अरे भाई सुनो, मार्केट में एकदम गदर मच गया है। हम सबको लगता था कि आज के टॉप AI एजेंट लगभग हर काम संभाल लेंगे, लेकिन 2 नवंबर 2026 को आया एक नया टेस्ट इस भरोसे को सीधा चुनौती दे गया है। चिप रिसर्च फर्म SemiAnalysis ने GDPx नाम का बेंचमार्क जारी किया है, जिसमें दुनिया का सबसे अच्छा AI एजेंट भी सिर्फ 12% एक्सपर्ट टास्क पास कर पाया है।
सीधी बात नो बकवास: यह टेस्ट छोटे-मोटे सवालों का नहीं है। इसमें AI एजेंट को चिप डिजाइन, फाइनेंस, कानून, बायोलॉजी और सॉफ्टवेयर इंजीनियरिंग जैसे असली प्रोफेशनल काम दिए गए, वह भी 8 घंटे तक के लंबे टास्क में। और नतीजा यह है कि अभी भी इंसानी एक्सपर्ट की जगह कोई नहीं ले सकता। इस लेख में पूरा लीडरबोर्ड, हर मॉडल की कीमत और आपके लिए इसका असली मतलब समझिए।
GDPx क्या है और यह पहले के टेस्ट से अलग क्यों है?
GDPx, SemiAnalysis का नया बेंचमार्क है, जिसे Max Kan, Andrew Megalaa और Dylan Patel ने तैयार किया है। इसका पहला वर्शन, GDPx v1.0, 2 नवंबर 2026 को जारी हुआ। इसमें 206 लंबे टास्क हैं, जो 11 प्रोफेशनल डोमेन में बंटे हैं। इन टास्क को 14 स्पेशलाइज्ड डेटा पार्टनर कंपनियों के साथ मिलकर बनाया गया है।
हर टास्क के लिए डिफॉल्ट समय सीमा 8 घंटे है। मॉडल अपने-अपने नेटिव टूल में चलते हैं, जैसे Claude Opus 5.5 के लिए Claude Code, GPT-6 Astra के लिए Codex और Gemini 4 Carbon के लिए Antigravity। जहां कोई नेटिव टूल नहीं होता, वहां OpenCode इस्तेमाल होता है। हर मॉडल का हेडलाइन स्कोर तीन अटेम्प्ट के pass@1 नतीजों का औसत है, और सभी 11 डोमेन को बराबर वेटेज दिया गया है।
SemiAnalysis का कहना है कि GDPx, OpenAI के GDPval का सक्सेसर है, जो 25 सितंबर 2025 को आया था। SemiAnalysis की आलोचना है कि GDPval के टास्क इंटरैक्टिव नहीं थे और जरूरी कॉन्टेक्स्ट सीधे प्रॉम्प्ट में दे दिया जाता था। GDPx में हर टास्क के साथ एक रियलिस्टिक वर्क एनवायरनमेंट मिलता है, जैसे फाइनेंस टास्क में एक असली प्राइवेट-इक्विटी डील का रीकंस्ट्रक्शन। इसीलिए यह टेस्ट सिर्फ जवाब देने की नहीं, बल्कि काम करके दिखाने की परीक्षा है।
GDPx लीडरबोर्ड: कौन सा AI कितना पास हुआ?
