आज के ट्रेंड पर वापस: एप्पल के नए सीईओ का कहना है, बिना वजह AI नहीं लाया जाएगा
Poly रेटिंग · आज के ट्रेंड से

2026 में एजेंट के लिए सबसे अच्छा AI मॉडल: टेस्ट, वोट और इस्तेमाल के हिसाब से शीर्ष 10

डीपसीक V4.1 Flash ने 30 अक्टूबर तक के हफ्ते में ओपनराउटर पर 45.5 ट्रिलियन टोकन चलाए, जो Claude Opus 5.5 से लगभग छह गुना ज़्यादा हैं। Claude Opus 5.5 वह मॉडल है जिसे बिना नाम जाने वोट देने वाले लोग एजेंट के कामों में पहले नंबर पर रखते हैं।

  • नंबर 1: Claude Opus 5.5
  • 10 स्थान

01अंतिम सूची

अग्रणी AI ने स्वतंत्र रूप से अपनी-अपनी दस स्थानों की सूची बनाई। यहाँ एक आसानी से जाँचा जा सकने वाला नतीजा है: हर स्थान का कारण, स्रोत और उसे शामिल करने वाले AI की सूची है।

क्रम: सबसे अधिक AI सहमति से सबसे कम तक।

चमकीला बैज: इस AI ने प्रविष्टि अपनी सूची में रखी। फीका बैज: नहीं रखी।

  1. 1

    Claude Opus 5.5

    यह LMArena के बिना-नाम एजेंट बोर्ड (20.9) और WebDev में पहले स्थान पर है। SWE-bench Pro पर इसका 89.9% स्कोर कंपनी का अपना बताया हुआ है, किसी साझा टेस्ट-सेटअप का नहीं। ओपनराउटर टोकन में यह छठे नंबर पर है (7.31T)।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Gemini, Wenxin.

    उनकी सूचियों में: Claude: 2 · ChatGPT: 1 · Meta: 1 · Grok: 2 · Kimi: 1 · DeepSeek: 1 · Qwen: 1

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 2

      17 अक्टूबर 2026 तक LMArena के WebDev बोर्ड पर यह पहले नंबर पर है, इसलिए व्यावहारिक कोडिंग के लिए यही चुनाव है।

      स्रोत ↗
    • ChatGPTस्थान 1

      30 दिनों में 26.6 trillion OpenRouter टोकन: सस्ते विकल्पों के बावजूद प्रीमियम मॉडल की काफ़ी देखी गई माँग।

      स्रोत ↗
    • Metaस्थान 1

      SWE-bench Pro पर 89.9% – Sonnet 5.5 से 8.6 अंक ऊपर – फिर भी OpenRouter पर केवल 6.91T टोकन, जबकि DeepSeek के 47.8T; $4 इनपुट/$20 आउटपुट पर फ़्रंटियर गुणवत्ता

    • Grokस्थान 2

      ब्लाइंड वोटरों ने एजेंट कार्यों में Opus 5.5 को 20.9 पर पहला रखा, और एक लंबा कोडिंग सत्र फिर भी लगभग $1.39 लगता है।

      स्रोत ↗
    • Kimiस्थान 1

      पुराने फ़्लैगशिप की आधी कीमत पर एजेंटिक ट्रिपल क्राउन: 89.9% SWE-bench Pro, #1 Arena WebDev (1807), #1 Agent Arena (पुष्ट सफलता 21.4%) — और पहला Anthropic फ़्लैगशिप जिसकी कीमत $10/$50 की जगह $4/$20 है।

    • DeepSeekस्थान 1

      Claude Opus 5.5 विक्रेता-समेकित SWE-bench Pro बोर्ड पर 89.9% और Hermes एजेंट बेंच पर 76.7% के साथ शीर्ष पर है — अक्टूबर 2026 का सबसे पूर्ण “काम करने वाला” एजेंट मॉडल, प्रति सफल कार्य $4.19–$5.98 पर।

      स्रोत ↗
    • Qwenस्थान 1

      SWE-bench Pro पर 89.9% बाज़ार में अग्रणी है, यह साबित करते हुए कि यह सबसे ज़्यादा असली GitHub समस्याएँ हल करता है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  2. 2

    डीपसीक V4.1 Flash

    असल में एजेंट यही मॉडल चलाते हैं: हफ्ते में 45.5T ओपनराउटर टोकन, Hermes Agent का सबसे ऊपर का मॉडल, और एक लंबे कोडिंग सत्र पर लगभग $0.05। कठिन टेस्ट में यह आगे वालों से पीछे है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Gemini, Wenxin.

    उनकी सूचियों में: Claude: 5 · ChatGPT: 5 · Meta: 4 · Grok: 1 · Kimi: 7 · DeepSeek: 5 · Qwen: 5

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 5

      20 अक्टूबर 2026 की रिपोर्ट में यह OpenRouter पर 32.8T टोकन के साथ अब भी पहले नंबर पर था, हालाँकि इसका उपयोग 20% गिरा।

    • ChatGPTस्थान 5

      30 दिनों में 116 trillion टोकन, प्रकाशित इनफ़रेंस कीमतें प्रति million टोकन $0.13 इनपुट और $0.52 आउटपुट से शुरू।

      स्रोत ↗
    • Metaस्थान 4

      पिछले 7 दिनों में 47.8T टोकन – शीर्ष 20 का 29.4% – अकेले 1017 स्नैपशॉट, शीर्ष 20 के 43.6% DeepSeek मॉडल हैं, $0.30 इनपुट $1.2 आउटपुट

    • Grokस्थान 1

      Hermes Agent ने इस महीने DeepSeek V4.1 Flash से 11.8 trillion टोकन चलाए, और उस पर एक लंबा कोडिंग सत्र लगभग $0.047 पड़ता है।

      स्रोत ↗
    • Kimiस्थान 7

      टोकन-अर्थव्यवस्था का राजा: लाइव एजेंट टोकन शेयर में DeepSeek #1 प्रदाता है (39.1%) — Anthropic और Google मिलाकर से भी ज़्यादा — जबकि यह मॉडल ऑफ़-पीक $0.15/$0.60 पर सूचीबद्ध है।

      स्रोत ↗
    • DeepSeekस्थान 5

      DeepSeek V4 Flash असली दुनिया के एजेंट वॉल्यूम का राजा है: OpenRouter पर साप्ताहिक 11.4 trillion टोकन और प्रति सफल कार्य $0.028 लागत — Claude Fable 5.1 से लगभग 180 गुना सस्ता, हालाँकि कठिन कोडिंग बेंचमार्क पर फ़्रंटियर से पीछे है।

      स्रोत ↗
    • Qwenस्थान 5

      OpenRouter पर 53.1T टोकन संसाधित, जिससे यह एजेंट ट्रैफ़िक रूट करने वाले डेवलपर्स के लिए असली वर्कलोड का राजा है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  3. 3

    Gemini 4 Argon

    यह टेस्ट और वोट दोनों बोर्ड पर ऊपर के पास है: SWE-Bench Pro V2 पर 99.22% और LMArena टेक्स्ट पर लगभग 1520। फिर भी यह हफ्ते में केवल 1.09T ओपनराउटर टोकन चलाता है, रैंक 28।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Gemini, Wenxin.

    उनकी सूचियों में: Claude: 3 · ChatGPT: 8 · Meta: 8 · Grok: 8 · Kimi: 5 · DeepSeek: 2 · Qwen: 6

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 3

      यह LMArena Text में मानव वोटों पर आगे है, पर 1524±9 स्कोर प्रारंभिक है।

      स्रोत ↗
    • ChatGPTस्थान 8

      50.4 इंटेलिजेंस-इंडेक्स स्कोर Google के फ़्रंटियर मॉडल को प्रतिस्पर्धी रखता है, पर सामान्य क्षमता अकेले एजेंट की विश्वसनीयता तय नहीं कर सकती।

      स्रोत ↗
    • Metaस्थान 8

      LMArena पर 1524 Elo #2 – Carbon से 4 अंक के भीतर – High reasoning टियर, $10/M आउटपुट, 30 नवंबर तक $2/$10 परिचयात्मक कीमत

      स्रोत ↗
    • Grokस्थान 8

      Gemini 4 Argon सार्वजनिक Pro V2 बोर्ड पर 99.22% पर है, Opus 5 से 0.18 अंक पीछे, एक ऐसे टेस्ट पर जो स्केल एआई के अनुसार लगभग सीमा पर है।

      स्रोत ↗
    • Kimiस्थान 5

      मानव-पसंद, जो लैब टेस्ट में हार जाता है: LMArena टेक्स्ट पर #1 (1517.2) और सबसे कम मापी गई हैलुसिनेशन दर (4%), फिर भी Intelligence Index v5 पर 50.4 — इस्तेमाल योग्य मॉडलों में छठा।

      स्रोत ↗
    • DeepSeekस्थान 2

      Gemini 4 Argon लोगों की पसंद है — LMArena टेक्स्ट पर 1517 और मल्टी-टर्न पर 1544 के साथ नंबर 1 — और यह प्रति सफल कार्य $1.80 पर करता है, जो Claude Opus 5.5 की लागत का लगभग एक-चौथाई है।

      स्रोत ↗
    • Qwenस्थान 6

      SWE-bench Pro V2 पर 99.2% दिखाता है कि Google का फ़्रंटियर मॉडल लंबे समय वाली इंजीनियरिंग में Anthropic के करीब पहुँच रहा है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  4. 4

    Kimi K3 (K3.1 Pro)

    Kimi K3 ने 272 निजी SWE-Bench Pro V2 कार्यों में से 214 हल किए, जो Opus 5 से दो कम है, और स्वतंत्र Terminal-Bench 4.0 परीक्षण में K3.1 Pro 67.2% के साथ आगे है। यह हफ्ते में 2T से कम टोकन इस्तेमाल करता है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Kimi, DeepSeek. शामिल नहीं किया: Gemini, Wenxin, Qwen.

