फीचर्ड इमेज: SemiAnalysis के GDPx बेंचमार्क लॉन्च लेख की आधिकारिक तस्वीर (स्रोत: SemiAnalysis)।
अमेरिकी रिसर्च फर्म SemiAnalysis ने 2 नवंबर 2026 को GDPx नाम का नया AI बेंचमार्क जारी किया, जिसमें दुनिया का सबसे अच्छा मॉडल भी सिर्फ 12% काम सही कर पाया। यह स्कोर एंथ्रोपिक के Claude Opus 5.5 का है। दूसरे नंबर पर गूगल का Gemini 4 Carbon (10.9%) और तीसरे पर ओपनएआई का GPT-6 Astra (9.6%) रहा। बेंचमार्क 11 ऐसे क्षेत्रों के 206 कठिन कामों पर बना है, जहां SemiAnalysis के मुताबिक AI से सबसे ज्यादा कमाई और उत्पादकता की उम्मीद है, जैसे चिप डिजाइन, साइबर सुरक्षा, बायोलॉजी, फाइनेंस और कानूनी काम।
पिछले कुछ महीनों में हर नई AI कंपनी अपने मॉडल को “सबसे स्मार्ट” बताती रही है। GDPx के नतीजे दिखाते हैं कि असली पेशेवर काम में ये मॉडल अब भी बहुत पीछे हैं और किसी एक कंपनी का हर क्षेत्र में दबदबा नहीं है। नीचे पढ़िए पूरी रैंकिंग, कौन-सा मॉडल किस काम में आगे है और यह बेंचमार्क पुराने टेस्ट से अलग क्यों है।
GDPx क्या है और इसे किसने बनाया
GDPx को SemiAnalysis के मैक्स कान (Max Kan), एंड्रयू मेगाला (Andrew Megalaa) और संस्थापक डायलन पटेल (Dylan Patel) ने पेश किया है। SemiAnalysis सेमीकंडक्टर और AI इंडस्ट्री पर रिसर्च के लिए जानी जाती है। कंपनी का तर्क है कि AI की पहली “एक ट्रिलियन डॉलर” कमाई पूरी अर्थव्यवस्था में बराबर नहीं फैलेगी, बल्कि उन क्षेत्रों में केंद्रित होगी जहां एडवांस AI लगाने से सबसे ज्यादा रिटर्न मिलता है। इसलिए उन्होंने सरकार, रियल एस्टेट और बीमा जैसे क्षेत्रों को जानबूझकर बाहर रखा।
किन 11 क्षेत्रों में टेस्ट हुआ
- चिप डिजाइन और हार्डवेयर डिजाइन
- साइबर सुरक्षा और बायोलॉजी
- फाइनेंस, कानूनी काम (लीगल) और क्वांट ट्रेडिंग
- सॉफ्टवेयर इंजीनियरिंग और मटीरियल साइंस
- अलाइनमेंट (AI सुरक्षा) और रिकर्सिव सेल्फ-इम्प्रूवमेंट (RSI), यानी AI का खुद को बेहतर बनाने वाला रिसर्च काम
हर क्षेत्र के टास्क 14 विशेषज्ञ स्टार्टअप्स के साथ मिलकर बनाए गए, जैसे बायोलॉजी के लिए LatchBio, साइबर के लिए Arithmetic, लीगल के लिए Chakra, क्वांट ट्रेडिंग के लिए Third Moment और सॉफ्टवेयर इंजीनियरिंग के लिए Datacurve। ओपन-सोर्स मॉडलों को चलाने के लिए Fireworks और टास्क के सैंडबॉक्स के लिए Modal का इंफ्रास्ट्रक्चर इस्तेमाल हुआ। कुल 20 मॉडलों को परखा गया।
पूरी रैंकिंग: टॉप 13 मॉडल
| रैंक | मॉडल | कंपनी | GDPx स्कोर |
|---|---|---|---|
| 1 | Claude Opus 5.5 | Anthropic | 12.0% |
