ है ।
समग्र और एजेंटिक: Fable 5 से पीछे होने से पहले, यह 61.4 के स्कोर के साथ आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स का नेतृत्व करने वाला पहला मॉडल था और GDPval-AA लीडरबोर्ड पर 1890 Elo के साथ शीर्ष पर था ।
कोडिंग: इसने SWE-bench Pro पर 69.2% और SWE-bench Verified पर 88.6% स्कोर किया ।
गणित: इसने USAMO 2026 प्रतियोगी गणित बेंचमार्क पर ऐतिहासिक 27-अंकों की छलांग लगाई, जो 41 दिनों में 69.3% से बढ़कर 96.7% हो गया ।
ईमानदारी: अनिश्चित होने पर अनुमान लगाने के बजाय जवाब न देकर, इस मॉडल में अपने साथियों की तुलना में तथ्यात्मक मतिभ्रम (Hallucination) की दर सबसे कम है ।
GPT-5.5 (OpenAI)
अप्रैल 2026 के अंत में जारी, GPT-5.5 इस पीढ़ी का पहला मॉडल था जिसने OpenAI के लिए समग्र प्रदर्शन में बढ़त हासिल की, लेकिन एक अधिक विशिष्ट कौशल सेट के साथ ।
गणितीय तर्क: यह गणित का अप्रतिम मॉडल है, जिसने FrontierMath Tier 1-3 पर 51.7% और असंभव रूप से कठिन Tier 4 पर 35.4% स्कोर किया—यह क्षेत्र में एक स्पष्ट बढ़त है ।
स्वायत्त CLI: यह टर्मिनल-बेंच 2.0 (Terminal-Bench 2.0) पर भी अग्रणी है, जटिल कमांड-लाइन कार्यों के लिए 82.7% स्कोर किया, जबकि Claude Opus 4.7 का स्कोर 69.4% था ।
दीर्घ संदर्भ: GPT-5.5 ने दीर्घ-संदर्भ पुनर्प्राप्ति (MRCR v2) में 37 अंकों की छलांग लगाई, 1M-टोकन संदर्भ पर 74.0% स्कोर किया, अपने पूर्ववर्ती के 36.6% को धूल चटा दी ।
कोडिंग पर चेतावनी: हालांकि यह एक मजबूत ऑलराउंडर है, इसका SWE-Bench Pro स्कोर 58.6% अब एंथ्रोपिक के मॉडलों से काफी पीछे है ।
Gemini 3.5 Flash (Google)
Google I/O 2026 में शुरू हुआ, यह मॉडल एक 'Flash' श्रेणी का है, जिसका मतलब है कि इसे गति और लागत-दक्षता के लिए डिज़ाइन किया गया है, बिना अपनी क्षमता से अधिक प्रदर्शन करने की क्षमता का त्याग किए ।
गति और मूल्य: कथित तौर पर यह एजेंट और कोडिंग कार्यों के लिए जेमिनी 3.1 प्रो (Gemini 3.1 Pro) से 4 गुना तेज है, और प्रतिस्पर्धी मूल्य पर उपलब्ध है ।
एजेंटिक और टूल का उपयोग: इसने बहु-चरणीय टूल-उपयोग बेंचमार्क, MCP Atlas पर मजबूत 83.6% स्कोर किया ।
कोडिंग और विज़न: SWE-Bench Pro पर, इसका 55.1% स्कोर अपने बड़े पूर्ववर्ती, जेमिनी 3.1 प्रो से थोड़ा अधिक है, और इसने CharXiv दृश्य तर्क बेंचमार्क पर 84.2% स्कोर किया ।
कोडिंग पर वास्तविकता की जांच: स्वतंत्र आर्टिफिशियल एनालिसिस डेटा बताता है कि इसके कोडिंग स्कोर गूगल की अपनी तुलनाओं से काफी कमजोर हैं, इसलिए डेवलपर्स के लिए इसकी वास्तविक उपयोगिता अभी भी जांची जा रही है ।
Grok 4.3 (xAI)
अप्रैल 2026 के अंत में चुपचाप लॉन्च किया गया, Grok 4.3 एक लागत-दक्षता और गति वाला विकल्प है जो विशिष्ट क्षेत्रों में उत्कृष्ट है ।
समग्र स्थिति: इसने आर्टिफिशियल एनालिसिस इंटेलिजेंस इंडेक्स पर 53 स्कोर किया। यह इसे Claude Sonnet 4.6 जैसे मध्य-श्रेणी के मॉडलों से ऊपर रखता है, लेकिन शीर्ष-श्रेणी के GPT-5.5, Claude Opus 4.7, और Gemini 3.1 Pro से काफी नीचे ।
निर्देश पालन का बादशाह: इसने GPT-5.5, जेमिनी 3.1 प्रो और Claude Opus 4.7 को हराकर IFBench पर 81% स्कोर के साथ #1 रैंक हासिल की ।
एजेंटिक उछाल: Grok 4.3 ने अपने पूर्ववर्ती की तुलना में GDPval-AA एजेंटिक कार्य बेंचमार्क पर +321 Elo अंक की भारी छलांग दिखाई, जो 1500 के स्कोर तक पहुंच गया । इसने τ²-Bench Telecom बेंचमार्क पर 98% का अग्रणी स्कोर भी किया ।