    उनकी सूचियों में: Claude: 9 · ChatGPT: 9 · Meta: 9 · Grok: 7 · Kimi: 4 · DeepSeek: 10

    हर AI ने क्या नोट किया 6
    • Claudeस्थान 9

      स्रोत इसे 2026 में एजेंटिक काम के लिए सबसे मज़बूत ओपन-वेट विकल्प बताते हैं। मैं कोई स्कोर पुष्टि नहीं कर सका।

      स्रोत ↗
    • ChatGPTस्थान 9

      IT-केंद्रित एरीना में 1529 मानव-पसंद रेटिंग Kimi को Claude Fable 5 के 1540 के पास रखती है, भले ही बाज़ार प्रोफ़ाइल बहुत अलग है।

      स्रोत ↗
    • Metaस्थान 9

      LMArena 1488 पर #18 सबसे अच्छा ओपन वेट – K3.1 Pro $3/$15 – 1.97T टोकन, Turiloop के अनुसार #1 Arena full-stack 1664 बजट पसंद

      स्रोत ↗
    • Grokस्थान 7

      निजी SWE-Bench Pro V2 गिनती में Kimi K3 ने 272 में से 214 कार्य हल किए, Opus 5 से दो कम।

      स्रोत ↗
    • Kimiस्थान 4

      ओपन-वेट्स का सरप्राइज़ जो दिग्गजों को उनके अपने एजेंट टेस्ट में हरा देता है: स्वतंत्र Terminal-Bench 4.0 रन (67.2%, 23 अक्टूबर) में यह साइबर-लॉक्ड Gemini 4 Carbon के अलावा हर बंद मॉडल से आगे है — $2/$10 पर।

      स्रोत ↗
    • DeepSeekस्थान 10

      Kimi K3 ऑर्केस्ट्रेशन के लिए बना है: यह 300 सब-एजेंट और 4,000 समन्वय चरणों तक जाता है, इसलिए जब एजेंट का काम हर लाइन लिखना नहीं बल्कि दूसरे एजेंटों को संभालना हो, तो यह विशेषज्ञ पसंद है।

      स्रोत ↗
    6 AI ने इसे यहाँ रखा
    स्रोत ↗
  5. 5

    Claude Sonnet 5.5

    ओपनराउटर के फ्लाइट-बुकिंग एजेंट टेस्ट में इसने Opus 5.5 को 78.7% बनाम 75.5% से हराया, आधी कीमत पर। कंपनी के अपने बताए SWE-bench Pro बोर्ड पर इसका स्कोर 81.3% है।

    शामिल किया: Meta, Grok, Kimi, DeepSeek, Qwen. शामिल नहीं किया: Claude, ChatGPT, Gemini, Wenxin.

    उनकी सूचियों में: Meta: 2 · Grok: 9 · Kimi: 2 · DeepSeek: 6 · Qwen: 2

    हर AI ने क्या नोट किया 5
    • Metaस्थान 2

      SWE-bench Pro 81.3% – Opus 5.5 से 8.6 अंक पीछे, आधी कीमत $2/$10 पर – 2.61T टोकन, रोज़मर्रा के एजेंटों के लिए सबसे अच्छा संतुलन

    • Grokस्थान 9

      OpenRouter के अपने फ़्लाइट-बुकिंग एजेंट टेस्ट में Sonnet 5.5 को 78.7% मिला, जो Opus 5.5 के 75.5% से ऊपर है, और आधी टोकन कीमत पर।

      स्रोत ↗
    • Kimiस्थान 2

      वह मॉडल जिस पर डेवलपर सबसे ज़्यादा टोकन खर्च करते हैं: Terminal-Bench 4.0 (70.6%) और LiveBench Coding (91.4) में सबसे ऊपर, Opus की आधी कीमत पर — फ़्रंटियर टियर में प्रति डॉलर सबसे ऊँचा एजेंटिक स्कोर।

      स्रोत ↗
    • DeepSeekस्थान 6

      Claude Sonnet 5.5 Claude Opus 5.5 के SWE-bench Pro स्कोर का 81.3% देता है, लगभग उसकी प्रति-कार्य लागत के 84% पर — प्रोडक्शन एजेंट लूप के लिए Claude परिवार के भीतर वैल्यू पिक।

      स्रोत ↗
    • Qwenस्थान 2

      Hermes Agent के लिए सबसे अच्छा सर्वांगीण मॉडल, लंबे कामों के लिए Terminal-Bench 4.0 पर 70.6% तक।

    5 AI ने इसे यहाँ रखा
    स्रोत ↗
  6. 6

    GLM 5.3 (और GLM 5.3 Flash)

    हफ्ते के ओपनराउटर टोकन में GLM 5.3 Flash दूसरे स्थान पर है (16.1T)। पूरा GLM-5.3 272 निजी SWE-Bench Pro V2 कार्यों में से 211 पूरे कर पाया, एक लंबे सत्र पर $0.36 की लागत पर।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Kimi. शामिल नहीं किया: Gemini, DeepSeek, Wenxin, Qwen.

    उनकी सूचियों में: Claude: 8 · ChatGPT: 6 · Meta: 6 · Grok: 3 · Kimi: 9

    हर AI ने क्या नोट किया 5
    • Claudeस्थान 8

      OpenRouter पर यह 12.2T टोकन पर स्थिर रहा, जबकि DeepSeek गिरा, और यह वह सस्ता टियर मॉडल है जिसे एजेंट बनाने वाले चुन रहे हैं।

    • ChatGPTस्थान 6

      55.3 trillion मासिक टोकन GLM के किफ़ायती Flash टियर को देखे गए API वॉल्यूम में कई ज़्यादा चर्चित फ़्रंटियर मॉडलों से आगे रखते हैं।

      स्रोत ↗
    • Metaस्थान 6

      OpenRouter पर 15.7T टोकन #2 – $0.5/M आउटपुट – ओपन-वेट उछाल, सालाना तुलना में शीर्ष 50 टोकन में 27% से 72% तक

    • Grokस्थान 3

      हफ़्ते के ट्रैफ़िक में Flash संस्करण 16.1 trillion टोकन के साथ दूसरे नंबर पर था, जबकि पूरा GLM-5.3 निजी SWE-Bench Pro V2 के 272 में से 211 कार्य पार कर गया।

      स्रोत ↗
    • Kimiस्थान 9

      स्वयं होस्ट किया जा सकने वाला वर्कहॉर्स: archived SWE-bench Verified बोर्ड पर 95.4% — Kimi K3 (93.4%) से ऊपर — सादे MIT लाइसेंस के तहत, होस्टेड $1.19/$6 पर।

    5 AI ने इसे यहाँ रखा
    स्रोत ↗
  7. 7

    Claude Fable 5.1

    LiveBench में यह कुल मिलाकर 88.0 के साथ आगे है और कंपनी के बताए SWE-bench Pro बोर्ड पर 81.2% स्कोर करता है। यहाँ प्रति कार्य सबसे महँगा भी यही है: LiveBench पर $5.10, अधिकतम प्रयास (max effort) पर $7.63।

    शामिल किया: ChatGPT, Meta, DeepSeek, Qwen. शामिल नहीं किया: Claude, Grok, Gemini, Kimi, Wenxin.

    उनकी सूचियों में: ChatGPT: 3 · Meta: 7 · DeepSeek: 3 · Qwen: 4

    हर AI ने क्या नोट किया 4
    • ChatGPTस्थान 3

      SWE-rebench में $4.40 प्रति समस्या पर 64.5% समाधान: मज़बूत पूर्णता परिणाम, पर महत्वपूर्ण लागत प्रीमियम के साथ।

    • Metaस्थान 7

      SWE-bench Pro 81.2% – Sonnet 5.5 से केवल 0.1 अंक पीछे – SWE-bench Verified पर 95.0% #1, पर प्रति कार्य $7.63 बनाम Astra का $3.26

    • DeepSeekस्थान 3

      Claude Fable 5.1 LiveBench पर 88.0 के साथ समग्र नेता है और ब्राउज़र उपयोग में पूरे 100 अंक लाता है — सबसे अच्छा “कंप्यूटर-उपयोग” एजेंट मॉडल — पर प्रति सफल कार्य $5.10 पर यह इस शीर्ष समूह में सबसे महँगा है।

    • Qwenस्थान 4

      81.2% SWE-bench Pro पर पहुँचता है, Sonnet 5.5 से लगभग बराबर, पर प्रति पूरे कार्य कम लागत पर।

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  8. 8

    GPT-6 Astra

    यह Frontend Code Arena में पहले स्थान पर है (1793) और LiveBench के एजेंट कार्यों में 82.4 स्कोर करता है। लेकिन इसकी कीमत $10/$50 है, और ओपनएआई के पास ट्रैक किए गए लाइव टोकन का केवल 7.8% है।

    शामिल किया: ChatGPT, Kimi, DeepSeek. शामिल नहीं किया: Claude, Meta, Grok, Gemini, Wenxin, Qwen.

