आज के ट्रेंड पर वापस: इंटेल के बॉस की चेतावनी: अरबों AI सहायकों को क़ाबू में रखना मुश्किल होगा

Poly रेटिंग · आज के ट्रेंड से

AI एजेंट लागत तुलना 2026: प्रति डॉलर सबसे ज़्यादा काम

Arena के 4 नवंबर के कोडिंग बोर्ड पर Claude Opus 5.5 के एक कार्य की मध्यिका लागत $17.45 है और GPT-6.1 Terra की $1.40: लगभग 12 गुना कीमत, 23.38% शुद्ध सुधार के मुकाबले 13.76%।

नंबर 1: GPT-6.1 Sol (ओपनएआई Codex)
10 स्थान
4 नवंबर 2026, 19:18 EST तक

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
GPT-6.1 Sol (ओपनएआई Codex)
वह सस्ता विकल्प जिस पर तीन अलग-अलग बोर्ड सहमत हैं: $0.98 पर 12.51% Arena शुद्ध सुधार, $1.04 पर Coding Agent Index में 62.9%, $1.92 पर Terminal-Bench में 58.2%।
शामिल किया: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. शामिल नहीं किया: Nemotron, Wenxin.
उनकी सूचियों में: ChatGPT: 2 · Meta: 1 · Grok: 3 · StepFun: 3 · Kimi: 1 · DeepSeek: 4
हर AI ने क्या नोट किया 6
- ChatGPTस्थान 2
  A $0.98 median task cost and 10.3-minute median duration make it a practical value candidate for controlled coding workflows.
  स्रोत ↗
- Metaस्थान 1
  $0.98 median in Arena, $1.27 per Intelligence Index task for 55 pts – 8x cheaper than Opus 5.5 max at $10.04 for 58 pts
- Grokस्थान 3
  A 98-cent overall median buys 12.51% net improvement, a step ahead of Terra and a step behind on shell recovery.
  स्रोत ↗
- StepFunस्थान 3
  OpenAI's cost play: within two points of its pricier siblings on the same board at $0.56 a median task.
- Kimiस्थान 1
  62.9% of real engineering tasks solved at $1.04 and 15.5 minutes each — about 60 index points per dollar, six times the work-per-dollar of the leaderboard's top scorer.
  स्रोत ↗
- DeepSeekस्थान 4
  58.2% for $1.92 — one-fifth of Astra's $9.90 on the same test.
6 AI ने इसे यहाँ रखा
स्रोत ↗
2
Claude Opus 5.5 (Claude Code)
कुल शुद्ध सुधार सबसे ज़्यादा (20.14%), पर मध्यिका कोडिंग कार्य पर $17.45 और 39 मिनट। Terminal-Bench के रन में इसकी कीमत $14.30–$19.07 है।
शामिल किया: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. शामिल नहीं किया: Nemotron, Wenxin.
उनकी सूचियों में: ChatGPT: 6 · Meta: 8 · Grok: 7 · StepFun: 4 · Kimi: 9 · DeepSeek: 6
हर AI ने क्या नोट किया 6
- ChatGPTस्थान 6
  It leads Arena's overall November 3 ranking, but $6.80 per median task means its premium must be justified by fewer failed or repeated attempts.
  स्रोत ↗
- Metaस्थान 8
  $0.08 median absolute cheapest – 0.62% overall, 1.9 min, 26.1K tokens at $0.10/$0.50
  स्रोत ↗
- Grokस्थान 7
  Most net improvement on the board, 20.14%, at $6.79 overall and $17.45 when the task is code.
  स्रोत ↗
- StepFunस्थान 4
  The best value inside the best family: #1 steerability and #2 confirmed success at $1.31 a task, 64% below its own Max tier.
  स्रोत ↗
- Kimiस्थान 9
  The priciest reliable workhorse: 66% task success at $13.04 — you pay roughly double per task versus Codex, and independent tracking says it finishes in a 2.2-minute median.
  स्रोत ↗
- DeepSeekस्थान 6
  64.8% at $14.30 — reliable work, at a price that needs a high-value task to pay back.
6 AI ने इसे यहाँ रखा
स्रोत ↗
3
Claude Sonnet 5.5 (Claude Code)
कोडिंग की पुष्ट सफलता (24.98%) में Opus 5.5 के बराबर, पर मध्यिका कोडिंग कार्य पर $17.45 की जगह $8.39। कुल मिलाकर: $3.86 पर 15.42% शुद्ध सुधार।
शामिल किया: ChatGPT, Meta, Grok, StepFun, Kimi. शामिल नहीं किया: Nemotron, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 5 · Meta: 5 · Grok: 5 · StepFun: 6 · Kimi
हर AI ने क्या नोट किया 5
- ChatGPTस्थान 5