रफ़्तार का दीवाना: शुरुआती रिपोर्टों में इसकी गति 159 टोकन प्रति सेकंड बताई गई है, जबकि अन्य बेंचमार्क 78.4 और 196 टोकन/सेकेंड के बीच की गति दिखाते हैं ।
मूल्य और सीमाएं: अनुमानित $1.25/$2.50 प्रति मिलियन टोकन (इनपुट/आउटपुट) की आक्रामक कीमत पर, यह विशिष्ट डोमेन के लिए एक मजबूत मूल्य विकल्प है, लेकिन यह सामान्य बुद्धिमत्ता में प्रतिस्पर्धी नहीं है ।
ओपन-सोर्स दावेदार: DeepSeek V4 Pro (डीपसीक एआई)
अप्रैल 2026 में जारी, DeepSeek V4 Pro सबसे मजबूत ओपन-सोर्स चुनौतीकर्ता है, जो अविश्वसनीय कोडिंग मूल्य प्रदान करता है, लेकिन एक महत्वपूर्ण स्वतंत्र चेतावनी के साथ।
कोडिंग मूल्य में अग्रणी: यह SWE-bench Verified पर 80.6% और LiveCodeBench पर 93.5% का प्रभावशाली स्कोर करता है, जो इसे कोडिंग पर Claude Opus 4.6 के बेहद करीब और कीमत के एक अंश पर रखता है (अनुमानित ~$3.48/मिलियन आउटपुट टोकन) ।
CAISI का फैसला: अमेरिकी सरकार की CAISI द्वारा एक स्वतंत्र मूल्यांकन में पाया गया कि DeepSeek V4 की क्षमताएं अग्रणी मॉडलों से लगभग 8 महीने पीछे थीं। जबकि डीपसीक के अपने डेटा ने इसकी तुलना GPT-5.4 से की, CAISI ने इसके प्रदर्शन को अगस्त 2025 के GPT-5 के करीब बताया ।
समग्र रैंकिंग: यह सामान्य ज्ञान और जटिल तर्क कार्यों पर स्वामित्व वाले दिग्गजों की तुलना में पिछड़ जाता है, एक व्यापक लीडरबोर्ड पर 123 मॉडलों में से #39 स्थान पर है ।
सुरक्षा और स्वतंत्र मूल्यांकन
स्वतंत्र, मानकीकृत सुरक्षा परीक्षण दुर्लभ और अक्सर अप्रकाशित रहता है।
DeepSeek V4 Pro (CAISI/NIST): अमेरिकी सरकार का मूल्यांकन सबसे उल्लेखनीय सुरक्षा संकेत बना हुआ है, जिसने निष्कर्ष निकाला कि इसकी क्षमताएं अग्रणी मॉडलों से लगभग 8 महीने पीछे थीं ।
GPT-5.5 (AI सुरक्षा संस्थान): यूके के AI सुरक्षा संस्थान ने बताया कि GPT-5.5 की अपने विशेषज्ञ-स्तरीय साइबर कार्यों पर 71.4% पास दर थी, यह देखते हुए कि उस पैमाने पर यह "हमारे द्वारा परीक्षण किया गया सबसे मजबूत मॉडल हो सकता है" ।
इन परिणामों के बारे में कैसे सोचें
किसी एक विजेता का ताज पहनाना आकर्षक है, लेकिन डेटा एक अधिक व्यावहारिक तस्वीर पेश करता है:
शुद्ध कोडिंग क्षमता और एजेंटिक कार्यों के लिए, Claude Fable 5 अपनी ही एक अलग श्रेणी में है।
भारी गणितीय तर्क और स्वायत्त कमांड-लाइन कार्य के लिए, GPT-5.5 सबसे अच्छा विकल्प है।
एक संतुलित, लागत प्रभावी मॉडल के लिए जो तेज़ और विश्वसनीय हो, Gemini 3.5 Flash एक आकर्षक विकल्प है, हालाँकि आपको अपने विशिष्ट उपयोग के मामले के लिए इसके कोडिंग दावों को मान्य करना चाहिए।
यदि आपको कम कीमत पर कानूनी तर्क, वित्त, या निर्देश-पालन के लिए किसी विशेषज्ञ की आवश्यकता है, तो Grok 4.3 आश्चर्यजनक रूप से शक्तिशाली विकल्प है।
यदि आप बजट पर निर्माण कर रहे हैं और ओपन-सोर्स लाइसेंस के साथ अग्रणी-स्तर की कोडिंग की आवश्यकता है, तो DeepSeek V4 Pro मूल्य में बेजोड़ है, लेकिन इसकी वास्तविक दुनिया की परिष्कार सबसे अच्छे मॉडलों से मेल नहीं खा सकती है।
हमेशा याद रखें कि बेंचमार्क की स्थितियां (प्रॉम्प्टिंग, टूल का उपयोग, तर्क प्रयास) अलग-अलग होती हैं और ये आपके विशिष्ट एप्लिकेशन का सही भविष्यवक्ता नहीं हैं।
republicworld.comAnthropic's Claude Fable 5 Challenges GPT 5.5 and ...