    उनकी सूचियों में: ChatGPT: 4 · Kimi: 3 · DeepSeek: 4

    हर AI ने क्या नोट किया 3
    • ChatGPTस्थान 4

      इसका 56.9 इंटेलिजेंस-इंडेक्स परिणाम GPT-6.1 Sol के 54.5 से ऊपर है, पर बेहतर सामान्य स्कोर सस्ते एजेंट निष्पादन को साबित नहीं करता।

      स्रोत ↗
    • Kimiस्थान 3

      मानव वोटों का चहेता, टोकन-बिल का खलनायक: Frontend Code Arena (1793) पर #1 और WebDev (1774) पर #2, पर $10/$50 पर यह Opus 5.5 की कीमत का 2.5 गुना है — और लाइव एजेंट टोकन में OpenAI की हिस्सेदारी सिर्फ़ 7.8% है।

    • DeepSeekस्थान 4

      GPT-6 Astra संतुलित फ़्रंटियर एजेंट है: LiveBench समग्र 86.1, एजेंटिक 82.4, और प्रति सफल कार्य $3.81 — एजेंटिक कार्यों में Gemini 4 Argon से बेहतर और Claude Fable 5.1 से सस्ता।

    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  9. 9

    Muse Spark 1.1 (मेटा)

    स्केल एआई के मानक SWE-bench Pro बोर्ड पर यह 61.5% ± 3.1 के साथ सबसे ऊपर है, यह एक साझा टेस्ट-सेटअप का स्कोर है। हफ्ते के टोकन की शीर्ष दस सूची में कोई Muse मॉडल नहीं है।

    शामिल किया: Meta, Grok, DeepSeek. शामिल नहीं किया: Claude, ChatGPT, Gemini, Kimi, Wenxin, Qwen.

    उनकी सूचियों में: Meta: 10 · Grok: 10 · DeepSeek: 7

    हर AI ने क्या नोट किया 3
    • Metaस्थान 10

      स्केल एआई के आधिकारिक सार्वजनिक लीडरबोर्ड पर 61.5% ±3.1 – सबसे ऊँचा मानकीकृत स्कोर – $0.2/M टोकन, शीर्ष 20 में सबसे सस्ता, Contributor टियर

      स्रोत ↗
    • Grokस्थान 10

      Muse Spark 1.1 स्केल एआई के पुराने निजी SWE-Bench Pro बोर्ड पर 61.5% के साथ आगे है, और यह हफ़्ते के टोकन टॉप टेन में नहीं है।

      स्रोत ↗
    • DeepSeekस्थान 7

      Muse Spark 1.1 SWE-bench Pro पर अकेले मानकीकृत शीर्ष स्कोर रखता है — स्केल एआई के सार्वजनिक सेट पर 61.5% — पर इसका 51.5% वाणिज्यिक-सेट स्कोर दिखाता है कि स्कैफ़ोल्डिंग और डेटा विभाजन संख्या को कितना बदल सकते हैं।

    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  10. 10

    GPT-6 Luna

    ओपनराउटर की तुलना में इसका लंबा कोडिंग सत्र सबसे सस्ता है, $0.024, और हफ्ते के टोकन में 10.9T के साथ चौथे स्थान पर है, जो 62% ऊपर है। SWE-bench Pro पर इसका कोई आंकड़ा प्रकाशित नहीं हुआ है।

    शामिल किया: Meta, Grok. शामिल नहीं किया: Claude, ChatGPT, Gemini, Kimi, DeepSeek, Wenxin, Qwen.

    उनकी सूचियों में: Meta: 5 · Grok: 4

    हर AI ने क्या नोट किया 2
    • Metaस्थान 5

      OpenRouter पर 10.3T टोकन #4 – सबसे सस्ता फ़्रंटियर, $0.5/M आउटपुट – OSWorld पर प्रति एजेंटिक कार्य $0.07 बनाम Fable 5.1 का $14.19

      स्रोत ↗
    • Grokस्थान 4

      GPT-6 Luna पर एक लंबा कोडिंग सत्र लगभग $0.024 पड़ता है, जो OpenRouter की तुलना में सबसे सस्ता है, और हफ़्ते में 10.9 trillion टोकन पर।

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
    स्रोत ↗

शीर्ष तीन के बारे में और ↓

02शीर्ष तीन के बारे में और

रैंकिंग ऊपर है। यहाँ शीर्ष तीन स्थानों के बारे में और जानकारी है: वे क्या हैं, यहाँ क्यों हैं, और क्या जानना उपयोगी है।

ये स्थान टेस्ट, वोट और इस्तेमाल के मिश्रण के आधार पर तय हुए हैं। स्कोर अलग-अलग बोर्ड से आते हैं, और कुछ स्कोर कंपनियों ने खुद बताए हैं, इसलिए उन्हें सीधे एक-दूसरे से मिलाया नहीं जा सकता।

1Claude Opus 5.5

नं. 1 — Claude Opus 5.5. 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 1. एजेंट वाले कामों में अंधे वोटरों ने इसे पहले नंबर पर रखा, और कोडिंग बोर्ड में भी यही आगे है, हालाँकि इससे डीपसीक से कहीं कम टोकन गुज़रते हैं।

क्या आप जानते हैं

  • Opus 5.5 में एक्सटेंडेड थिंकिंग बंद नहीं की जा सकती। ज़्यादातर साइबर-सिक्योरिटी के काम भी पुराने मॉडल Opus 4.8 को भेजे जाते हैं, जब तक यूज़र एंथ्रोपिक के Cyber Verification Program में न हो।

    स्रोत ↗
यह क्या है
एंथ्रोपिक का सबसे ऊपर वाला मॉडल, जिसकी कीमत प्रति दस लाख टोकन $4 इनपुट और $20 आउटपुट है।
इसकी बढ़त
एजेंट वाले कामों में अंधे वोटरों के बीच यह पहले नंबर पर है, बाकी दो से आगे।
किसके लिए सही
उन टीमों के लिए ठीक है जिन्हें सबसे अच्छी एजेंट क्वालिटी चाहिए; तंग बजट वालों के लिए नहीं।
  • ओपनराउटर पर हर हफ़्ते के टोकनहर हफ़्ते 7.31T टोकन
यह यहाँ क्यों है

  • इस रेटिंग के पीछे के मॉडल कार्ड में Claude Opus 5.5 का स्कोर SWE-bench Pro पर 89.9% दिया गया है, जो कोडिंग टेस्ट है। यह स्कोर कंपनी का खुद बताया हुआ है, किसी साझा टेस्ट सेटअप से नहीं।

    स्रोत ↗

  • Terminal-Bench 4.0 पर, जो कमांड लाइन में काम करने का टेस्ट है, Claude Opus 5.5 को 66.4% मिले। तीसरे नंबर के मॉडल Gemini 4 Argon को 57.4% मिले। यानी कठिन एजेंट कामों में पहला नंबर तीसरे से आगे है।

    स्रोत ↗
क्या आप जानते हैं

  • एंथ्रोपिक का कहना है कि डिफ़ॉल्ट सेटिंग पर Opus 5.5 चलाने का खर्च Opus 5 से लगभग 40% कम है। सबसे ज़्यादा वोट वाला मॉडल सस्ता हुआ है, महँगा नहीं। यह 22 सितंबर 2026 को आया।

    स्रोत ↗
ध्यान रखें

  • Max effort मोड के बारे में चेतावनी है कि वह "6x या उससे ज़्यादा" इस्तेमाल लेता है। रेडिट यूज़र 4x, 5.5x और 6x बताते हैं, और एक का कहना है कि Max ज़रूरत से ज़्यादा सोचता है। कुछ यूज़र यह भी मानते हैं कि लॉन्च के जल्द बाद मॉडल और बिगड़ सकता है।

    स्रोत ↗

  • एक यूज़र ने कहा कि एक फ़ीचर के काम में Opus 5.5 ने संदिग्ध आर्किटेक्चर फ़ैसले लिए। एक और रिपोर्ट के मुताबिक Fable 5.1 अब भी कुछ साथ-साथ होने वाले कोडिंग टेस्ट जीतता है।

    स्रोत ↗
आगे कहाँ देखें

  • Claude Opus 5.5 के लिए एंथ्रोपिक की अपनी घोषणा पढ़ें। पहले बेंचमार्क वाला हिस्सा देखें, फिर वह नोट जिसमें लिखा है कि असल इस्तेमाल में Fable 5.1 से फ़र्क स्कोर बताने से कम है।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

2डीपसीक V4.1 Flash

नं. 2 — डीपसीक V4.1 Flash. 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 5. यह वह मॉडल है जिसे एजेंट असल में सबसे ज़्यादा चलाते हैं: टोकन सबसे ज़्यादा, और हर सेशन का खर्च बहुत कम, हालाँकि कठिन टेस्ट में यह पीछे है।

क्या आप जानते हैं

  • यह सस्ता 'Flash' मॉडल टेक्स्ट के साथ इमेज भी पढ़ सकता है। ओपनराउटर के मुताबिक इसकी कॉन्टेक्स्ट विंडो 1,048,576 टोकन है, और एक जवाब में आउटपुट 384,000 टोकन तक जा सकता है।

    स्रोत ↗
यह क्या है
डीपसीक का सस्ता और तेज़ 'Flash' मॉडल, जो इमेज और टेक्स्ट दोनों पर काम करता है।
इसकी बढ़त
यह बाकी दोनों से कहीं ज़्यादा असली एजेंट ट्रैफ़िक सँभालता है, और कहीं कम खर्च में।
किसके लिए सही
बड़ी मात्रा और कम बजट वाले एजेंट के लिए ठीक है; सबसे कठिन टेस्ट जैसी सटीकता वाले कामों के लिए नहीं।
  • ओपनराउटर पर हर हफ़्ते के टोकनहर हफ़्ते 45.5T टोकन
यह यहाँ क्यों है

  • खर्च के हिसाब से, उसी ट्रैकर के मुताबिक एक औसत कोडिंग सेशन $0.0477 का पड़ता है, लगभग 4.4M टोकन के लिए। सूची कीमत प्रति दस लाख इनपुट टोकन $0.04 है, और इसी वजह से एजेंट इसे चुनते हैं।

    स्रोत ↗
इतिहास

  • डीपसीक ने अगस्त 2026 में अपनी कीमतें चार गुना कर दी थीं, फिर फ़ैसला पलट दिया। 10 सितंबर को उसने V4.1 Flash जारी किया और कीमतें घटाईं; ब्लूमबर्ग इंटेलिजेंस का अनुमान है कि कटौती 32% तक है। 14 सितंबर से हर V4-Pro अनुरोध Flash पर भेजा जाने लगा।

