आज के ट्रेंड पर वापस: मेटा का AI सहायक, जो आपके लिए काम करता है, अब आपकी घड़ी में भी आ गया है

Poly रेटिंग · आज के ट्रेंड से

सर्वश्रेष्ठ AI एजेंट बेंचमार्क 2026: प्रति डॉलर शीर्ष 10 एजेंट

प्रिंसटन विश्वविद्यालय के स्वतंत्र GAIA पुनः-परीक्षणों में Claude Opus 4.1 High ने $562 खर्च करके 68.48% स्कोर किया, जबकि Claude Sonnet 4.5 ने $178 में 74.55% स्कोर किया।

नंबर 1: Claude Sonnet 4.5 (HAL Generalist Agent)
10 स्थान
11 नवंबर 2026, 21:07 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
Claude Sonnet 4.5 (HAL Generalist Agent)
सत्यापित GAIA स्कोर में सबसे ऊँचा (74.55%) और लेवल 3 में भी सबसे ऊँचा (65.39%), $178.20 प्रति रन में। HAL इसे पैरेटो-ऑप्टिमल (सबसे अच्छा संतुलन) मानता है। Opus 4.1 High 3 गुना महँगा है और उसका स्कोर कम है।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 1 · ChatGPT: 1 · Kimi: 1
हर AI ने क्या नोट किया 3
- Claudeस्थान 1
  एकमात्र रन जिसने कुल मिलाकर 74% और लेवल 3 पर 65% पार किया, लगभग $1.45 प्रति हल किए सवाल पर। HAL इसे पारेटो-ऑप्टिमल बताता है।
- ChatGPTस्थान 1
  इसने $178.20 में पूरे रन में वैलिडेशन सेट के लगभग तीन-चौथाई सवाल हल किए, और लेवल 3 पर 65.39% के साथ इस सूची में सबसे आगे है।
  स्रोत ↗
- Kimiस्थान 1
  बोर्ड पर सत्यापित सबसे ऊँची सटीकता (74.55%) और सबसे कठिन स्तर का सबसे ऊँचा स्कोर (65.4%), प्रति कार्य लगभग एक डॉलर में।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
2
Claude 3.7 Sonnet High (HAL Generalist Agent)
फ़रवरी 2025 का मॉडल, जो $122.49 में कुल मिलाकर 64.24% और लेवल 3 पर 57.69% स्कोर करता है। लागत के लगभग पाँचवें हिस्से में यह नए Opus 4.1 High को लेवल 3 पर पीछे छोड़ देता है।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 4 · ChatGPT: 2 · Kimi: 2
हर AI ने क्या नोट किया 3
- Claudeस्थान 4
  फ़रवरी 2025 का एक मॉडल अब भी लेवल 3 पर 57.69% पाता है, जो GPT-5 Medium के 46% से आगे है, लगभग $1.16 प्रति हल किए सवाल पर।
  स्रोत ↗
- ChatGPTस्थान 2
  यह शीर्ष नेता से 10.31 अंक पीछे है, पर प्रति अनुमानित सही उत्तर पर लगभग 31% कम खर्च करता है और लेवल 3 पर 57.69% पाता है।
  स्रोत ↗
- Kimiस्थान 2
  फ़रवरी 2025 का मॉडल जो नए Opus 4.1 High को सबसे कठिन स्तर पर पीछे छोड़ता है (57.7% बनाम 53.8%), पाँचवें हिस्से की लागत पर।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
3
ओपनएआई o4-mini Low (HAL Generalist Agent)
$73.26 प्रति रन पर पैरेटो-ऑप्टिमल। लेवल 3 पर (53.85%) यह $562 वाले Opus 4.1 High के बराबर है, पर कुल मिलाकर नेता से 16 अंक पीछे है।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 2 · ChatGPT: 4 · Kimi: 3
हर AI ने क्या नोट किया 3
- Claudeस्थान 2
  यह कुल मिलाकर 58% और सबसे कठिन स्तर पर 53.85% तक पहुँचता है, लगभग $0.76 प्रति हल किए सवाल पर। HAL की तालिका में कीमत और लेवल 3 की ताकत का यह सबसे अच्छा मेल है।
  स्रोत ↗
- ChatGPTस्थान 4