| 2 | Gemini 4 Carbon | 10.9% | |
| 3 | GPT-6 Astra | OpenAI | 9.6% |
| 4 | Muse Wonder Full | Meta | 9.0% |
| 5 | Claude Fable 5.1 | Anthropic | 8.5% |
| 6 | GPT 6.1 Sol | OpenAI | 8.4% |
| 7 | Claude Sonnet 5.5 | Anthropic | 8.2% |
| 8 | Gemini 4 Argon | 7.3% | |
| 9 | Muse Wonder | Meta | 6.8% |
| 10 | DeepSeek 4.1 Flash | DeepSeek | 5.4% |
| 11 | GPT-6 Luna | OpenAI | 5.1% |
| 12 | Grok 4.7 | xAI | 3.9% |
| 13 | GLM 5.3 | Z.ai | 2.7% |
SemiAnalysis के अनुसार ओपनएआई और एंथ्रोपिक आम तौर पर टॉप पर हैं, जबकि मेटा और ओपन-वेट मॉडल काफी पीछे हैं। Gemini 4 Carbon को लेकर रिपोर्ट कहती है कि यह गूगल का असली सुधार है और Opus व Astra के आसपास पहुंचने वाला अकेला मॉडल है। टाइम ट्रोल्स ने इस मॉडल के लॉन्च पर पहले भी विस्तार से लिखा था।
सेफ्टी फिल्टर ने कुछ मॉडलों के नंबर घटाए
रिपोर्ट की सबसे दिलचस्प बात यह है कि Opus 5.5 और GPT-6 Astra जैसे मॉडलों के कुल स्कोर उनके सेफ्टी क्लासिफायर की वजह से कम आए हैं। साइबर सुरक्षा, बायोलॉजी और अलाइनमेंट के कुछ टास्क में ये फिल्टर मॉडल को जवाब देने से रोक देते हैं। इन तीन क्षेत्रों को हटाकर बाकी 8 क्षेत्रों की रैंकिंग देखें तो तस्वीर बदल जाती है:
- GPT-6 Astra: 11.8% (प्रति टास्क औसत खर्च करीब $61.34)
- Claude Opus 5.5: 11.7% (करीब $64.24 प्रति टास्क)
- GPT 6.1 Sol: 10.5% (सिर्फ करीब $11.14 प्रति टास्क)
- Claude Sonnet 5.5: 9.7%
- Gemini 4 Carbon: 9.2%
इसी कारण रिपोर्ट कहती है कि साइबर सुरक्षा के काम के लिए मेटा का Muse Wonder Full फिलहाल साफ अंतर से सबसे अच्छा मॉडल है; Arithmetic के बनाए 18 साइबर टास्क में इसका स्कोर 35.2% रहा, जबकि मेटा का ही Muse Wonder 24.1% के साथ दूसरे नंबर पर रहा। इसी कैटेगरी में Claude Opus 5.5 को 9.3% और GPT-6 Astra को 0.0% मिले, जो दिखाता है कि सेफ्टी फिल्टर कितना असर डालते हैं।
किस काम में कौन आगे
- Claude Opus 5.5: सबसे संतुलित मॉडल; क्वांट ट्रेडिंग, हार्डवेयर डिजाइन और चिप डिजाइन में नंबर 1।
- Gemini 4 Carbon: बायोलॉजी में सबसे आगे (रिपोर्ट के मुताबिक संभवतः कमजोर सेफ्टी फिल्टर के कारण) और सॉफ्टवेयर इंजीनियरिंग में भी मामूली बढ़त।
- GPT-6 Astra: AI रिसर्च (RSI) में साफ जीत और मटीरियल साइंस में भी सबसे बेहतर।
- फाइनेंस और लीगल: ये टास्क इतने कठिन निकले कि लगभग हर मॉडल का स्कोर शून्य रहा।
सस्ता बनाम महंगा: खर्च और प्रदर्शन