    स्रोत ↗
ध्यान रखें

  • बताई गई एजेंट वाली बढ़त डीपसीक के अपने आँकड़ों से आती है, जो उसके अपने टेस्ट-सेटअप पर चलाए गए। समीक्षक का कहना है कि स्वतंत्र टेस्ट अब भी ज़रूरी हैं। टूल और कंपनी का सहारा भी बड़ी लैब्स से पीछे है।

    स्रोत ↗

  • कीमत पर विवाद है। पेज पर 2x पीक-आवर गुणक लिखा है। एक रेडिट यूज़र ने कहा कि 10 लाइनें बदलने में उसके कोटा का 28% खर्च हो गया, हालाँकि उस पोस्ट की पुष्टि नहीं हुई है।

    स्रोत ↗
आगे कहाँ देखें

  • ओपनराउटर का मॉडल पेज खोलें और प्रति दस लाख टोकन की कीमत देखें। फिर इसे अपने किसी लंबे कोडिंग काम से मिलाकर देखें, क्योंकि सस्ते रन की वजह से ही एजेंट इस मॉडल को चुनते हैं।

    स्रोत ↗
Grok ने इसे पहला स्थान दिया। उन्होंने इसमें क्या देखा

  • Grok: Hermes Agent ने इस महीने DeepSeek V4.1 Flash से 11.8 trillion टोकन चलाए, और उस पर एक लंबा कोडिंग सत्र लगभग $0.047 पड़ता है।

शीर्ष तीन की तुलना करें ↓

3Gemini 4 Argon

नं. 3 — Gemini 4 Argon. 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 6. टेस्ट और इंसानी वोट, दोनों में यह ऊपर के करीब है, लेकिन अभी इसे चलाने वाले कम हैं, जिससे इसकी रैंक नीचे रहती है।

क्या आप जानते हैं

  • Gemini 4 Argon की लॉन्च कीमत सीमित समय के लिए है, जो 30 नवंबर को खत्म होती है। उसके बाद यह महँगा हो सकता है, जिससे यह तय हो सकता है कि कितने डेवलपर इसे आज़माते हैं।

    स्रोत ↗
यह क्या है
गूगल का एजेंट-केंद्रित मॉडल, जिसकी कॉन्टेक्स्ट विंडो 10 लाख टोकन तक है।
इसकी बढ़त
तीनों में इसके इंसानी वोट और टेस्ट स्कोर सबसे मज़बूत हैं, लेकिन असली इस्तेमाल सबसे कम है।
किसके लिए सही
उनके लिए ठीक है जिन्हें गूगल पर आधारित एजेंट चाहिए; उनके लिए नहीं जिन्हें आज खुली पहुँच चाहिए।
  • ओपनराउटर पर हर हफ़्ते के टोकनहर हफ़्ते 1.09T टोकन
यह यहाँ क्यों है

  • DeepSWE v1.1 पर, जो सॉफ़्टवेयर सुधारने का टेस्ट है, Gemini 4 Argon को 77.9% मिले। Claude Opus 5.5 को 74.2%। यानी इस टेस्ट में Argon पहले नंबर के मॉडल से आगे है, जो उसकी ऊँची रैंक का एक कारण बताता है।

    स्रोत ↗

  • FrontierSWE v2 कोडिंग टेस्ट में Gemini 4 Argon को 54.96 मिले और 23 मॉडलों में वह 6वें नंबर पर रहा। यह अच्छा है, लेकिन पहला नंबर नहीं।

    स्रोत ↗
क्या आप जानते हैं

  • गूगल के अपने डेवलपर पेज के मुताबिक Argon कई चरणों वाले स्वायत्त एजेंटों के लिए बना है और एक साथ 10 लाख टोकन तक का संदर्भ सँभाल सकता है। यह लगभग कुछ लंबी किताबें एक साथ पढ़ने जितना है।

    स्रोत ↗
इतिहास

  • गूगल ने जून 2026 के लिए Gemini 3.5 Pro का वादा किया था, फिर कई महीने की देरी के बाद उसे छोड़ दिया गया। इस बीच Gemini टीम के कई प्रमुख लोग छोड़कर चले गए। Argon 30 सितंबर 2026 को घोषित हुआ, और लेख के मुताबिक इन देरियों ने गूगल को एंथ्रोपिक और ओपनएआई से पीछे छोड़ दिया।

    स्रोत ↗
ध्यान रखें

  • यह सबके लिए खुला नहीं है। समीक्षक की 1 अक्टूबर की API कॉल पर 404 आया, और पहुँच गूगल के Fairwind Program के ज़रिए थी, जो जाँचे-परखे साइबर-डिफ़ेंडरों के लिए है। दूसरे स्रोत कहते हैं कि बाद में यह खुल गया, इसलिए रिपोर्टों में विरोधाभास है।

    स्रोत ↗
आगे कहाँ देखें

  • इस मॉडल के लिए Gemini API पेज पढ़ें। फिर थिंकिंग high पर रखकर एक बहु-चरणीय कोडिंग काम आज़माएँ। पेज पर Google AI Studio का लिंक है, जहाँ आप इसे चला सकते हैं।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

Claude Opus 5.5डीपसीक V4.1 FlashGemini 4 Argon
AI सूचियों में7 / 97 / 97 / 9
ओपनराउटर पर हर हफ़्ते के टोकनहर हफ़्ते 7.31T टोकनहर हफ़्ते 45.5T टोकनहर हफ़्ते 1.09T टोकन
पहला स्थान दियाChatGPT, Meta, Kimi, DeepSeek, QwenGrok—

जिन स्थानों को बराबर AI ने चुना, वे AI सूचियों में उनके औसत स्थान के क्रम में हैं।

और रैंकिंग

03जानने योग्य

सूची बनाते समय AI ने क्या देखा।

एजेंट ऐप वोट जीतने वाला मॉडल नहीं चलाते। इस महीने Hermes Agent का सबसे ऊपर का मॉडल डीपसीक V4.1 Flash है, 11.8T टोकन के साथ, जबकि एजेंट वोट में पहले नंबर वाला Opus 5.5 हफ्ते के टोकन में छठे नंबर पर है।

किसने देखा:
शामिल किया: Claude, Meta, Grok, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Gemini, Wenxin, Qwen.
स्रोत ↗

“SWE-bench Pro” कई बोर्ड का नाम है। साझा टेस्ट-सेटअप में सबसे ऊँचा स्कोर 61.5% (Muse Spark 1.1) है, और कंपनियों की रिपोर्ट में 89.9% (Opus 5.5)। Pro V2 में Opus 5 के सार्वजनिक कार्यों पर 99.4% है, लेकिन निजी कार्यों में 272 में से 222।

किसने देखा:
शामिल किया: Claude, Meta, Grok, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Gemini, Wenxin, Qwen.
स्रोत ↗

लागत इस पर निर्भर है कि उसे कौन मापता है। एक लंबा कोडिंग सत्र GPT-6 Luna पर $0.024, डीपसीक पर $0.047 और Opus 5.5 पर $1.39 का पड़ता है। दूसरे इंडेक्स Opus 5.5 को प्रति कार्य $4.19 से $13.43 तक बताते हैं।

किसने देखा:
शामिल किया: Meta, Grok, DeepSeek. शामिल नहीं किया: Claude, ChatGPT, Gemini, Kimi, Wenxin, Qwen.
स्रोत ↗

Terminal-Bench का स्कोर उसके संस्करण के बिना बेमानी है: वही Gemini 3.8 Flash संस्करण 2.1 पर 89.4% और 4.0 पर 19.1% स्कोर करता है।

किसने देखा:
शामिल किया: Kimi. शामिल नहीं किया: Claude, ChatGPT, Meta, Grok, Gemini, DeepSeek, Wenxin, Qwen.
स्रोत ↗

04लोग क्या पूछते हैं

AI मॉडल बनाम AI एजेंट?

मॉडल अगला जवाब लिखता है। एजेंट मॉडल को टूल, मेमोरी और एक लूप में लपेटता है, जब तक काम पूरा न हो जाए, और अकेले Hermes Agent ने ओपनराउटर पर 547 अलग-अलग मॉडल बुलाए हैं।

स्रोत ↗
एजेंट के लिए सबसे अच्छा AI मॉडल कौन-सा है?

Claude Opus 5.5 बिना-नाम एजेंट वोट में आगे है, LMArena के एजेंट बोर्ड पर 20.9 के साथ। असली इस्तेमाल में डीपसीक V4.1 Flash आगे है, हफ्ते में 45.5T टोकन और एक लंबे कोडिंग सत्र पर लगभग $0.05 के साथ।

स्रोत ↗
Hermes Agent के लिए सबसे अच्छा AI मॉडल कौन-सा है?

असली इस्तेमाल के हिसाब से यह डीपसीक V4.1 Flash है, इस महीने Hermes Agent के 11.8T टोकन के साथ, उसके बाद GLM 5.3 Flash 3.91T के साथ।

स्रोत ↗
SWE-bench Pro के स्कोर इतने अलग क्यों हैं?