  इन दस में सबसे सस्ता अनुमानित सफल उत्तर लगभग $0.76 है, हालाँकि इसका कुल स्कोर शीर्ष से 16.37 अंक नीचे है।
  स्रोत ↗
- Kimiस्थान 3
  सबसे कठिन स्तर पर $562 के Claude Opus 4.1 High रन के बराबर रहता है (ठीक 53.85%), जबकि पूरा रन $73.26 में बैठता है।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
4
Claude Sonnet 4.5 High, extended thinking (HAL Generalist Agent)
Extended thinking की लागत लगभग उतनी ही है जितनी साधारण Sonnet 4.5 की ($179.86 बनाम $178.20)। कुल मिलाकर यह 3.64 अंक कम स्कोर करता है और लेवल 3 को 65.39% से गिराकर 46.15% कर देता है।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 7 · ChatGPT: 6 · Kimi: 9
हर AI ने क्या नोट किया 3
- Claudeस्थान 7
  विस्तारित सोच (extended thinking) की लागत लगभग एक-सी रही ($179.86 बनाम $178.20), पर सटीकता 3.6 अंक घटी और लेवल 3 65% से गिरकर 46% हो गया।
  स्रोत ↗
- ChatGPTस्थान 6
  High प्रयास मानक Sonnet रन से थोड़ा ही ज़्यादा खर्च करता है, पर कुल मिलाकर 3.64 अंक और लेवल 3 पर 18.08 अंक कम स्कोर करता है।
  स्रोत ↗
- Kimiस्थान 9
  अधिक तर्क के लिए भुगतान करने से ज़मीन खोती है: वही मॉडल सामान्य प्रयास पर इससे कुल मिलाकर 4 अंक और सबसे कठिन स्तर पर 19 अंक ऊपर है, उसी कीमत पर।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
5
Claude Haiku 4.5 (HAL Generalist Agent)
छोटा मॉडल लेवल 3 पर 61.54% स्कोर करता है, जो सूची में दूसरा सबसे ऊँचा है और अपने ही लेवल 2 के 51.16% से ऊपर है। यह प्रति हल किए गए सवाल लगभग $1.41 बैठता है (अनुमान)।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 5 · ChatGPT: 3 · Kimi: 5
हर AI ने क्या नोट किया 3
- Claudeस्थान 5
  सस्ता Claude मॉडल लेवल 3 पर 61.54% पाता है, जो उसके अपने लेवल 2 के स्कोर 51.16% से बेहतर है।
  स्रोत ↗
- ChatGPTस्थान 3
  इसका लेवल 3 स्कोर 61.54% यहाँ सूचीबद्ध सबसे ऊँचे दूसरे नंबर का है, प्रति अनुमानित सही उत्तर लगभग $1.41 पर।
  स्रोत ↗
- Kimiस्थान 5
  उस परिवार का 'छोटा' मॉडल पूरे बोर्ड पर दूसरे-सबसे-कठिन स्तर का स्कोर लाता है: लेवल 3 पर 61.5%।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
6
GPT-5 Medium (HF Open Deep Research)
HAL के Generalist एजेंट में यही मॉडल 3.41 अंक ज़्यादा स्कोर करता है, पर उसकी लागत लगभग 3.4 गुना ($359.83) है। ढाँचा कीमत को मॉडल से ज़्यादा बदलता है।
शामिल किया: Claude, ChatGPT, Kimi. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 10 · ChatGPT: 9 · Kimi: 7
हर AI ने क्या नोट किया 3
- Claudeस्थान 10
  यह 62.8% स्कोर करता है, जो HAL की तालिका में #7 है। फिर भी $359.83 पर यह वही मॉडल HAL Generalist एजेंट के भीतर से लगभग 3.4 गुना महँगा है।
  स्रोत ↗
- ChatGPTस्थान 9
  यह HAL Generalist GPT-5 Medium रन को सटीकता में 3.41 अंक से पीछे छोड़ता है, पर रिपोर्ट किया गया खर्च लगभग 3.4 गुना ज़्यादा है।
  स्रोत ↗
- Kimiस्थान 7
  नए, ज़्यादातर निजी v5 इंडेक्स पर यह $10.04 वाले नेता से 3 अंक पीछे रहकर $1.27 प्रति कार्य पर आता है, यानी कीमत का एक-आठवाँ हिस्सा।