GDPx ने हर मॉडल का प्रति टास्क खर्च भी दर्ज किया। रिपोर्ट के शब्दों में, सस्ते सिरे पर GPT-6 Luna और DeepSeek की टक्कर है (दोनों का खर्च करीब एक डॉलर प्रति टास्क), सबसे ऊंचे प्रदर्शन पर Opus है और बीच का हिस्सा ओपनएआई के पास है। भारत जैसे बाजार में, जहां स्टार्टअप्स और डेवलपर्स के लिए API का खर्च बड़ा मुद्दा है, यह तुलना काफी काम की है।
पुराने GDPval से अलग क्यों
अब तक बड़े AI मॉडल लॉन्च के समय ओपनएआई का GDPval बेंचमार्क (25 सितंबर 2025) सबसे ज्यादा दिखाया जाता रहा है। SemiAnalysis का कहना है कि GDPval उस दौर में बना था जब AI एजेंट आम नहीं थे। उसके हर टास्क में सारी जानकारी प्रॉम्प्ट में ही दे दी जाती है और मॉडल को एक बार में फाइल बनानी होती है। असली दफ्तरों में विशेषज्ञ पहले ईमेल, PDF, एक्सेल जैसी ढेर सारी सामग्री खंगालते हैं। GDPx हर टास्क के लिए ऐसा सिम्युलेटेड काम का माहौल देता है, ताकि एजेंट वाले मॉडलों की असली क्षमता परखी जा सके।
आम यूजर और भारतीय कंपनियों के लिए मतलब
- कोई “सब में अव्वल” मॉडल नहीं: हर मॉडल किसी काम में तेज और किसी में कमजोर है। कंपनियों को अपने काम के हिसाब से मॉडल चुनना चाहिए।
- फाइनेंस-लीगल में इंसान जरूरी: जब इन क्षेत्रों के कठिन टास्क में लगभग हर मॉडल शून्य पर है, तो टैक्स, कानूनी सलाह या निवेश जैसे फैसले सिर्फ AI के भरोसे न छोड़ें।
- खर्च देखकर चुनें: GPT 6.1 Sol जैसे मॉडल कम खर्च में टॉप मॉडलों के करीब नतीजे दे रहे हैं।
अक्सर पूछे जाने वाले सवाल
GDPx बेंचमार्क किसने जारी किया?
अमेरिकी रिसर्च फर्म SemiAnalysis ने 2 नवंबर 2026 को; इसके नतीजे gdpx.semianalysis.com पर देखे जा सकते हैं।
GDPx में सबसे ऊपर कौन-सा AI मॉडल है?
एंथ्रोपिक का Claude Opus 5.5, 12.0% स्कोर के साथ। Gemini 4 Carbon (10.9%) दूसरे और GPT-6 Astra (9.6%) तीसरे स्थान पर हैं।
इसमें कितने टास्क और क्षेत्र हैं?
11 क्षेत्रों के 206 टास्क, जो 14 विशेषज्ञ डेटा पार्टनर्स के साथ बनाए गए।
स्कोर इतने कम क्यों हैं?
टास्क जानबूझकर बेहद कठिन रखे गए हैं ताकि सबसे एडवांस मॉडलों की भी सीमा दिखे; फाइनेंस और लीगल में लगभग सभी मॉडल शून्य पर रहे।
यह भी पढ़ें: गूगल Gemini 4 Carbon लॉन्च, Kimi K3.1 Pro लॉन्च और एंथ्रोपिक का Claude Duet AI एजेंट।
स्रोत: SemiAnalysis का लेख “GDPx: Measuring Frontier Model Capabilities Across the Most Valuable Domains” (Max Kan, Andrew Megalaa, Dylan Patel; 2 नवंबर 2026, newsletter.semianalysis.com); GDPx की आधिकारिक वेबसाइट gdpx.semianalysis.com (लीडरबोर्ड)।
टिप्पणियाँ