अलग-अलग टेस्ट-सेटअप और कार्यों का बँटवारा: 61.5% स्केल एआई के साझा टेस्ट-सेटअप में सबसे ऊँचा स्कोर है, जबकि 89.9% कंपनी का अपना बताया आंकड़ा है। ज़्यादातर पन्ने कभी नहीं बताते कि वे कौन-सा आंकड़ा दे रहे हैं।

05हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

एजेंट चलाने के लिए शीर्ष 10 AI मॉडल: टेस्ट स्कोर बनाम इंसानी वोट बनाम डेवलपर असल में क्या इस्तेमाल करते हैं

2यह विषय क्यों

तीन स्वतंत्र स्रोत, जो शायद ही कभी एक राय होते हैं: लैब टेस्ट, इंसानी वोट और असली इस्तेमाल, साथ-साथ रखे गए हैं, ताकि पाठक देख सकें कि कागज़ पर कौन मॉडल जीतता है और लोग असल में एजेंट किस पर चलाते हैं।

3यह कहाँ लागू होता है

दुनिया भर, AI एजेंट और कई AI का समन्वय

4हमने किन बातों पर ध्यान दिया

  • SWE-bench Pro पर एजेंटिक कोडिंग स्कोर
  • LMArena पर इंसानी पसंद की रेटिंग
  • असली एजेंट कामों का हिस्सा, लाइव ऐप्स में इस्तेमाल हुए टोकन से मापा गया
  • हर पूरे हुए कार्य की लागत
  • स्केल एआई, SWE-bench Pro V2 (सार्वजनिक और निजी) — 642 सार्वजनिक और 272 निजी लंबे कोडिंग कार्यों में से एजेंट जितने हल करता है, उनका हिस्सा; स्केल एआई चेतावनी देता है कि 100% के पास के सार्वजनिक स्कोर में कौशल और याद किए गए कार्य मिल सकते हैं
  • स्केल एआई, SWE-bench Pro मानक बोर्ड — एक साझा टेस्ट-सेटअप के तहत हल किए गए कार्य; सबसे ऊँचा स्कोर 61.5%
  • बेंचएलएम, SWE-bench Pro कुल आंकड़े — 731 कार्यों के सार्वजनिक सेट पर कंपनी का बताया Pass@1, जो एक साझा टेस्ट-सेटअप में नहीं चला
  • LMArena टेक्स्ट लीडरबोर्ड (BenchLeader की प्रति, 28 अक्टूबर 2026) — दो जवाबों के बीच बिना-नाम इंसानी वोट से Elo

5रैंक किसने दी

अग्रणी AI: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek, Wenxin, Qwen। हर एक ने स्वतंत्र रूप से दस स्थानों की अपनी सूची बनाई और हर स्थान के लिए स्रोत बताया।

6स्थान कैसे तय हुए

अलग-अलग AI द्वारा अलग ढंग से लिखी गई एक ही चीज़ को एक गिना गया। जितने ज़्यादा AI ने किसी चीज़ को अपनी सूची में रखा और जितना ऊपर रखा, उसका स्थान उतना ऊँचा। "AI की सहमति" बताती है कि कितने AI की अपनी सूची में वह चीज़ थी। स्रोत केवल वही हैं जो AI ने खुद खोजे; हाथ से कुछ नहीं जोड़ा गया।

06हर AI की अपनी सूची

🇺🇸 Claude10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले Claude ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Mythos 5 (एंथ्रोपिक)

    यह Swfte के अक्टूबर 2026 के लीडरबोर्ड में सबसे ऊपर है, और पहले का Mythos Preview SWE-bench Pro में 77.8% के साथ आगे था, सूची के अगले दो मॉडलों से लगभग 20 अंक ऊपर।

    स्रोत ↗
  2. 2
    Claude Opus 5.5 (एंथ्रोपिक)

    17 अक्टूबर 2026 तक LMArena के WebDev बोर्ड पर यह पहले नंबर पर है, इसलिए व्यावहारिक कोडिंग के लिए यही चुनाव है।

    स्रोत ↗
  3. 3
    Gemini 4 Argon (गूगल)

    यह LMArena Text में मानव वोटों पर आगे है, पर 1524±9 स्कोर प्रारंभिक है।

    स्रोत ↗
  4. 4
    Claude Opus 4.8 (एंथ्रोपिक)

    जून 2026 की एक गाइड इसे SWE-bench Verified पर 88.6% और कठिन Pro पर 69.2% देती है। गाइड यह नहीं बताती कि यह लीडरबोर्ड परिणाम है या विक्रेता का आँकड़ा।

    स्रोत ↗
  5. 5
    डीपसीक V4.1 Flash

    20 अक्टूबर 2026 की रिपोर्ट में यह OpenRouter पर 32.8T टोकन के साथ अब भी पहले नंबर पर था, हालाँकि इसका उपयोग 20% गिरा।

  6. 6
    GPT-5.4 (ओपनएआई)

    BenchLM (अप्रैल 2026) के अनुसार यह SWE-bench Pro पर 57.7% पर है। मुझे अक्टूबर 2026 का OpenAI डेटा नहीं मिला, इसलिए यही इसका आख़िरी सत्यापित स्थान है।

    स्रोत ↗
  7. 7
    GLM-5.1 (झिपू AI)

    यह ओपन-वेट मॉडल है जो SWE-bench Pro पर 58.4% लाता है, और BenchLM तालिका में GPT-5.4 से आगे है।

    स्रोत ↗
  8. 8
    GLM 5.3 Flash (झिपू AI)

    OpenRouter पर यह 12.2T टोकन पर स्थिर रहा, जबकि DeepSeek गिरा, और यह वह सस्ता टियर मॉडल है जिसे एजेंट बनाने वाले चुन रहे हैं।

  9. 9
    Kimi K2.6 (मूनशॉट)

    स्रोत इसे 2026 में एजेंटिक काम के लिए सबसे मज़बूत ओपन-वेट विकल्प बताते हैं। मैं कोई स्कोर पुष्टि नहीं कर सका।

    स्रोत ↗
  10. 10
    MiMo V2.5 Pro (शाओमी)

    कहा जाता है कि यह एजेंटिक कोडिंग के लिए SWE-bench Pro में आगे है, पर यह Xiaomi का अपना दावा है और मैं इसे स्वतंत्र रूप से सत्यापित नहीं कर सका।

    स्रोत ↗

Claude ने क्या देखा

विक्रेता के ढाँचे SWE-bench के आँकड़े फुला देते हैं। एक विश्लेषण कहता है कि मानकीकृत 46% विक्रेता द्वारा बताए गए 81% से ज़्यादा मूल्यवान हो सकता है।

स्रोत ↗
🇺🇸 ChatGPT10 स्थान · 3 नोट

वही सवाल, जिसका जवाब अकेले ChatGPT ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Opus 5.5 (2026)

    30 दिनों में 26.6 trillion OpenRouter टोकन: सस्ते विकल्पों के बावजूद प्रीमियम मॉडल की काफ़ी देखी गई माँग।

    स्रोत ↗
  2. 2
    GPT-6.1 Sol (2026)

    एक फ़्रंटियर ऑर्केस्ट्रेशन उम्मीदवार, जिसे अपनाने का आकलन उन टोकन-भारी बजट मॉडलों से कठिन है जो सार्वजनिक ट्रैफ़िक पर हावी हैं।

    स्रोत ↗
  3. 3
    Claude Fable 5 (2026)

    SWE-rebench में $4.40 प्रति समस्या पर 64.5% समाधान: मज़बूत पूर्णता परिणाम, पर महत्वपूर्ण लागत प्रीमियम के साथ।

  4. 4
    GPT-6 Astra (2026)

    इसका 56.9 इंटेलिजेंस-इंडेक्स परिणाम GPT-6.1 Sol के 54.5 से ऊपर है, पर बेहतर सामान्य स्कोर सस्ते एजेंट निष्पादन को साबित नहीं करता।

    स्रोत ↗
  5. 5
    डीपसीक V4.1 Flash (2026)

    30 दिनों में 116 trillion टोकन, प्रकाशित इनफ़रेंस कीमतें प्रति million टोकन $0.13 इनपुट और $0.52 आउटपुट से शुरू।

    स्रोत ↗
  6. 6
    GLM 5.3 Flash (2026)

    55.3 trillion मासिक टोकन GLM के किफ़ायती Flash टियर को देखे गए API वॉल्यूम में कई ज़्यादा चर्चित फ़्रंटियर मॉडलों से आगे रखते हैं।

    स्रोत ↗
  7. 7
    Grok 4.5 (2026)

    SWE-rebench में $1.47 प्रति समस्या पर 63.8% समस्या-समाधान Grok को लागत-समायोजित कोडिंग में गंभीर दावेदार बनाता है।

  8. 8
    Gemini 4 Argon (2026)

    50.4 इंटेलिजेंस-इंडेक्स स्कोर Google के फ़्रंटियर मॉडल को प्रतिस्पर्धी रखता है, पर सामान्य क्षमता अकेले एजेंट की विश्वसनीयता तय नहीं कर सकती।

    स्रोत ↗
  9. 9
    Kimi K3 Max (2026)

    IT-केंद्रित एरीना में 1529 मानव-पसंद रेटिंग Kimi को Claude Fable 5 के 1540 के पास रखती है, भले ही बाज़ार प्रोफ़ाइल बहुत अलग है।

    स्रोत ↗
  10. 10
    MiniMax M3 (2026)

    $0.95 प्रति समस्या पर 47.2% समस्या-समाधान एक सस्ता एजेंट विकल्प देता है, हालाँकि सफलता अग्रणी फ़्रंटियर सिस्टमों से पीछे है।

ChatGPT ने क्या देखा

अग्रणी OpenRouter मॉडल परिवार DeepSeek V4.1 Flash 30 दिनों में 116T टोकन दर्ज करता है, जो Claude Opus 5.5 के 26.6T से चार गुने से भी ज़्यादा है। यह ट्रैफ़िक मापता है, हल किए गए कामों को नहीं।

स्रोत ↗

स्केल एआई के SWE-bench Pro में 1,865 कार्य हैं, और उसके मूल विश्लेषण में आसान SWE-bench Verified परिणामों से बड़ी गिरावट मिली। बेंचमार्क का चयन दिखने वाले विजेता को बदल सकता है।

स्रोत ↗

OpenRouter की भाग लेने वाले ऐप्स की सूची में Hermes Agent 1.52T टोकन दिखाता है, जो Claude Code के 1.25T और Codex के 508B से आगे है। ये ऐप्स के वॉल्यूम हैं, उनके अंतर्निहित मॉडलों की रैंकिंग नहीं।

