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 विश्वसनीयता रैंकिंग 2026: भरोसे के लायक शीर्ष 10 एजेंट

प्रिंसटन विश्वविद्यालय का ट्रैकर नए Claude Opus 4.7 को Opus 4.5 से ज़्यादा सटीक मानता है (79.0% बनाम 74.6%), लेकिन थोड़ा कम विश्वसनीय (0.86 बनाम 0.87)। यानी एजेंट ज़्यादा सक्षम तो हुए हैं, पर उनका व्यवहार अब भी बहुत अनुमानित नहीं है।

  • नंबर 1: Claude Code (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 Code (Claude Opus 5.5)

    Arena में सबसे ज़्यादा शुद्ध सुधार (20.14%), साथ में दस्तावेज़ीकृत अनुमति-मोड और रिवाइंड। लेकिन अब Auto डिफ़ॉल्ट मोड है, और एंटरप्राइज़ ऑडिट इवेंट टूल कॉल छोड़ देते हैं।

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

    उनकी सूचियों में: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    हर AI ने क्या नोट किया 6
    • ChatGPTस्थान 1

      The strongest observed task-completion signal meets unusually tangible human controls: 20.75% confirmed success, plus permission modes, diffs and rewind.

      स्रोत ↗
    • Metaस्थान 4

      21.15% confirmed success #1 overall in 2.7M sessions – 42.91% net positive but $6.79 and 18.7 min

      स्रोत ↗
    • Grokस्थान 1

      Highest Arena net improvement, 20.14% overall, and a permission switch that can still make it stop.

      स्रोत ↗
    • StepFunस्थान 1

      The only agent that is #1 on a real-world board of millions of sessions and still hands you a permission file you can read before it touches your disk.

      स्रोत ↗
    • Kimiस्थान 1

      The most reliable agent Princeton measured (73% outcome consistency, the best score anyone has) also ships the most enforceable brakes: deny-rules that fire before any permission mode and per-command allowlists — tested, not just claimed.

    • DeepSeekस्थान 1

      HAL's most reliable model lives here, but its audit trail still loses subagent tool calls.

    6 AI ने इसे यहाँ रखा
  2. 2

    ChatGPT Work (पहले ChatGPT agent)

    खरीदने, भेजने या मिटाने से पहले पूछता है, और संवेदनशील लॉगिन आपको वापस सौंप देता है। उत्पाद-स्तर की कोई सफलता-दर मौजूद नहीं है, और ओपनएआई के Atlas ब्राउज़र को बिना क्लिक वाले हाइजैक हमले से तोड़ा गया।

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

    उनकी सूचियों में: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    हर AI ने क्या नोट किया 5
    • ChatGPTस्थान 4

      The meaningful safeguard is the handoff: users can take over the browser for sensitive logins instead of giving the agent their password.

      स्रोत ↗
    • Metaस्थान 1

      20.77% confirmed success in chat, $3.68 and 10.4 min median – safest first agent that asks before key steps, tested

    • Grokस्थान 5

      The old Agent mode is gone; the replacement is described as asking before a purchase, a send or a delete.

    • Kimiस्थान 2

      Runs everything on a disposable cloud VM and is trained to ask before any action with real-world consequences — and OpenAI models hold the top five places on Arena's Alignment Index for not taking unauthorized actions.

      स्रोत ↗
    • DeepSeekस्थान 3

      17/20 in browser tests, but its strongest audit record is an enterprise add-on, not the default.

      स्रोत ↗
    5 AI ने इसे यहाँ रखा
  3. 3

    गूगल Gemini एजेंट (Gemini 4 Carbon, Computer Use, Gemini CLI)

    Arena पर निर्देशों पर चलने की सबसे अच्छी क्षमता (19.32%), प्रति टास्क $1.69 पर। लेकिन स्क्रीनशॉट वाले prompt-injection की जाँच बंद करके भेजी जाती है, और Gemini CLI का सैंडबॉक्स उपयोगकर्ता को खुद सेट करना पड़ता है।

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

    उनकी सूचियों में: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    हर AI ने क्या नोट किया 5
    • ChatGPTस्थान 3

      Only $1.69 per median task and 18.04% confirmed success; the critical catch is that some local safety protections require configuration.