  स्रोत ↗
3 AI ने इसे यहाँ रखा
स्रोत ↗
7
GPT-5 Medium (HAL Generalist Agent)
$104.75 में 59.39%, प्रति हल किए गए सवाल लगभग $1.07 (अनुमान)। वही मॉडल HF Open Deep Research के भीतर $359.83 में चलता है।
शामिल किया: Claude, Kimi. शामिल नहीं किया: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 3 · Kimi: 4
हर AI ने क्या नोट किया 2
- Claudeस्थान 3
  इसकी लागत लगभग $1.07 प्रति हल किए सवाल है, जबकि वही मॉडल HF Open Deep Research के भीतर लगभग $3.47 लेता है। कीमत को मॉडल से ज़्यादा ढाँचा (मॉडल के चारों ओर का सेटअप) बदलता है।
  स्रोत ↗
- Kimiस्थान 4
  59% से आगे का सबसे सस्ता सत्यापित रास्ता: पूरे रन के लिए $104.75, लगभग $0.63 प्रति कार्य।
  स्रोत ↗
2 AI ने इसे यहाँ रखा
स्रोत ↗
8
ओपनएआई o4-mini High (HAL Generalist Agent)
$59.39 पर पैरेटो-ऑप्टिमल, और मज़बूत रनों में प्रति हल किए गए सवाल के हिसाब से सबसे सस्ता, लगभग $0.66 (अनुमान)। इसका लेवल 3 स्कोर 46.15% है, इसलिए यह o4-mini Low से नीचे रहता है।
शामिल किया: Claude, Kimi. शामिल नहीं किया: ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 6 · Kimi: 6
हर AI ने क्या नोट किया 2
- Claudeस्थान 6
  प्रति हल किए सवाल पर यह सबसे सस्ता है, लगभग $0.66। पर लेवल 3 पर इसका 46% स्कोर ही मुख्य कारण है कि यह o4-mini Low से नीचे रहता है।
  स्रोत ↗
- Kimiस्थान 6
  $59.39 में पूरा 165-कार्य रन। यह सबसे सस्ती पारेटो-ऑप्टिमल प्रविष्टि है जो अब भी 54% पार करती है।
  स्रोत ↗
2 AI ने इसे यहाँ रखा
स्रोत ↗
9
Claude Opus 4.1 High (HAL Generalist Agent)
$562.24 में 68.48%, प्रति हल किए गए सवाल लगभग $4.97 (अनुमान)। यह Sonnet 4.5 की प्रति हल किए गए सवाल की लागत का लगभग 3.4 गुना है, और इसकी सटीकता कम है।
शामिल किया: Claude, ChatGPT. शामिल नहीं किया: Meta, Grok, Gemini, Nova, Kimi, Wenxin, DeepSeek.
उनकी सूचियों में: Claude: 9 · ChatGPT: 7
हर AI ने क्या नोट किया 2
- Claudeस्थान 9
  यह 68.5% स्कोर करता है, पर इसकी लागत $562 है, यानी प्रति हल किए सवाल लगभग $5। यह Sonnet 4.5 की प्रति हल किए सवाल लागत का लगभग 3.4 गुना है, और सटीकता कम है।
  स्रोत ↗
- ChatGPTस्थान 7
  यह Sonnet 4.5 से 5.06 सटीकता-अंक पीछे है, और पूरे रन के लिए तीन गुने से ज़्यादा खर्च करता है।
  स्रोत ↗
2 AI ने इसे यहाँ रखा
स्रोत ↗
10
Gemini 2.0 Flash (HAL Generalist Agent)
पूरे GAIA रन की कीमत सिर्फ़ $7.80 है, यह पैरेटो-ऑप्टिमल है, और नेता से लगभग 23 गुना सस्ता है। कठिन कामों पर यह ढह जाता है: लेवल 3 पर 11.54%। इसे सूची में केवल एक AI ने रखा है।
शामिल किया: Kimi. शामिल नहीं किया: Claude, ChatGPT, Meta, Grok, Gemini, Nova, Wenxin, DeepSeek.
उनकी सूचियों में: Kimi: 10
हर AI ने क्या नोट किया 1
- Kimiस्थान 10
  $7.80 में पूरा GAIA रन, यानी लीडर की लागत का 1/23, जबकि उसकी 44% सटीकता बनी रहती है।
  स्रोत ↗
1 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।