  The $3.86 median cost is much higher than the sub-dollar alternatives, but 19.95% confirmed success makes its reliability-adjusted value competitive.
  स्रोत ↗
- Metaस्थान 5
  74.55% GAIA leader for $178.20 – 15.42% Arena confirmed for $3.83, 16.4 min – best research work per dollar
- Grokस्थान 5
  Ties Opus on confirmed coding success, 24.98%, at $8.39 instead of $17.45.
  स्रोत ↗
- StepFunस्थान 6
  Second-best confirmed success on the whole board (20.21%) for $3.86 a task — the mid-tier Anthropic pick that keeps most of the reliability.
  स्रोत ↗
- Kimi
  इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
5 AI ने इसे यहाँ रखा
स्रोत ↗
4
Gemini 4 Argon
चैट कार्यों पर, 3.8 मिनट में 52 सेंट पर 13.22% शुद्ध सुधार। कोड पर कमज़ोर: Arena पर $2.14 में 8.54%, और Google के Antigravity CLI में प्रति कार्य $5.84।
शामिल किया: ChatGPT, Meta, Grok, Kimi. शामिल नहीं किया: Nemotron, StepFun, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 3 · Meta: 3 · Grok: 2 · Kimi: 3
हर AI ने क्या नोट किया 4
- ChatGPTस्थान 3
  At $0.97 and 7.3 minutes per median task, it is faster and cheaper than Carbon, though Carbon has the stronger overall improvement signal.
  स्रोत ↗
- Metaस्थान 3
  $0.97 median, 10.53% overall – 0.42% tool hallucination lowest among top 10, 13.52% steerability
- Grokस्थान 2
  On chat tasks, 13.22% net improvement for 52 cents and 3.8 minutes.
  स्रोत ↗
- Kimiस्थान 3
  Best DeepSWE score on the board (78.8%) at $5.84 a task — the strongest hard-coding work per dollar among the big-three harnesses.
  स्रोत ↗
4 AI ने इसे यहाँ रखा
स्रोत ↗
5
Gemini 4 Carbon
$2 से कम में सबसे ज़्यादा गुणवत्ता: $1.69 मध्यिका पर 16.72% शुद्ध सुधार और 18.02% पुष्ट सफलता, जो Opus 5.5 के $6.79 का लगभग एक-चौथाई है। Arena इसे अब भी प्रारंभिक मानता है।
शामिल किया: ChatGPT, Meta, Grok, StepFun. शामिल नहीं किया: Nemotron, Kimi, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 1 · Meta: 4 · Grok: 4 · StepFun: 2
हर AI ने क्या नोट किया 4
- ChatGPTस्थान 1
  At $1.69 per median task, it delivers 18.04% user-confirmed success in Arena's November 3 snapshot, making it the strongest observed balance of price and completion among leading models.
  स्रोत ↗
- Metaस्थान 4
  16.72% confirmed #2 overall for $1.69 – 19.32% steerability best, 0.51% hallucination
- Grokस्थान 4
  The value leader that still wins tasks: 16.72% overall net improvement at $1.69, and Arena marks it preliminary.
  स्रोत ↗
- StepFunस्थान 2
  The efficiency pick that also wins: #2 overall on Agent Arena at $1.69–$1.80 a task, a fifth of the price of the agent above it on confirmed success.
  स्रोत ↗
4 AI ने इसे यहाँ रखा
स्रोत ↗
6
DeepSeek V4.1 Flash
मध्यिका $0.16 पर सबसे सस्ती असली शुरुआत, पर 4 नवंबर को केवल 2.37% शुद्ध सुधार; पिछली Arena पोस्ट में $0.07 पर +4.87% दिखा था।
शामिल किया: ChatGPT, Meta, Grok, StepFun. शामिल नहीं किया: Nemotron, Kimi, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 8 · Meta: 7 · Grok: 9 · StepFun: 1
हर AI ने क्या नोट किया 4
- ChatGPTस्थान 8
  At $0.16 per median task, it is among the cheapest observed options, but the 3.38% confirmed-success signal prevents a higher finished-work ranking.
  स्रोत ↗
- Metaस्थान 7
  $0.16 median cheapest coding – 2.37% overall, 86.5K tokens, $0.15/$0.60 per M
  स्रोत ↗
- Grokस्थान 9
  Close to Astra on quality, 13.86% versus 14.70%, at a similar $6.40 median and a $16.30 coding median.
  स्रोत ↗
- StepFunस्थान 1