      स्रोत ↗
    • Metaस्थान 3

      Best steerability 19.32% and lowest hallucination 0.51% in top 5, with 16.72% confirmed success for $1.69

      स्रोत ↗
    • Grokस्थान 4

      Best steerability on the live board, 19.32%, while screenshot injection checks ship off.

      स्रोत ↗
    • StepFunस्थान 3

      Carbon is #3 on confirmed success at 18.02% for $1.69–$1.80 a task, and it is the one consumer agent that stops to ask before sending messages or buying things.

      स्रोत ↗
    • Kimiस्थान 3

      Tied for the best reliability score Princeton measured (85%) — yet the same study found it avoids catastrophic mistakes only 25% of the time, which is exactly why its browser agent makes you watch it work.

      स्रोत ↗
    5 AI ने इसे यहाँ रखा
  4. 4

    ओपनएआई Codex

    इसका सैंडबॉक्स ऑपरेटिंग सिस्टम लागू करता है: नेटवर्क डिफ़ॉल्ट रूप से बंद, और वर्कस्पेस से बाहर जाने के लिए मंज़ूरी चाहिए। Arena पर इसके मॉडल पीछे हैं: GPT-6 Astra 14.70% बनाम Opus 5.5 का 20.14%।

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

    उनकी सूचियों में: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    हर AI ने क्या नोट किया 4
    • ChatGPTस्थान 7

      The median observed task costs $0.98 rather than Astra's $6.16, while the same Codex product can enforce workspace and network boundaries.

      स्रोत ↗
    • Grokस्थान 2

      The sandbox is an operating-system wall, so a model that wants the network can still be refused.

      स्रोत ↗
    • StepFunस्थान 2

      Astra is 4th on confirmed success while Sol does near-identical work at $0.56 a task — both behind a sandbox you can seal shut and a three-level approval dial.

      स्रोत ↗
    • DeepSeekस्थान 2

      Ships with the network off and a $1.92 task price — control and cost in one coding agent.

    4 AI ने इसे यहाँ रखा
  5. 5

    Devin (कॉग्निशन)

    सैंडबॉक्स्ड वर्चुअल मशीनों (VM) में चलता है, डिप्लॉय के लिए मंज़ूरी चाहिए। लेकिन गिटहब की अनुमतियाँ पूरे संगठन पर लागू होती हैं, कोई बाहरी ऑडिट ट्रेल दस्तावेज़ीकृत नहीं है, और तीसरे पक्ष के कोडिंग स्कोर बोर्ड के हिसाब से 61.7% से 70.4% तक हैं।

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

    उनकी सूचियों में: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    हर AI ने क्या नोट किया 4
    • Metaस्थान 5

      75.8% SWE-bench Verified official, 96.4% on vals.ai neutral – Pro $20/mo, security profiles in managed VM

    • StepFunस्थान 6

      Autonomy with rollback: sandboxed machines you can snapshot — but third-party arithmetic puts a merged task near $9–$10, so the control is good and the bill is not.

      स्रोत ↗
    • Kimiस्थान 7

      The original 'AI software engineer' now shows up in third-party harnesses at 61.7% on real engineering tasks for $7.90 a task — decent, but its autonomy still needs a human reviewing every merge.

      स्रोत ↗
    • DeepSeekस्थान 7

      70.4% DeepSWE at $1.40, but org-level permissions and no public audit trail.