ऑफिशियल GDPx लीडरबोर्ड पर 13 मॉडल रैंक किए गए हैं। सबसे ऊपर Anthropic का Claude Opus 5.5 है, लेकिन उसका स्कोर भी सिर्फ 12.0% है। यानी 206 में से औसतन हर 100 टास्क में से सिर्फ 12 पूरे हुए। दूसरे नंबर पर Google का Gemini 4 Carbon 10.9% पर है और तीसरे पर OpenAI का GPT-6 Astra 9.6% पर है।
| मॉडल | कंपनी | GDPx स्कोर | औसत कीमत प्रति टास्क |
|---|---|---|---|
| Claude Opus 5.5 | Anthropic | 12.0% | $51.41 |
| Gemini 4 Carbon | 10.9% | $16.29 | |
| GPT-6 Astra | OpenAI | 9.6% | $53.99 |
| Muse Wonder Full | Meta | 9.0% | पब्लिक कीमत नहीं |
| DeepSeek 4.1 Flash | DeepSeek | 5.4% | $0.94 |
| GLM 5.3 | Z.ai | 2.7% | $11.79 |
कीमत का एंगल भी गजब का है। Gemini 4 Carbon, Opus 5.5 की तुलना में लगभग एक-तिहाई कीमत पर सिर्फ 1.1 पॉइंट पीछे है। वहीं सबसे सस्ते मॉडलों में DeepSeek 4.1 Flash सिर्फ $0.94 प्रति टास्क पर 5.4% स्कोर करता है। यानी महंगा मॉडल हमेशा सबसे समझदार सौदा नहीं होता, यह बात GDPx के कॉस्ट-परफॉर्मेंस चार्ट में साफ दिखती है।
किस डोमेन में कौन सा AI सबसे आगे?
ओवरऑल लीडरबोर्ड के पीछे डोमेन-वाइज कहानी और भी दिलचस्प है। SemiAnalysis के मुताबिक, Claude Opus 5.5 ने क्वांट ट्रेडिंग, हार्डवेयर डिजाइन और चिप डिजाइन में जीत हासिल की है। Gemini 4 Carbon बायोलॉजी में सबसे अच्छा रहा और सॉफ्टवेयर इंजीनियरिंग में मामूली बढ़त के साथ जीता। GPT-6 Astra ने रेकर्सिव सेल्फ-इम्प्रूवमेंट और मैटेरियल्स साइंस में टॉप किया है। Meta का Muse Wonder Full साइबर डोमेन में सबसे अच्छा उपलब्ध मॉडल बताया गया है।
सबसे चौंकाने वाला नतीजा फाइनेंस और लीगल डोमेन में आया। इन दोनों डोमेन में हर मॉडल ने इंटेंडेड पास-फेल ग्रेडिंग में शून्य स्कोर किया, इसलिए SemiAnalysis ने इन डोमेन के लिए आंशिक स्कोर रिपोर्ट किए हैं। क्वांट ट्रेडिंग में 111 ग्रेडेड रन में से 70 रन उस रेफरेंस स्ट्रैटेजी से भी खराब रहे, जिसे एजेंट को हराना था। अलाइनमेंट के साइबर टास्क में 200 में से 196 रन ने कम से कम एक बिहेवियर रूल तोड़ा। यह आंकड़े बताते हैं कि नियमों के पालन और जिम्मेदारी वाले कामों में AI एजेंट अभी भरोसे के लायक नहीं हैं।
12% का मतलब यह नहीं कि AI बेकार है
यहां एक जरूरी बात समझ लीजिए, नहीं तो गलतफहमी हो जाएगी। GDPx का 12% स्कोर यह नहीं कहता कि AI छोटे कामों में भी 88% फेल होता है। यह स्कोर 8 घंटे तक चलने वाले, मुश्किल और अधूरे कॉन्टेक्स्ट वाले एक्सपर्ट टास्क पर है। छोटे, साफ-सुथरे और अच्छी तरह बताए गए कामों में यही मॉडल कहीं बेहतर परफॉर्म करते हैं। GDPx की अहमियत इसलिए है क्योंकि यह बताता है कि पूरी वर्कफ़्लो अकेले AI को सौंपना अभी कितना जोखिम भरा है।
SemiAnalysis खुद भी कुछ सीमाएं साफ बताता है। पहला, ये नतीजे SemiAnalysis के अपने रन हैं, इन्हें अभी किसी बाहरी ग्रुप ने दोबारा नहीं चलाया है। दूसरा, कंपनी के मुताबिक, Opus 5.5 और GPT-6 Astra के ओवरऑल स्कोर साइबर, बायोलॉजी और अलाइनमेंट डोमेन में उनके सेफ्टी क्लासिफायर की वजह से नीचे आए हैं, क्योंकि ये क्लासिफायर कुछ टास्क को मना कर देते हैं। तीसरा, GDPx एक लिविंग बेंचमार्क है, जिसके नए वर्शन हर 3 से 6 महीने में आएंगे, इसलिए ये नंबर बदलेंगे।
आम जनता और भारतीय युवाओं के लिए क्यों है खास?