  $0.07 median per task for +4.87% net improvement — roughly 97 times cheaper than the board's #1 agent for work that is only a few points worse.
  स्रोत ↗
4 AI ने इसे यहाँ रखा
स्रोत ↗
7
Devin (कॉग्निशन)
प्रति कार्य लागत इस पर निर्भर है कि उसे कौन गिनता है: $0.60 (विक्रेता का दावा), 70.4% पर $1.40 (तीसरे पक्ष का DeepSWE), $7.90 (Coding Agent Index), और तीसरे पक्ष के अनुमान के अनुसार मर्ज किए गए हर कार्य पर लगभग $9–10।
शामिल किया: Meta, StepFun, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Grok, Nemotron, Wenxin.
उनकी सूचियों में: Meta · StepFun: 7 · Kimi: 5 · DeepSeek: 2
हर AI ने क्या नोट किया 4
- Meta
  इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
- StepFunस्थान 7
  Cognition claims 64% lower cost than the frontier coding model — implying about $1.18 a task — while other arithmetic puts a merged task near $9–$10.
  स्रोत ↗
- Kimiस्थान 5
  $7.90 buys 61.7% task completion with SWE-2 Medium handling the heavy lifting — mid-pack price, top-tier reliability per dollar for delegated tickets.
  स्रोत ↗
- DeepSeekस्थान 2
  68.8 at $0.60 — if you count the FrontierCode run and not the $500/month seat.
4 AI ने इसे यहाँ रखा
स्रोत ↗
8
GPT-6.1 Terra
सबसे सस्ता अच्छा प्रदर्शन: 11.40% शुद्ध सुधार के लिए $0.79 मध्यिका, और प्रति कोडिंग कार्य $1.40, जबकि Opus 5.5 के लिए $17.45।
शामिल किया: ChatGPT, Meta, Grok. शामिल नहीं किया: Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 4 · Meta: 2 · Grok: 1
हर AI ने क्या नोट किया 3
- ChatGPTस्थान 4
  The $0.79 median task cost undercuts Sol's $0.98, but the observed overall improvement signal is lower.
  स्रोत ↗
- Metaस्थान 2
  Cheapest top-10 scorer at $0.96 per task for 48 pts – $0.79 median Arena, 11.4% success, 15.18% steerability
- Grokस्थान 1
  11.40% overall net improvement at a 79-cent median, and $1.40 on a coding task.
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
9
Kimi K3.1 Pro
मध्यिका $1.47 पर 5.29% शुद्ध सुधार (प्रारंभिक): Terra के लाभ का आधे से भी कम, जबकि कीमत लगभग दोगुनी। Toloka को पता चला कि K3 के 41% कार्य केवल कभी-कभी हल हुए।
शामिल किया: Meta, Grok, StepFun. शामिल नहीं किया: ChatGPT, Nemotron, Kimi, DeepSeek, Wenxin.
उनकी सूचियों में: Meta: 6 · Grok: 6 · StepFun: 5
हर AI ने क्या नोट किया 3
- Metaस्थान 6
  #1 open model tie – 5.29% overall, $1.47 median, 6.8 min, 41.4K tokens at $2/$10 per M
  स्रोत ↗
- Grokस्थान 6
  Positive, not cheap-and-empty: 5.29% overall net improvement at $1.47, far behind Terra's 11.40% at 79 cents.
  स्रोत ↗
- StepFunस्थान 5
  $1.03 a median task and it still lands just off the Pareto frontier — the cheapest credible route into top-tier agentic work.
3 AI ने इसे यहाँ रखा
स्रोत ↗
10
GPT-6 Astra
कुल गुणवत्ता में चौथे स्थान पर (14.70%), फिर भी प्रति मध्यिका कार्य $6.16 और कोड पर $15.30; Sonnet 5.5 $3.86 में ज़्यादा काम निपटा देता है।
शामिल किया: ChatGPT, Grok. शामिल नहीं किया: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
उनकी सूचियों में: ChatGPT: 10 · Grok: 8
हर AI ने क्या नोट किया 2
- ChatGPTस्थान 10
  Its $6.16 median task cost and 14.28% confirmed-success signal make it a premium option rather than a general price-performance winner.
  स्रोत ↗
- Grokस्थान 8
  Fourth on overall quality, 14.70%, and already $15.30 before a coding task is done.
  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 आंकड़े अलग-अलग परीक्षणों से आए हैं: एरिना का कुल स्कोर और कोडिंग की मध्यिका, Terminal-Bench, और Coding Agent Index। इनमें हर काम की लागत अलग है, इसलिए इन्हें सिर्फ़ एक ही परीक्षण के भीतर तुलना करें।