    4 AI ने इसे यहाँ रखा
  6. 6

    Microsoft Copilot Studio और Microsoft 365 Copilot एजेंट

    सबसे मज़बूत गवर्नेंस ट्रेल (Purview ऑडिट, हर एजेंट की Entra ID), फिर भी ZDNet ने पाया कि इसके प्रीमियम एजेंट ‘आत्मविश्वास से ग़लत’ हैं, और Edge में Copilot भी उसी zero-click हाइजैक का शिकार हुआ।

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

    उनकी सूचियों में: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    हर AI ने क्या नोट किया 4
    • ChatGPTस्थान 6

      An enterprise agent can be easier to govern than to benchmark: Purview records administrative and interaction events, but that is not proof of successful task execution.

      स्रोत ↗
    • Metaस्थान 10

      25,000 Copilot Credits for $200/mo – $2 per conversation or $0.10 per action, enterprise audit trail, human approve

      स्रोत ↗
    • StepFunस्थान 7

      The strongest enterprise governance story of the group — and one of the three browser agents broken by a zero-click 'PleaseFix' hijack.

      स्रोत ↗
    • DeepSeekस्थान 9

      Best-in-class identity and audit — and a hands-on test that called the output confidently bad.

    4 AI ने इसे यहाँ रखा
  7. 7

    Manus

    हर ब्राउज़र सत्र आप खुद अधिकृत करते हैं और टैब बंद करके रोकते हैं। कठिन वेब कामों पर यह 8.0% बार पूरी तरह सफल होता है, और इसका 86.5% GAIA दावा स्वतंत्र रूप से 73.4% मापा गया।

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

    उनकी सूचियों में: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    हर AI ने क्या नोट किया 4
    • Metaस्थान 6

      General autonomous in cloud Ubuntu VM – 300 daily free credits, SOC 2 Type 2, but SilentBridge hijack CVSS 9.8 Feb 2026

    • StepFunस्थान 4

      You authorize every browser session and stop the agent by closing the tab — the rare consumer agent whose stop button is a real one, not a setting.

      स्रोत ↗
    • Kimiस्थान 6

      Claims a GAIA score of 86.5% that no independent harness has reproduced — third-party runs put it at 73.4%, and its agent controls lag its ambitions.

      स्रोत ↗
    • DeepSeekस्थान 10

      A 10-second undo window is useful; 8% full success on hard web tasks is not enough to trust it alone.

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
  8. 8

    Cursor एजेंट

    कोडिंग में मज़बूत, पर एक prompt injection के कारण इसने बिना मंज़ूरी माँगे एक दुर्भावनापूर्ण .cursor/mcp.json लिख दिया। 2026 की दो सुरक्षा कमज़ोरियाँ (CVE): एक गंभीर लॉगिन-बाईपास और एक सैंडबॉक्स से बाहर निकलने की खामी।

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

    उनकी सूचियों में: Meta: 7 · StepFun: 10 · DeepSeek: 6

    हर AI ने क्या नोट किया 3
    • Metaस्थान 7

      Daily driver for 57% in production teams – background agent at $20/mo, fast inline, permission mode Ask

      स्रोत ↗
    • StepFunस्थान 10

      A prompt injection got its agent to write a malicious .cursor/mcp.json with no approval prompt — the clearest single reason control outranks capability in this ranking.

    • DeepSeekस्थान 6

      69.3% at $0.44 — but two 2026 CVEs show cheap speed can widen the attack surface.

    3 AI ने इसे यहाँ रखा
  9. 9

    Perplexity Comet

    आपके लॉग-इन सत्रों के भीतर एजेंटिक ब्राउज़िंग, बिना पक्की पुष्टि के। ट्रेल ऑफ बिट्स ने इसकी जाँच की, ब्रेव ने काम के बीच में इसे हाइजैक किया, और PleaseFix zero-click हमला इस पर भी चल गया।

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

    उनकी सूचियों में: Meta: 9 · StepFun: 9

    हर AI ने क्या नोट किया 2
    • Metaस्थान 9

      Cited research agent – cited as top for research tasks in 26.5% customer service + 24.4% research mix

    • StepFunस्थान 9

      Trail of Bits threat-modelled it and Brave hijacked it: agentic browsing that acts inside your logged-in sessions without a hard confirmation gate.