अगर आप अब भी यही सोच रहे हैं कि AI सीखने से नौकरी खत्म हो जाएगी या AI टूल खरीदते ही बिजनेस अपने आप चल जाएगा, तो संभल जाइए। GDPx का सबसे बड़ा सबक यही है कि AI एक ताकतवर असिस्टेंट है, मालिक नहीं। फाइनेंस और कानून जैसे कामों में जहां एक गलती भारी पड़ सकती है, वहां इंसानी जांच के बिना AI पर भरोसा करना खतरनाक है।
भारतीय युवाओं के लिए इसका मतलब साफ है। सिर्फ प्रॉम्प्ट लिखना काफी नहीं है, अब वह स्किल जीत रही है जिसमें आप AI के आउटपुट को जांच सकें, गलती पकड़ सकें और अधूरे काम को पूरा कर सकें। चिप डिजाइन, सॉफ्टवेयर इंजीनियरिंग और बायोलॉजी जैसे डोमेन में AI की मदद से प्रोडक्टिविटी बढ़ेगी, लेकिन फाइनल जिम्मेदारी इंसान की ही रहेगी। जो युवा डोमेन नॉलेज के साथ AI टूल चलाना सीखेंगे, वही आगे रहेंगे। और टूल चुनते समय सिर्फ ब्रांड नहीं, बल्कि अपने काम के डोमेन का स्कोर और प्रति टास्क कीमत देखिए, क्योंकि Gemini 4 Carbon का उदाहरण बताता है कि कम कीमत पर भी लगभग बराबर नतीजा मिल सकता है।
कोई AI टूल चुनने से पहले GDPx जैसा बेंचमार्क कैसे पढ़ें?
- सबसे पहले हेडलाइन स्कोर नहीं, अपने काम के डोमेन का स्कोर देखिए। ओवरऑल टॉपर आपके डोमेन में टॉपर हो, यह जरूरी नहीं है।
- दूसरा, प्रति टास्क कीमत और आउटपुट टोकन देखिए। महंगा मॉडल हर बार सबसे अच्छा सौदा नहीं होता।
- तीसरा, ग्रेडिंग का तरीका समझिए। पास-फेल ग्रेडिंग वाले कामों में आंशिक स्कोर और पूरा पास होना एक बात नहीं है।
- चौथा, यह जांचिए कि नतीजे किसने चलाए हैं और क्या किसी बाहरी ग्रुप ने उन्हें दोबारा वेरिफाई किया है।
- पांचवां, किसी भी टूल को अपने असली काम के एक छोटे सैंपल पर खुद टेस्ट कीजिए, फिर ही बड़े काम पर भरोसा कीजिए।
निष्कर्ष
GDPx ने AI की दुनिया का भौकाल थोड़ा जमीन पर ला दिया है। टॉप मॉडल का 12% स्कोर निराशा नहीं, बल्कि एक ईमानदार पैमाना है। यह बताता है कि AI एजेंट लंबे, मुश्किल और जिम्मेदारी वाले कामों में अभी इंसान की जगह नहीं ले सकते, लेकिन सही इंसानी निगरानी के साथ वे काम को तेज जरूर कर सकते हैं। SemiAnalysis के अगले वर्शन में ये नंबर कितने बदलते हैं, यही आने वाले महीनों की असली कहानी होगी। तब तक नियम यही है: AI से काम करवाइए, लेकिन आंख बंद करके भरोसा मत कीजिए।
पिछला लेख पढ़ें: Larridin को $30M: AI खर्च का हिसाब अब छिप नहीं पाएगा!
ऑफिशियल सोर्स: SemiAnalysis GDPx ऑफिशियल लीडरबोर्ड पर पूरा स्कोर और कीमत देखी जा सकती है।