1GPT-6.1 Sol (ओपनएआई Codex)

नं. 1 — GPT-6.1 Sol (ओपनएआई Codex). 8 में से 6 AI की सूचियों में; वहाँ मध्य स्थान: 2.5. तीन अलग-अलग तालिकाएं सहमत हैं कि यह सबसे कम पैसे में ठोस नतीजे देता है, हर काम पर लगभग एक डॉलर।

क्या आप जानते हैं

GPT-6.1 Sol एक बार में बहुत बड़ी मात्रा पढ़ सकता है। इसकी सूचीबद्ध संदर्भ विंडो 1,050,000 टोकन है, और यह एक जवाब में 128,000 टोकन तक लिख सकता है। एक ही सत्र में बहुत बड़े कोडबेस को रखने के लिए यह काफ़ी जगह है।
स्रोत ↗

यह क्या है: ओपनएआई का कोडिंग एजेंट Codex, जो GPT-6.1 Sol मॉडल पर चलता है।
इसकी बढ़त: हर तालिका में यह हर काम पर दोनों Claude विकल्पों से कहीं कम खर्च होता है।
किसके लिए सही: कम बजट वाले कोडिंग काम के लिए ठीक है; अगर आपको सबसे ज़्यादा नेट सुधार चाहिए, तो यह उतना उपयुक्त नहीं।

लागत के मुकाबले नेट सुधार12.51% नेट, $0.98 पर

विकिपीडिया · Wikidata

यह यहाँ क्यों है

Terminal-Bench Science 0.1 पर अधिकतम प्रयास में GPT-6.1 Sol का औसत खर्च प्रति काम $5.47 है। उसी हार्नेस पर Claude Opus 5.5 का औसत $23.21 है, यानी Sol पर लगभग एक-चौथाई खर्च होता है।
स्रोत ↗
TechRepublic की अक्टूबर 2026 की तुलना में GPT-6.1 Sol वाले Codex की प्रति काम लागत $1.04 बताई गई है। Sonnet 5.5 वाले Claude Code की सूची में $14.19 है। यह पन्ना खोलकर आंकड़े खुद जांचे नहीं जा सके; ये खोज के सारांश से लिए गए हैं।
स्रोत ↗

क्या आप जानते हैं

इसकी सूचीबद्ध API कीमत प्रति दस लाख इनपुट टोकन $2 और प्रति दस लाख आउटपुट टोकन $10 है। 'सस्ता चुनाव' वाले लेबल के पीछे यही कीमत है, क्योंकि किसी एजेंट का ज़्यादातर खर्च उन टोकन से आता है जिन्हें वह पढ़ता और लिखता है।
स्रोत ↗