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
  10. 10

    गिटहब Copilot कोडिंग एजेंट

    हर ऑडिट एंट्री पर actor_is_agent का निशान लगाता है और लॉग 180 दिन रखता है; अध्ययन किए गए 2,194 PR में से 68.0% स्वीकार हुए। इसे परखने वाला केवल एक AI था।

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

    उनकी सूचियों में: DeepSeek: 4

    हर AI ने क्या नोट किया 1
    • DeepSeekस्थान 4

      The agent that logs who it acts for — actor_is_agent in every audit entry — but its PR acceptance sits at 68%, not the top.

      स्रोत ↗
    1 AI ने इसे यहाँ रखा

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।

तीनों को अलग-अलग तरीके से मापा गया है: Claude Code का एरिना नेट सुधार 20.14% है, Gemini एजेंट्स की एरिना स्टीयरेबिलिटी 19.32% है, और ChatGPT Work के पास उत्पाद-स्तर की सफलता दर नहीं है।

1Claude Code (Claude Opus 5.5)

नं. 1 — Claude Code (Claude Opus 5.5). 8 में से 6 AI की सूचियों में; वहाँ मध्य स्थान: 1. AI ने इसे सबसे अच्छे एरिना नेट सुधार के लिए पहला स्थान दिया है, साथ ही अनुमति मोड और रीवाइंड, जो आपको असली नियंत्रण देते हैं।

क्या आप जानते हैं

  • Claude Code का रीवाइंड सब कुछ वापस नहीं करता। यह केवल उन बदलावों को ट्रैक करता है जो Claude के अपने फ़ाइल-संपादन टूल से किए गए हों। शेल कमांड से किए गए बदलाव, जैसे फ़ाइलें मिटाना या उन्हें स्थानांतरित करना, इसमें शामिल नहीं होते। चेकपॉइंट सत्रों के बीच भी बचे रहते हैं।

यह क्या है
एक कोडिंग एजेंट जो आपके टर्मिनल में काम करता है और आपकी फ़ाइलें संपादित करता है।
इसकी बढ़त
इसका एरिना नेट सुधार सबसे ऊँचा है, और रीवाइंड के साथ इसके अनुमति मोड साफ़ हैं।
किसके लिए सही
उन डेवलपर्स के लिए ठीक है जो इसपर नज़र रखेंगे; इसे अकेला छोड़ने के लिए नहीं, क्योंकि शुरुआती मोड ऑटो है।

विकिपीडिया · Wikidata

यह यहाँ क्यों है
  • Opus 5.5 की कीमत प्रति मिलियन इनपुट टोकन $4 और प्रति मिलियन आउटपुट टोकन $20 है, जो Opus 5 से लगभग 20% कम है। चलाने की कम लागत इसके व्यावहारिक मूल्य के स्कोर में मदद करती है।

इतिहास
  • Claude Code फ़रवरी 2025 में एक सीमित रिसर्च प्रीव्यू के रूप में शुरू हुआ था, जो Claude 3.7 Sonnet मॉडल के साथ जारी हुआ।

ध्यान रखें
  • अस्पष्ट इरादे या संदर्भ न होने पर, ऑटो मोड फिर भी असुरक्षित कार्रवाइयों को मंज़ूरी दे सकता है, और हानरहित कार्रवाइयों को रोक भी सकता है। हर कार्रवाई को एक अतिरिक्त समीक्षा चरण से गुज़रना पड़ता है, जिससे देरी हो सकती है और समय के साथ ज़्यादा टोकन खर्च हो सकते हैं।

  • Anthropic की सिफ़ारिश है कि ऑटो मोड अलग-थलग वातावरण में चलाया जाए, खासकर संवेदनशील कोड के लिए। व्यवहार में, इसे एक सहायक मानें जिस पर नज़र रखी जाए, न कि ऐसी चीज़ जिसे अकेला छोड़ा जा सके।