स्रोत ↗
🇺🇸 Meta10 स्थान · 3 नोट

वही सवाल, जिसका जवाब अकेले Meta ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Opus 5.5 (एंथ्रोपिक, 22 सितंबर 2026)

    SWE-bench Pro पर 89.9% – Sonnet 5.5 से 8.6 अंक ऊपर – फिर भी OpenRouter पर केवल 6.91T टोकन, जबकि DeepSeek के 47.8T; $4 इनपुट/$20 आउटपुट पर फ़्रंटियर गुणवत्ता

  2. 2
    Claude Sonnet 5.5 (एंथ्रोपिक, 2026)

    SWE-bench Pro 81.3% – Opus 5.5 से 8.6 अंक पीछे, आधी कीमत $2/$10 पर – 2.61T टोकन, रोज़मर्रा के एजेंटों के लिए सबसे अच्छा संतुलन

  3. 3
    Gemini 4 Carbon (गूगल डीपमाइंड, 28 अक्टूबर 2026)

    LMArena Text Arena पर 1528 Elo #1 – Opus 5.5 से 20 अंक ऊपर = 53% जीत दर – 4,403 वोटों पर प्रारंभिक, Intelligence Index 59

    स्रोत ↗
  4. 4
    डीपसीक V4.1 Flash (डीपसीक, 17 अक्टूबर 2026 का स्नैपशॉट)

    पिछले 7 दिनों में 47.8T टोकन – शीर्ष 20 का 29.4% – अकेले 1017 स्नैपशॉट, शीर्ष 20 के 43.6% DeepSeek मॉडल हैं, $0.30 इनपुट $1.2 आउटपुट

  5. 5
    GPT-6 Luna (ओपनएआई, 2026)

    OpenRouter पर 10.3T टोकन #4 – सबसे सस्ता फ़्रंटियर, $0.5/M आउटपुट – OSWorld पर प्रति एजेंटिक कार्य $0.07 बनाम Fable 5.1 का $14.19

    स्रोत ↗
  6. 6
    GLM 5.3 Flash (झिपू AI, 2026)

    OpenRouter पर 15.7T टोकन #2 – $0.5/M आउटपुट – ओपन-वेट उछाल, सालाना तुलना में शीर्ष 50 टोकन में 27% से 72% तक

  7. 7
    Claude Fable 5.1 (एंथ्रोपिक, 1 सितंबर 2026)

    SWE-bench Pro 81.2% – Sonnet 5.5 से केवल 0.1 अंक पीछे – SWE-bench Verified पर 95.0% #1, पर प्रति कार्य $7.63 बनाम Astra का $3.26

  8. 8
    Gemini 4 Argon (गूगल, अक्टूबर 2026)

    LMArena पर 1524 Elo #2 – Carbon से 4 अंक के भीतर – High reasoning टियर, $10/M आउटपुट, 30 नवंबर तक $2/$10 परिचयात्मक कीमत

    स्रोत ↗
  9. 9
    Kimi K3 (मूनशॉट, 2026)

    LMArena 1488 पर #18 सबसे अच्छा ओपन वेट – K3.1 Pro $3/$15 – 1.97T टोकन, Turiloop के अनुसार #1 Arena full-stack 1664 बजट पसंद

    स्रोत ↗
  10. 10
    Muse Spark 1.1 (मेटा, 2026)

    स्केल एआई के आधिकारिक सार्वजनिक लीडरबोर्ड पर 61.5% ±3.1 – सबसे ऊँचा मानकीकृत स्कोर – $0.2/M टोकन, शीर्ष 20 में सबसे सस्ता, Contributor टियर

    स्रोत ↗

Meta ने क्या देखा

डेवलपर टोकन का अब शीर्ष 10 फ़्रंटियर मॉडल केवल 14% चलाते हैं, जो एक साल पहले 55% था — The Information के 12 अक्टूबर के अनुसार सस्ते फ़्लैश मॉडल वॉल्यूम खा रहे हैं

स्रोत ↗

SWE-bench Pro का अंतर: विक्रेता द्वारा बताया 89.9% (Opus 5.5) बनाम स्केल एआई का मानकीकृत 61.5% (Spark 1.1) – वही सार्वजनिक सेट, अलग हार्नेस, साथ में 30% कार्य टूटे हुए चिह्नित

स्रोत ↗

LMArena की भीड़: Gemini 4 Carbon 1528 बनाम Opus 5.5 1508 – 20 अंक = ∼53% जीत दर, 95% CI के भीतर, 4,403 वोटों पर प्रारंभिक

स्रोत ↗
🇺🇸 Grok10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले Grok ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    डीपसीक V4.1 Flash

    Hermes Agent ने इस महीने DeepSeek V4.1 Flash से 11.8 trillion टोकन चलाए, और उस पर एक लंबा कोडिंग सत्र लगभग $0.047 पड़ता है।

    स्रोत ↗
  2. 2
    Claude Opus 5.5

    ब्लाइंड वोटरों ने एजेंट कार्यों में Opus 5.5 को 20.9 पर पहला रखा, और एक लंबा कोडिंग सत्र फिर भी लगभग $1.39 लगता है।

    स्रोत ↗
  3. 3
    GLM 5.3

    हफ़्ते के ट्रैफ़िक में Flash संस्करण 16.1 trillion टोकन के साथ दूसरे नंबर पर था, जबकि पूरा GLM-5.3 निजी SWE-Bench Pro V2 के 272 में से 211 कार्य पार कर गया।

    स्रोत ↗
  4. 4
    GPT-6 Luna

    GPT-6 Luna पर एक लंबा कोडिंग सत्र लगभग $0.024 पड़ता है, जो OpenRouter की तुलना में सबसे सस्ता है, और हफ़्ते में 10.9 trillion टोकन पर।

    स्रोत ↗
  5. 5
    Claude Opus 5

    स्केल एआई Opus 5 के लिए 642 सार्वजनिक SWE-Bench Pro V2 कार्यों में से 638 और 272 निजी कार्यों में से 222 गिनता है।

    स्रोत ↗
  6. 6
    Gemini 4 Carbon

    वोटरों ने रोज़मर्रा के जवाबों में Gemini 4 Carbon को पहला और एजेंट कार्यों में दूसरा रखा, और यह हफ़्ते के टोकन टॉप टेन में नहीं है।

    स्रोत ↗
  7. 7
    Kimi K3

    निजी SWE-Bench Pro V2 गिनती में Kimi K3 ने 272 में से 214 कार्य हल किए, Opus 5 से दो कम।

    स्रोत ↗
  8. 8
    Gemini 4 Argon

    Gemini 4 Argon सार्वजनिक Pro V2 बोर्ड पर 99.22% पर है, Opus 5 से 0.18 अंक पीछे, एक ऐसे टेस्ट पर जो स्केल एआई के अनुसार लगभग सीमा पर है।

    स्रोत ↗
  9. 9
    Claude Sonnet 5.5

    OpenRouter के अपने फ़्लाइट-बुकिंग एजेंट टेस्ट में Sonnet 5.5 को 78.7% मिला, जो Opus 5.5 के 75.5% से ऊपर है, और आधी टोकन कीमत पर।

    स्रोत ↗
  10. 10
    Muse Spark

    Muse Spark 1.1 स्केल एआई के पुराने निजी SWE-Bench Pro बोर्ड पर 61.5% के साथ आगे है, और यह हफ़्ते के टोकन टॉप टेन में नहीं है।

    स्रोत ↗

Grok ने क्या देखा

जिन मॉडलों को एजेंट ऐप्स असल में कॉल करते हैं, वे वोटिंग बूथ जीतने वाले मॉडल नहीं हैं। इस महीने Hermes Agent का शीर्ष मॉडल DeepSeek V4.1 Flash है, 11.8 trillion टोकन। LMArena के एजेंट बोर्ड पर पहले नंबर का Opus 5.5 OpenRouter के हफ़्ते में 7.31 trillion के साथ छठे नंबर पर है।

स्रोत ↗

10 से 49 टर्न के कोडिंग सत्र की लागत GPT-6 Luna पर लगभग $0.024, DeepSeek V4.1 Flash पर $0.047, GLM-5.3 पर $0.36 और Claude Opus 5.5 पर $1.39 है। लीडरबोर्ड नहीं, बिल ही वह कारण है कि सस्ते मॉडल टोकन पर हावी हैं।

स्रोत ↗

स्केल एआई का SWE-Bench Pro V2 पर अपना विवरण कहता है कि Opus 5 642 में से 638 सार्वजनिक और 272 में से 222 निजी कार्य हल करता है। 99.4% की सुर्खी और निजी गिनती एक ही मॉडल की हैं।

स्रोत ↗

एक एजेंट काम, फ़्लाइट बुकिंग, पर OpenRouter ने Sonnet 5.5 को 78.7% और Opus 5.5 को 75.5% मापा। महँगा मॉडल हर एजेंट टेस्ट नहीं जीतता।

स्रोत ↗
🇺🇸 Gemini10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले Gemini ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude 3.5 Sonnet

    OpenRouter पर सभी एजेंटिक कोडिंग टोकन का 28% से ज़्यादा प्रोसेस करता है और SWE-bench Verified पर 49% से 54% समाधान दर के साथ बेंचमार्क तय करने वाला प्रदर्शन दिखाता है।

    स्रोत ↗
  2. 2
    ओपनएआई o1

    नेटिव टेस्ट-टाइम रीज़निंग कंप्यूट पेश किया, जो जटिल SWE समस्याओं पर स्वायत्त सॉफ़्टवेयर मरम्मत को 48% से ऊपर ले जाता है, पर हर रीज़निंग श्रृंखला पर प्रीमियम लेकर।

  3. 3
    डीपसीक-V3

    प्रोप्राइटरी फ़्रंटियर मॉडलों की प्रति-टोकन लागत के लगभग दसवें हिस्से पर 42% SWE-bench क्षमता देकर एजेंट ऑर्केस्ट्रेशन की अर्थव्यवस्था बदल दी।