इतिहास

मई 2025 में Codex का क्लाउड वर्शन लॉन्च हुआ, पर ओपनएआई के बाहर बहुत कम लोग इसे इस्तेमाल करते रहे। फिर टीम, जिसके पास इसे बनाने के लिए लगभग सात हफ़्ते थे, उन टूल्स की ओर मुड़ी जो आपके अपने कंप्यूटर पर चलते हैं। यही बदलाव आज के Codex की नींव बना।
स्रोत ↗

आगे कहाँ देखें

ओपनएआई की आधिकारिक GPT-6.1 Sol लॉन्च पोस्ट खोलें। पहले बेंचमार्क तालिका पढ़ें, फिर योजना-नोट्स देखें कि कौन-सी Codex योजनाओं में यह मॉडल शामिल है, इसे आज़माने से पहले।
स्रोत ↗

वीडियो: OpenAI Codex Explained for Normal People (“Claude Cowork Killer”) (अंग्रेज़ी में) · Paul J Lipsky

शीर्ष तीन की तुलना करें ↓

2Claude Opus 5.5 (Claude Code)

नं. 2 — Claude Opus 5.5 (Claude Code). 8 में से 6 AI की सूचियों में; वहाँ मध्य स्थान: 6.5. कुल मिलाकर इसे सबसे ज़्यादा नेट सुधार मिलता है, पर हर कोडिंग काम पर कहीं ज़्यादा खर्च आता है और काफ़ी ज़्यादा समय लगता है।

WOTW2026 · CC0 · Wikimedia Commons

क्या आप जानते हैं

Claude Code का rewind हर चीज़ पलटता नहीं। वह सिर्फ़ उन बदलावों पर नज़र रखता है जो Claude के अपने फ़ाइल-संपादन टूल्स से किए गए हों। शेल कमांड से हुए बदलाव, जैसे फ़ाइलें मिटाना या उन्हें दूसरी जगह ले जाना, इसमें शामिल नहीं हैं। चेकपॉइंट सत्रों के बीच बने रहते हैं।
स्रोत ↗

यह क्या है: एंथ्रोपिक का Claude Code एजेंट, जो Opus 5.5 मॉडल पर चलता है।
इसकी बढ़त: तालिका में सबसे ऊंचा नेट सुधार, हालांकि प्रति काम यह सबसे महंगा है।
किसके लिए सही: कठिन और ऊंची कीमत वाले काम के लिए उपयुक्त; आसान कामों या तंग बजट के लिए कम उपयुक्त।

लागत के मुकाबले नेट सुधार20.14% नेट, प्रति काम $17.45

विकिपीडिया · Wikidata

यह यहाँ क्यों है

Artificial Analysis अपने Coding Agent Index में Opus 5.5 वाले Claude Code को 62 पर रखता है। यही इसका महंगा पहलू है: प्रति काम $11.42 और प्रति काम 1.0 घंटा।
स्रोत ↗
Terminal-Bench Science 0.1 पर Claude Opus 5.5 का औसत प्रति काम $23.21 है। उसी परीक्षण पर GPT-6.1 Sol का औसत $5.47 है, यानी Opus का खर्च चार गुने से भी ज़्यादा है।
स्रोत ↗

इतिहास

Claude Code फ़रवरी 2025 में सीमित रिसर्च प्रीव्यू के रूप में शुरू हुआ, जो Claude 3.7 Sonnet मॉडल के साथ जारी हुआ।
स्रोत ↗

ध्यान रखें

जब इरादा साफ़ न हो या संदर्भ अधूरा हो, तो ऑटो मोड अब भी असुरक्षित कार्रवाइयों को मंज़ूरी दे सकता है, और हानिरहित कार्रवाइयों को भी रोक सकता है। हर कार्रवाई पर एक अतिरिक्त समीक्षा चरण लगता है, जिससे देरी हो सकती है और समय के साथ टोकन का खर्च बढ़ सकता है।
स्रोत ↗
एंथ्रोपिक सुझाता है कि ऑटो मोड अलग-थलग वातावरण में चलाया जाए, ख़ासकर संवेदनशील कोड के लिए। व्यवहार में इसे एक सहायक मानें जिस पर नज़र रखी जाए, ऐसा नहीं जिसे अकेला छोड़ दिया जाए।
स्रोत ↗

