Fable 5 सबसे आगे, लेकिन Opus 4.8, GPT-5.5 और Grok 4.3 की भी अपनी जीत

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।