आगे कहाँ देखें
  • यह देखने के लिए अनुमति मोड वाला पेज खोलें कि हर मोड Claude Code को बिना पूछे क्या करने देता है। पहले ऑटो मोड वाला हिस्सा पढ़ें, क्योंकि अब यही शुरुआती मोड है।

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

शीर्ष तीन की तुलना करें ↓

2ChatGPT Work (पहले ChatGPT agent)

नं. 2 — ChatGPT Work (पहले ChatGPT agent). 8 में से 5 AI की सूचियों में; वहाँ मध्य स्थान: 3. AI को यह पसंद है कि यह खरीदने, भेजने या मिटाने से पहले पूछता है, और संवेदनशील लॉगिन आपको वापस सौंप देता है।

क्या आप जानते हैं

  • जब ChatGPT के एजेंट को लॉगिन चाहिए होता है, तो वह रुककर आपसे कहता है कि उसका वर्चुअल ब्राउज़र आप संभाल लें। जब आप उसे नियंत्रित कर रहे हों, तब ChatGPT वे पासवर्ड या संवेदनशील डेटा दर्ज नहीं करता जो आप टाइप करते हैं। उपयोग-सीमा में केवल आपका पहला अनुरोध गिना जाता है।

यह क्या है
ओपनएआई का एजेंट, जो क्लाउड ब्राउज़र में आपके लिए वेब के काम करता है।
इसकी बढ़त
जोखिम भरे कदमों से पहले यह पहले पूछता है, और लॉगिन के लिए आपको नियंत्रण लेने देता है।
किसके लिए सही
सावधान शुरुआती लोगों के लिए ठीक है जो जाँच चाहते हैं; उनके लिए नहीं जिन्हें सिद्ध सफलता दर चाहिए।

Wikidata

यह यहाँ क्यों है
  • सुरक्षा शोधकर्ताओं ने ओपनएआई के Atlas ब्राउज़र पर दो हमले दिखाए, जिनमें उपयोगकर्ता की ओर से एक भी क्लिक नहीं चाहिए था। एक्स पर एक अकेली छिपाई गई टिप्पणी इसे हाइजैक कर सकती थी। ओपनएआई ने 17 फ़रवरी 2026 को इस रिपोर्ट की पावती दी।

  • Atlas के अपने निर्देश उसे आपकी ओर से कोई संदेश भेजने से पहले रुककर पूछने को कहते हैं। शोधकर्ताओं ने उसके आख़िरी खरीद बटन से आगे निकलने की कोशिश में "दो-एक दिन" लगाए। इसीलिए यह उपयोगकर्ता नियंत्रण में ऊँचा स्थान पाता है।

इतिहास
  • ओपनएआई का Operator एजेंट जनवरी 2025 में जारी हुआ। जुलाई 2025 में ओपनएआई ने ChatGPT agent जारी किया, जो बहु-चरणीय कार्य कर सकता है।

ध्यान रखें
  • समीक्षक को पता चला कि यह एजेंट अक्सर वही कार्रवाइयाँ दोहराते हुए फँस जाता था और समय बर्बाद करता था, उदाहरण के लिए क्लिक में देरी होने के बाद। यह निर्देशों का बहुत शाब्दिक पालन भी करता था, इसलिए कभी-कभी किसी व्यक्ति को बीच में आना पड़ता था।

आगे कहाँ देखें
  • पढ़ें कि क्लाउड ब्राउज़र खरीदने, बुक करने या भुगतान से पहले कैसे पुष्टि माँगता है, और साइन-इन के लिए आप नियंत्रण कैसे लेते हैं। उन्हीं दो हिस्सों से शुरू करें।

Meta ने इसे पहला स्थान दिया। उन्होंने इसमें क्या देखा
  • Meta: 20.77% confirmed success in chat, $3.68 and 10.4 min median – safest first agent that asks before key steps, tested