आगे कहाँ देखें

अनुमति मोड्स का पन्ना खोलें, यह देखने के लिए कि हर मोड Claude Code को बिना पूछे क्या करने देता है। पहले ऑटो मोड वाला हिस्सा पढ़ें, क्योंकि अब यही शुरुआती मोड है।
स्रोत ↗

वीडियो: Every Claude Code Concept Explained for Normal People (अंग्रेज़ी में) · Simon Scrapes

शीर्ष तीन की तुलना करें ↓

3Claude Sonnet 5.5 (Claude Code)

नं. 3 — Claude Sonnet 5.5 (Claude Code). 8 में से 5 AI की सूचियों में; वहाँ मध्य स्थान: 5. पुष्ट कोडिंग सफलता में यह Opus के बराबर है, और प्रति काम लगभग आधी कीमत पर, इसलिए इसका ज़्यादातर मूल्य बना रहता है।

WOTW2026 · CC0 · Wikimedia Commons

यह क्या है: एंथ्रोपिक का Claude Code एजेंट, जो सस्ते Sonnet 5.5 मॉडल पर चलता है।
इसकी बढ़त: पुष्ट कोडिंग सफलता में Opus के बराबर, पर प्रति काम कहीं कम पैसे में।
किसके लिए सही: उन Claude उपयोगकर्ताओं के लिए ठीक है जिन्हें बजट में भरोसेमंद नतीजे चाहिए; सबसे सस्ते कामों के लिए उतना उपयुक्त नहीं।

लागत के मुकाबले नेट सुधार15.42% नेट, $3.86 पर

विकिपीडिया · Wikidata

यह यहाँ क्यों है

Artificial Analysis Claude Sonnet 5.5 को Opus 5.5 के साथ Claude Code के एक रूप के तौर पर सूचीबद्ध करता है। Opus 5.5 की व्यवस्था प्रति काम $11.42 और प्रति काम 1.0 घंटे पर दिखाई गई है। इस पन्ने पर Sonnet का अपना लागत आंकड़ा नहीं दिया गया है।
स्रोत ↗
Vellum के लेख के अनुसार AutomationBench पर Claude Sonnet 5.5 का औसत प्रति काम $1.14 रहा। यह कोडिंग से अलग परीक्षण है, इसलिए यह बस इतना दिखाता है कि कुछ कामों में Sonnet सस्ता पड़ सकता है।
स्रोत ↗

वीडियो: Every Claude Code Concept Explained for Normal People (अंग्रेज़ी में) · Simon Scrapes

शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

	GPT-6.1 Sol (ओपनएआई Codex)	Claude Opus 5.5 (Claude Code)	Claude Sonnet 5.5 (Claude Code)
AI सूचियों में	6 / 8	6 / 8	5 / 8
लागत के मुकाबले नेट सुधार	12.51% नेट, $0.98 पर	20.14% नेट, प्रति काम $17.45	15.42% नेट, $3.86 पर
पहला स्थान दिया	Meta, Kimi	—	—

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

03जानने योग्य

सूची बनाते समय AI ने क्या देखा।

कोडिंग कार्य और चैट कार्य अलग-अलग खरीदारी हैं: कोड पर Opus 5.5 की मध्यिका $17.45 और 39.3 मिनट है, जबकि चैट पर $3.68 और 10.4 मिनट; Terra की कोड पर $1.40 और चैट पर $0.58।

किसने देखा:

शामिल किया: Grok. शामिल नहीं किया: ChatGPT, Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.

स्रोत ↗

फेल हुए कामों, गलत टूल कॉल या इंसानी मदद से ठीक किए गए काम की डॉलर लागत कोई प्रकाशित नहीं करता। Arena के टूल-गढ़ंत और bash आँकड़े शुद्ध सुधार हैं, विफल कामों की रसीद नहीं।

किसने देखा:

शामिल किया: ChatGPT, Grok, StepFun, DeepSeek. शामिल नहीं किया: Meta, Nemotron, Kimi, Wenxin.