    स्रोत ↗
  4. 4
    GPT-4o

    मल्टी-एजेंट सुपरवाइज़र के लिए अब भी सबसे बहुमुखी मल्टीमोडल आधार है, सामान्य एजेंट ट्रैफ़िक के 15% से 20% को सेकंड से कम पहले-टोकन समय के साथ संभालता है।

  5. 5
    Qwen 2.5 Coder 32B

    सबसे अच्छा स्थानीय एजेंट इंजन, जो SWE-bench पर 35% लाता है और बिना लगातार क्लाउड API शुल्क के एक ही डुअल-GPU वर्कस्टेशन में फ़िट होता है।

    स्रोत ↗
  6. 6
    Claude 3.5 Haiku

    सब-एजेंट ट्रायेज और लिंटिंग लूप के लिए पसंदीदा वर्कर है, Sonnet से 3 गुना तेज़ चलता है और उसकी तर्क-शक्ति का 40% देता है।

    स्रोत ↗
  7. 7
    Gemini 1.5 Pro

    पूरे मल्टी-रिपॉज़िटरी कोडबेस को एक ही 2-million-टोकन कॉन्टेक्स्ट विंडो में समा लेता है, व्यापक एजेंट योजना के लिए जटिल RAG के टुकड़ों को दरकिनार करता है।

    स्रोत ↗
  8. 8
    GPT-4o mini

    हाई-इटरेशन एजेंट स्टेट चेकर और सारांशकर्ता चलाता है, प्रति million इनपुट टोकन $0.15 से कम पर, और हाई-थ्रूपुट कमर्शियल झुंडों का आधार है।

  9. 9
    Llama 3.1 405B

    एंटरप्राइज़ ओपन-वेट्स का चैंपियन, संप्रभु ऑन-प्रिमाइसेस तैनाती के लिए बिना मीटर वाला, गोपनीयता-अनुकूल एजेंट निष्पादन देता है।

  10. 10
    Nous Hermes 3 (Llama-3.1-8B/70B)

    ओपन एजेंट समुदाय का पसंदीदा फ़ाइन-ट्यून, अनअलाइंड फ़ंक्शन कॉलिंग, JSON स्कीमा अनुपालन और स्वायत्त मल्टी-एजेंट सिमुलेशन के लिए।

    स्रोत ↗

Gemini ने क्या देखा

LMArena जैसी मानव-पसंद लीडरबोर्ड अक्सर असली डेवलपर एजेंट उपयोग से अलग हो जाती हैं: सिंगल-टर्न बातचीत Elo में मॉडल बराबरी पर हो सकते हैं, पर डेवलपर उत्पादन एजेंट टोकन का 65% से ज़्यादा ऐसे मॉडलों को देते हैं जो कठोर टूल-कॉलिंग और स्क्रैचपैड रीज़निंग के लिए ही अनुकूलित हैं।

स्रोत ↗
🇨🇳 Kimi10 स्थान · 2 नोट

वही सवाल, जिसका जवाब अकेले Kimi ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Opus 5.5 (एंथ्रोपिक, 22 सितंबर 2026)

    पुराने फ़्लैगशिप की आधी कीमत पर एजेंटिक ट्रिपल क्राउन: 89.9% SWE-bench Pro, #1 Arena WebDev (1807), #1 Agent Arena (पुष्ट सफलता 21.4%) — और पहला Anthropic फ़्लैगशिप जिसकी कीमत $10/$50 की जगह $4/$20 है।

  2. 2
    Claude Sonnet 5.5 (एंथ्रोपिक, 28 सितंबर 2026)

    वह मॉडल जिस पर डेवलपर सबसे ज़्यादा टोकन खर्च करते हैं: Terminal-Bench 4.0 (70.6%) और LiveBench Coding (91.4) में सबसे ऊपर, Opus की आधी कीमत पर — फ़्रंटियर टियर में प्रति डॉलर सबसे ऊँचा एजेंटिक स्कोर।

    स्रोत ↗
  3. 3
    GPT-6 Astra (ओपनएआई, 3 सितंबर 2026)

    मानव वोटों का चहेता, टोकन-बिल का खलनायक: Frontend Code Arena (1793) पर #1 और WebDev (1774) पर #2, पर $10/$50 पर यह Opus 5.5 की कीमत का 2.5 गुना है — और लाइव एजेंट टोकन में OpenAI की हिस्सेदारी सिर्फ़ 7.8% है।

  4. 4
    Kimi K3.1 Pro (मूनशॉट AI, अक्टूबर 2026)

    ओपन-वेट्स का सरप्राइज़ जो दिग्गजों को उनके अपने एजेंट टेस्ट में हरा देता है: स्वतंत्र Terminal-Bench 4.0 रन (67.2%, 23 अक्टूबर) में यह साइबर-लॉक्ड Gemini 4 Carbon के अलावा हर बंद मॉडल से आगे है — $2/$10 पर।

    स्रोत ↗
  5. 5
    Gemini 4 Argon (गूगल, सार्वजनिक रूप से 13 अक्टूबर 2026)

    मानव-पसंद, जो लैब टेस्ट में हार जाता है: LMArena टेक्स्ट पर #1 (1517.2) और सबसे कम मापी गई हैलुसिनेशन दर (4%), फिर भी Intelligence Index v5 पर 50.4 — इस्तेमाल योग्य मॉडलों में छठा।

    स्रोत ↗
  6. 6
    GPT-6.1 Sol (ओपनएआई, 29 सितंबर 2026)

    Codex के अंदर का वॉल्यूम एजेंट: 7 अक्टूबर से Codex CLI का डिफ़ॉल्ट, Terminal-Bench 4.0 पर 56.1% Astra के करीब, Astra की कीमत के पाँचवें हिस्से पर, और Intelligence Index पर 50 से ऊपर का सबसे सस्ता रास्ता।

    स्रोत ↗
  7. 7
    डीपसीक V4.1 Flash (डीपसीक, 10 सितंबर 2026, खुले वेट्स)

    टोकन-अर्थव्यवस्था का राजा: लाइव एजेंट टोकन शेयर में DeepSeek #1 प्रदाता है (39.1%) — Anthropic और Google मिलाकर से भी ज़्यादा — जबकि यह मॉडल ऑफ़-पीक $0.15/$0.60 पर सूचीबद्ध है।

    स्रोत ↗
  8. 8
    Grok 4.7 (एक्सएआई, 21 सितंबर 2026)

    सबसे सस्ता फ़्रंटियर-जैसा एजेंट: $2/$6, EQ-Bench टॉप-टेन (2012.2) और Grok Build हार्नेस पर Terminal-Bench 4.0 में 38% — पर Arena के मानव वोटर इसके लेखन को 78वाँ स्थान देते हैं, Grok 4.6 से नीचे।

  9. 9
    GLM-5.3 (झिपू AI, खुले वेट्स)

    स्वयं होस्ट किया जा सकने वाला वर्कहॉर्स: archived SWE-bench Verified बोर्ड पर 95.4% — Kimi K3 (93.4%) से ऊपर — सादे MIT लाइसेंस के तहत, होस्टेड $1.19/$6 पर।

  10. 10
    Gemini 3.8 Flash (गूगल, 2 सितंबर 2026)

    एजेंटिक स्प्रिंटर: 1M कॉन्टेक्स्ट के साथ $0.75/$3.75 पर 308 आउटपुट टोकन प्रति सेकंड — वह मॉडल जिसे हाई-वॉल्यूम एजेंट लूप के पीछे लगाया जाता है, जहाँ 20-अंक का Terminal-Bench अंतर 4 गुना थ्रूपुट के बराबर है।

    स्रोत ↗

Kimi ने क्या देखा

टेस्ट स्कोर, मानव वोट और असली इस्तेमाल तीन अलग लीडरबोर्ड हैं: Claude Opus 5.5 एजेंटिक टेस्ट में छा जाता है (SWE-bench Pro 89.9%, Agent Arena 21.4%), फिर भी Gemini 4 Argon मानव टेक्स्ट वोट में आगे है (1517.2 बनाम 1508.7), जबकि DeepSeek — इंडेक्स में 30+ अंक पीछे — लाइव एजेंट टोकन शेयर में 39.1% के साथ सबसे आगे है। उत्पादन में कीमत और आदत बेंचमार्क की शोहरत पर भारी पड़ती हैं।

स्रोत ↗

ओपन वेट्स ने टर्मिनल में एजेंट का अंतर पहले पाटा: स्वतंत्र Terminal-Bench 4.0 रन में Kimi K3.1 Pro (67.2%) हर इस्तेमाल योग्य बंद मॉडल से आगे है, और GLM-5.3 तथा DeepSeek V4.1-Flash टोकन-शेयर के पोडियम पर हैं — अब फ़्रंटियर एक रूटिंग की समस्या है, लाइसेंस की नहीं।

स्रोत ↗
🇨🇳 DeepSeek10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले DeepSeek ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Opus 5.5

    Claude Opus 5.5 विक्रेता-समेकित SWE-bench Pro बोर्ड पर 89.9% और Hermes एजेंट बेंच पर 76.7% के साथ शीर्ष पर है — अक्टूबर 2026 का सबसे पूर्ण “काम करने वाला” एजेंट मॉडल, प्रति सफल कार्य $4.19–$5.98 पर।

    स्रोत ↗
  2. 2
    Gemini 4 Argon

    Gemini 4 Argon लोगों की पसंद है — LMArena टेक्स्ट पर 1517 और मल्टी-टर्न पर 1544 के साथ नंबर 1 — और यह प्रति सफल कार्य $1.80 पर करता है, जो Claude Opus 5.5 की लागत का लगभग एक-चौथाई है।