वीडियो: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (अंग्रेज़ी में) · Futurepedia

शीर्ष तीन की तुलना करें ↓

3गूगल Gemini एजेंट (Gemini 4 Carbon, Computer Use, Gemini CLI)

नं. 3 — गूगल Gemini एजेंट (Gemini 4 Carbon, Computer Use, Gemini CLI). 8 में से 5 AI की सूचियों में; वहाँ मध्य स्थान: 3. AI इसे कम कीमत प्रति कार्य पर सबसे अच्छी एरिना स्टीयरेबिलिटी का श्रेय देते हैं, पर इसकी सुरक्षा जाँच को सेटअप की ज़रूरत है।

क्या आप जानते हैं

  • Gemini CLI पूरी तरह ओपन सोर्स है, Apache 2.0 के तहत, ताकि कोई भी उसका कोड पढ़ सके। इसकी मुफ़्त व्यक्तिगत पहुँच 18 जून 2026 को एक अलग टूल, Antigravity CLI, पर चली गई।

    स्रोत ↗ ✓ कई AI ने पुष्टि की
यह क्या है
गूगल के एजेंट्स का परिवार: एक ब्राउज़र एजेंट और एक ओपन-सोर्स कमांड-लाइन टूल।
इसकी बढ़त
इसकी सबसे अच्छी एरिना स्टीयरेबिलिटी है, और प्रति कार्य कम लागत।
किसके लिए सही
प्रयोग करने वालों के लिए ठीक है जो सैंडबॉक्स चालू करेंगे; उनके लिए नहीं जो सुरक्षित डिफ़ॉल्ट चाहते हैं।
ध्यान रखें
  • इंस्टॉल होने के बाद, Gemini CLI डिफ़ॉल्ट रूप से बिना सैंडबॉक्स के चलता है, और वह उपयोगकर्ताओं को इसकी चेतावनी देता है। अगर सैंडबॉक्स चालू होता, तो शोधकर्ता का खोजा हुआ हमला रुक जाता।

आगे कहाँ देखें
  • Gemini CLI सैंडबॉक्सिंग गाइड खोलें और सीखें कि कमांड चलाने से पहले फ़्लैग, एनवायरनमेंट वेरिएबल या सेटिंग्स फ़ाइल से सैंडबॉक्स कैसे चालू करें।

शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

Claude Code (Claude Opus 5.5)ChatGPT Work (पहले ChatGPT agent)गूगल Gemini एजेंट (Gemini 4 Carbon, Computer Use, Gemini CLI)
AI सूचियों में6 / 85 / 85 / 8
पहला स्थान दियाChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

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।

दो साल तक सटीकता बढ़ी, पर विश्वसनीयता लगभग नहीं हिली: Claude Opus 4.7 की सटीकता 79.0% और विश्वसनीयता 0.86 है, Opus 4.5 की 74.6% और 0.87। अध्ययन के पिछले संस्करण (फ़ॉर्च्यून, मार्च) में 85% विश्वसनीयता और अधिकतम 73% परिणाम-स्थिरता बताई गई थी, जो अलग पैमाना है।

किसने देखा:
शामिल किया: Meta, Grok, StepFun, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Nemotron, Wenxin.
स्रोत ↗

Arena का ‘पुष्ट सफलता’ आँकड़ा एक आधार-रेखा के मुकाबले कारण-आधारित शुद्ध सुधार है, पूरे हुए कामों का हिस्सा नहीं। Opus 5.5 का 21.15% यह नहीं दर्शाता कि उसके 79% काम विफल हुए।

किसने देखा:
शामिल किया: ChatGPT, Grok. शामिल नहीं किया: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
स्रोत ↗

Zero-click ‘PleaseFix’ हमले Comet, ChatGPT Atlas और Copilot Edge को लगे। अलग से, BioShocking क्रेडेंशियल-चोरी हमले के खिलाफ Claude for Chrome का पैच टिका नहीं।