स्रोत ↗

Arena की अपनी सतहों पर एक ही मॉडल की लागत अलग दिखती है: Opus 5.5 $6.80 (Pareto), $8.93 (कार्य बोर्ड) और $12.51 (लागत पोस्ट) पर; Sol $0.56 और $1.91 पर।

किसने देखा:

शामिल किया: StepFun. शामिल नहीं किया: ChatGPT, Meta, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

स्रोत ↗

HAL चेतावनी देता है कि नेस्टेड ट्रेस स्पैन वाले रनों के लिए इसकी GAIA लागत ठीक 2 गुना बढ़ाकर बताई गई है, फिर भी Claude Sonnet 4.5 की पंक्ति 74.55% के लिए $178.20 दिखाती है।

किसने देखा:

शामिल किया: ChatGPT, Meta, Grok, Kimi, DeepSeek. शामिल नहीं किया: Nemotron, StepFun, Wenxin.

स्रोत ↗

04हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

शीर्ष 10 AI एजेंट जो प्रति डॉलर सबसे ज़्यादा असली काम करते हैं

2यह विषय क्यों

प्राइसिंग पन्ने और लीडरबोर्ड हर एक केवल आधी तस्वीर दिखाते हैं। यह हर कार्य-प्रकार के लिए सफलता, लागत और समय को एक पैमाने पर रखता है, ताकि पाठक देख सकें कि असल में कौन-सा एजेंट सस्ता सौदा है।

3यह कहाँ लागू होता है

वैश्विक: AI कोडिंग एजेंट, कंप्यूटर-उपयोग सहायक और सामान्य कार्य एजेंट

4हमने किन बातों पर ध्यान दिया

पूरे हुए उपयोगकर्ता लक्ष्यों पर सत्यापित कार्य-सफलता, डेमो पर नहीं
प्रति कार्य असली मध्यिका लागत, जहाँ बताया गया हो वहाँ मॉडल और टूल उपयोग सहित
तुलनीय कार्य पूरे करने में लगा समय
विफलता और दोबारा काम का बोझ: गलत टूल कॉल, गढ़े गए ऑपरेशन, वे कार्य जिन्हें इंसान को सँभालना पड़ा
अंतिम क्रम: प्रति डॉलर सत्यापित उपयोगी काम, समय और विश्वसनीयता के हिसाब से समायोजित, कोडिंग, रिसर्च और ब्राउज़र कार्यों के लिए अलग दिखाया गया, हर तुलना का दायरा बताते हुए
Arena: Agent Arena समग्र (4 नवंबर 2026) — लगभग 2.76M सत्रों पर 58 मॉडलों के लिए शुद्ध सुधार, पुष्ट सफलता और प्रति कार्य वास्तविक मध्यिका लागत व समय; ‘शुद्ध सुधार’ एक कारण-प्रभाव माप है
Arena: Agent Arena कोड बोर्ड — 912,449 कोडिंग सत्रों पर वही संकेत
aiplans.dev: Coding Agent Index v1.5 (13 अक्टूबर 2026) — DeepSWE, Terminal-Bench 4.0 और SWE-Atlas-QnA पर Pass@1, हर एजेंट उत्पाद के लिए प्रति कार्य मापी गई लागत और समय के साथ

5रैंक किसने दी

अग्रणी AI: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin। 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।

01अंतिम सूची

GPT-6.1 Sol (ओपनएआई Codex)

Claude Opus 5.5 (Claude Code)

Claude Sonnet 5.5 (Claude Code)

Gemini 4 Argon

Gemini 4 Carbon

DeepSeek V4.1 Flash

Devin (कॉग्निशन)

GPT-6.1 Terra

Kimi K3.1 Pro

GPT-6 Astra

02शीर्ष तीन के बारे में और

1GPT-6.1 Sol (ओपनएआई Codex)

क्या आप जानते हैं

2Claude Opus 5.5 (Claude Code)

क्या आप जानते हैं

3Claude Sonnet 5.5 (Claude Code)

शीर्ष तीन आमने-सामने

और रैंकिंग

03जानने योग्य

04हमने कैसे गिना

1सवाल

2यह विषय क्यों

3यह कहाँ लागू होता है

4हमने किन बातों पर ध्यान दिया

5रैंक किसने दी

6स्थान कैसे तय हुए