    स्रोत ↗
  3. 3
    Claude Fable 5.1

    Claude Fable 5.1 LiveBench पर 88.0 के साथ समग्र नेता है और ब्राउज़र उपयोग में पूरे 100 अंक लाता है — सबसे अच्छा “कंप्यूटर-उपयोग” एजेंट मॉडल — पर प्रति सफल कार्य $5.10 पर यह इस शीर्ष समूह में सबसे महँगा है।

  4. 4
    GPT-6 Astra

    GPT-6 Astra संतुलित फ़्रंटियर एजेंट है: LiveBench समग्र 86.1, एजेंटिक 82.4, और प्रति सफल कार्य $3.81 — एजेंटिक कार्यों में Gemini 4 Argon से बेहतर और Claude Fable 5.1 से सस्ता।

  5. 5
    डीपसीक V4 Flash 0731

    DeepSeek V4 Flash असली दुनिया के एजेंट वॉल्यूम का राजा है: OpenRouter पर साप्ताहिक 11.4 trillion टोकन और प्रति सफल कार्य $0.028 लागत — Claude Fable 5.1 से लगभग 180 गुना सस्ता, हालाँकि कठिन कोडिंग बेंचमार्क पर फ़्रंटियर से पीछे है।

    स्रोत ↗
  6. 6
    Claude Sonnet 5.5

    Claude Sonnet 5.5 Claude Opus 5.5 के SWE-bench Pro स्कोर का 81.3% देता है, लगभग उसकी प्रति-कार्य लागत के 84% पर — प्रोडक्शन एजेंट लूप के लिए Claude परिवार के भीतर वैल्यू पिक।

    स्रोत ↗
  7. 7
    Muse Spark 1.1 (मेटा)

    Muse Spark 1.1 SWE-bench Pro पर अकेले मानकीकृत शीर्ष स्कोर रखता है — स्केल एआई के सार्वजनिक सेट पर 61.5% — पर इसका 51.5% वाणिज्यिक-सेट स्कोर दिखाता है कि स्कैफ़ोल्डिंग और डेटा विभाजन संख्या को कितना बदल सकते हैं।

  8. 8
    Qwen3.8-Flash-Next

    Qwen3.8-Flash-Next SWE-bench Pro पर 62.5% के साथ सबसे अच्छा ओपन-वेट्स एजेंट कोडर है — GLM-5.2 के 62.1% से आगे — और इसका Flash संस्करण LiveBench कार्य पर लगभग $0.196 प्रति सफल कार्य चलता है।

    स्रोत ↗
  9. 9
    GLM-5.2

    GLM-5.2 SWE-bench Pro पर 62.1% के साथ Qwen3.8-Flash-Next के ठीक पीछे है, $2.40 आउटपुट-टोकन कीमत पर — लागत-संवेदनशील एजेंट बेड़ों के लिए दूसरा सबसे अच्छा ओपन-वेट्स विकल्प।

  10. 10
    Kimi K3

    Kimi K3 ऑर्केस्ट्रेशन के लिए बना है: यह 300 सब-एजेंट और 4,000 समन्वय चरणों तक जाता है, इसलिए जब एजेंट का काम हर लाइन लिखना नहीं बल्कि दूसरे एजेंटों को संभालना हो, तो यह विशेषज्ञ पसंद है।

    स्रोत ↗

DeepSeek ने क्या देखा

जो मॉडल मानव वोट जीतता है, वह असली एजेंट ट्रैफ़िक नहीं जीतता। Gemini 4 Argon LMArena पर 1517 पर है, पर DeepSeek V4 Flash OpenRouter के लाइव टोकन उपयोग में साप्ताहिक 11.4 trillion टोकन पर आगे है — क्योंकि प्रति सफल कार्य $0.028 पर लागत ही प्रोडक्शन एजेंट लूप पर हावी है।

स्रोत ↗
🇨🇳 Wenxin10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले Wenxin ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    ओपनएआई GPT-5 / o3 (2026)

    SWE-bench Pro पर 71% पास और सबसे भारी टोकन लोड — पर प्रति कार्य लागत अब भी डेवलपर्स को चुभती है

    स्रोत ↗
  2. 2
    एंथ्रोपिक Claude 4 Opus (2026)

    LMArena पर सबसे ऊँचा मानव-वोट Elo (1392), और डेवलपर लंबे कॉन्टेक्स्ट वाले एजेंट चलाने के लिए इसे चुनते हैं

    स्रोत ↗
  3. 3
    गूगल Gemini 2.5 Pro (2026)

    21% टोकन शेयर और मज़बूत मल्टी-मोडल एजेंट स्कोर — नेटिव टूल उपयोग पर Google का दाँव

    स्रोत ↗
  4. 4
    मेटा Llama 4 405B (2026)

    ओपन-वेट्स का राजा: 18% टोकन शेयर, डेवलपर इसे अपने सर्वर पर चलाते हैं — पर एजेंट कोडिंग में बंद मॉडलों से पीछे

  5. 5
    मिस्ट्रल Large 3 (2026)

    यूरोप का चहेता, 9% टोकन शेयर — प्रति डॉलर कोड एजेंटों में अपने वज़न से ज़्यादा दम

  6. 6
    एक्सएआई Grok 4 (2026)

    7% टोकन शेयर; तेज़, पर एजेंटिक कोडिंग में अब भी पीछे — प्रशंसक रीयल-टाइम डेटा की बढ़त गिनाते हैं

  7. 7
    डीपसीक V4 (2026)

    6% टोकन शेयर वाला चीनी ओपन मॉडल; कीमत एक कप कॉफ़ी जितनी, SWE-bench 55%

  8. 8
    कोहेयर Command R+ 2026 (एजेंट के लिए अनुकूलित)

    RAG और टूल-उपयोग एजेंटों के लिए बना; 5% टोकन शेयर, पर LangSmith स्कोर में शीर्ष-चौथाई

  9. 9
    माइक्रोसॉफ़्ट Phi-5 (2026)

    छोटा ऑन-डिवाइस मॉडल (7B पैरामीटर) 3% टोकन शेयर के साथ — प्रति-टोकन सबसे तेज़, प्रति-कार्य सबसे अच्छा नहीं

  10. 10
    स्टेबिलिटी AI Stable Code 3 (2026)

    कोड-विशिष्ट मॉडल 2% टोकन शेयर पर; निचा, पर ओपन-सोर्स एजेंट बनाने वालों को पसंद

Wenxin ने क्या देखा

ओपन-वेट मॉडल अब लगभग आधे एजेंट टोकन संभालते हैं (Llama 4 + DeepSeek + मिस्ट्रल एआई + Phi = लगभग 34%), एक ऐसा बदलाव जो दो साल पहले नहीं था, और यह तय करता है कि एजेंट का बुनियादी ढाँचा किसके हाथ में है।

स्रोत ↗
🇨🇳 Qwen10 स्थान · 2 नोट

वही सवाल, जिसका जवाब अकेले Qwen ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    Claude Opus 5.5

    SWE-bench Pro पर 89.9% बाज़ार में अग्रणी है, यह साबित करते हुए कि यह सबसे ज़्यादा असली GitHub समस्याएँ हल करता है।

    स्रोत ↗
  2. 2
    Claude Sonnet 5.5

    Hermes Agent के लिए सबसे अच्छा सर्वांगीण मॉडल, लंबे कामों के लिए Terminal-Bench 4.0 पर 70.6% तक।

  3. 3
    GPT-5.6 Sol

    1485 Elo के साथ LMArena मानव-पसंद वोटों में आगे है, उन मॉडलों को पीछे छोड़कर जो कठोर कोडिंग टेस्ट पर ऊँचे स्कोर करते हैं।

    स्रोत ↗
  4. 4
    Claude Fable 5.1

    81.2% SWE-bench Pro पर पहुँचता है, Sonnet 5.5 से लगभग बराबर, पर प्रति पूरे कार्य कम लागत पर।

    स्रोत ↗
  5. 5
    डीपसीक V4.1 Flash

    OpenRouter पर 53.1T टोकन संसाधित, जिससे यह एजेंट ट्रैफ़िक रूट करने वाले डेवलपर्स के लिए असली वर्कलोड का राजा है।

    स्रोत ↗
  6. 6
    Gemini 4 Argon

    SWE-bench Pro V2 पर 99.2% दिखाता है कि Google का फ़्रंटियर मॉडल लंबे समय वाली इंजीनियरिंग में Anthropic के करीब पहुँच रहा है।

    स्रोत ↗
  7. 7
    Qwen 3 Max

    77.3B टोकन के साथ OpenRouter के ट्रेंडिंग चार्ट पर #1 पर पहुँचा, यह साबित करते हुए कि अलीबाबा का मॉडल एशिया में भारी एजेंट वर्कलोड संभालता है।

  8. 8
    GLM-5.2 Max

    Code Arena: Frontend में 1595 Elo के साथ #2, UI एजेंट कार्यों के लिए मानव पसंद में आगे।

    स्रोत ↗
  9. 9
    Llama 4 Maverick

    $0.20/M इनपुट टोकन पर 1.3M कॉन्टेक्स्ट विंडो इसे बड़े एजेंट ऑर्केस्ट्रेशन चलाने का सबसे सस्ता तरीका बनाती है।

    स्रोत ↗
  10. 10
    Claude Fable 5

    SWE-bench Pro पर 80.3% इसे एजेंटिक कोडिंग के शीर्ष स्तर में रखता है, भले ही नए मॉडल इससे आगे निकल गए हों।

    स्रोत ↗

Qwen ने क्या देखा

SWE-bench Verified (~80%) और SWE-bench Pro (~58%) के बीच का अंतर “दूषण प्रभाव” मापता है, यानी मॉडलों ने पुराने टेस्ट के उत्तर याद कर लिए थे।

स्रोत ↗

Claude Sonnet 5.5 Terminal-Bench 4.0 पर बड़े Opus 5.5 से 4.2 अंक आगे है, जो लंबे एजेंट लूप चलाने वाले डेवलपर्स को चौंकाता है।

स्रोत ↗