किसने देखा:
शामिल किया: StepFun, DeepSeek. शामिल नहीं किया: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
स्रोत ↗

वापसी (undo) स्थानीय है: Claude Code का rewind और Gemini CLI के checkpoints प्रोजेक्ट फ़ाइलें वापस लाते हैं, भेजे गए ईमेल, किए गए भुगतान या दूसरी बाहरी कार्रवाइयाँ नहीं।

किसने देखा:
शामिल किया: ChatGPT. शामिल नहीं किया: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
स्रोत ↗

35 ब्राउज़र एजेंटों में से, जो बहु-चरणीय कार्य पूरा होने का दस्तावेज़ देते हैं, 51% ऐसी कोई पुष्टि-चरण नहीं दिखाते जो उन कार्रवाइयों से पहले हो जिन्हें पलटा नहीं जा सकता।

किसने देखा:
शामिल किया: DeepSeek. शामिल नहीं किया: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
स्रोत ↗

04हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

शीर्ष 10 AI एजेंट जिन पर आप अपनी ओर से काम छोड़ सकते हैं, सिर्फ़ जवाब देने वाले नहीं

2यह विषय क्यों

यह हर लीडरबोर्ड के तीन सवालों को अलग करता है जिन्हें वे एक में मिला देते हैं: क्या यह काम कर सकता है, क्या यह अनुमानित ढंग से व्यवहार करेगा, और क्या इसका मालिक इसे रोक सकता है। इससे टैन के सवाल का सीधा जवाब मिलता है।

3यह कहाँ लागू होता है

वैश्विक: उपभोक्ता और एंटरप्राइज़ AI एजेंट जो टूल इस्तेमाल करते हैं, ब्राउज़ करते हैं, फ़ाइलें बदलते हैं, कोड चलाते हैं या उपयोगकर्ता की ओर से कार्रवाई करते हैं (फ़ोन, डेस्कटॉप, ब्राउज़र, बिज़नेस ऐप)

4हमने किन बातों पर ध्यान दिया

  • असली कार्य-सफलता: बहु-चरणीय कामों पर स्वतंत्र रूप से मापी गई सफलता (25%)
  • विश्वसनीयता और सुरक्षा: स्थिरता, पूर्वानुमेयता, मज़बूती, हेरफेर के प्रति प्रतिरोध और टूल का मनगढ़ंत इस्तेमाल (35%)
  • उपयोगकर्ता का नियंत्रण: अनुमति की सीमाएँ, नतीजे वाली कार्रवाई से पहले पुष्टि, ऑडिट ट्रेल, रोकना और वापस लेना (30%); हर उत्पाद को हाथ से जाँचा गया और ‘परखा गया’ या ‘विक्रेता का दावा’ चिह्नित किया गया
  • व्यावहारिक मूल्य: लागत और समय के मुकाबले पूरे हुए काम (10%)
  • केवल वे एजेंट रैंक किए गए जिनके पास पर्याप्त सार्वजनिक प्रमाण हैं
  • प्रिंसटन विश्वविद्यालय: HAL Reliability Tracker — 12 मापदंडों (स्थिरता, पूर्वानुमेयता, मज़बूती, सुरक्षा) पर 15 एजेंट, कार्य-सटीकता के साथ, GAIA और τ-bench एयरलाइन उप-समूह पर
  • Arena: Agent Arena लीडरबोर्ड (3–4 नवंबर 2026) — 58 ऑर्केस्ट्रेटर मॉडलों के लिए शुद्ध सुधार, पुष्ट सफलता, निर्देश-पालन, bash की विश्वसनीयता, टूल का मनगढ़ंत इस्तेमाल, मध्यिका लागत और समय — लगभग 2।
  • Arena: Agent Arena पद्धति — पुष्ट सफलता और शुद्ध सुधार पूरे किए गए कामों के हिस्से नहीं, बल्कि आधार-रेखा के मुकाबले कारण-प्रभाव मापन हैं

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।