तीनों प्रिंसटन विश्वविद्यालय की एक ही GAIA तालिका से हैं, लेकिन हर रन की लागत अलग है और सबसे कठिन स्तर (लेवल 3) पर वे कितना अच्छा करते हैं, यह भी अलग है। इसलिए कुल स्कोर और कीमत दो अलग दिशाओं में खींचते हैं।

1Claude Sonnet 4.5 (HAL Generalist Agent)

नं. 1 — Claude Sonnet 4.5 (HAL Generalist Agent). 9 में से 3 AI की सूचियों में; वहाँ मध्य स्थान: 1. इसका सत्यापित GAIA स्कोर सबसे ऊँचा है और सबसे कठिन स्तर पर स्कोर भी सबसे ऊँचा है, और यह Opus 4.1 High से कहीं सस्ता पड़ता है।

क्या आप जानते हैं

HAL के GAIA बोर्ड पर, Claude Sonnet 4.5 बिना अतिरिक्त सोच की सेटिंग के (74.55%) अपने “High” संस्करण (70.91%) से आगे निकल जाता है। यहाँ ज़्यादा सोचने से बेहतर स्कोर नहीं मिला। Opus 4.1 High 68.48% के साथ तीसरे नंबर पर रहा।
स्रोत ↗

यह क्या है: एंथ्रोपिक का Claude Sonnet 4.5, जिसे प्रिंसटन विश्वविद्यालय की GAIA परीक्षा में सामान्य एजेंट के रूप में चलाया गया।
इसकी बढ़त: तीनों में सबसे ऊँचा कुल स्कोर (74.55%) और लेवल 3 का सबसे ऊँचा स्कोर (65.39%)।
किसके लिए सही: उनके लिए जो सबसे ऊँचा स्कोर चाहते हैं; सबसे सस्ता रन नहीं, क्योंकि यह $178 लगाता है।

GAIA: प्रति डॉलर सटीकता$178.20 में 74.55%

Wikidata

यह यहाँ क्यों है

इसने कुल 74.55% स्कोर किया, जो HAL की GAIA लीडरबोर्ड पर सबसे ऊँचा है। — (voice only)
स्रोत ↗
इसका लेवल 3 स्कोर 65.39% था, जो Claude 3.7 Sonnet High के 57.69% और o4-mini Low के 53.85% से ऊँचा है। — (voice only)
स्रोत ↗

इतिहास

2025 में Sonnet 4.5 के लॉन्च से कंप्यूटर इस्तेमाल की क्षमता में तेज़ छलांग दिखी: एंथ्रोपिक ने OSWorld पर 61.4% बताया, जबकि चार महीने पहले Sonnet 4 का स्कोर 42.2% था। इस रिलीज़ में Claude Code पर आधारित एजेंट बनाने का टूलकिट भी पेश हुआ। — (voice only)
स्रोत ↗

ध्यान रखें

$178.20 एक रन की लागत है, और HAL के अनुसार लागतें कैशिंग को नज़रअंदाज़ करती हैं और बढ़ा-चढ़ाकर दिखाई गई हैं, इसलिए असली कीमत कम हो सकती है। सूची में सिर्फ़ एक रन है, 165 सार्वजनिक सवालों पर।
स्रोत ↗
एक और Cursor उपयोगकर्ता ने कहा कि यह मॉडल कुछ कामों में गलत कोड छोड़ता है और गलत जवाब देता है। यह एक उपयोगकर्ता की राय है, पर याद दिलाती है कि सबसे ऊँचा स्कोर हर काम के सही होने की गारंटी नहीं है।
स्रोत ↗

लोग क्या कहते हैं

"This is very expensive model. It can end your cursor pro subscription in a couple of days." — Digital-Coder
स्रोत ↗

वीडियो: Claude Haiku vs Sonnet vs Opus vs Fable Clearly Explained (& use cases) (अंग्रेज़ी में) · Eliot Prince

शीर्ष तीन की तुलना करें ↓

2Claude 3.7 Sonnet High (HAL Generalist Agent)

नं. 2 — Claude 3.7 Sonnet High (HAL Generalist Agent). 9 में से 3 AI की सूचियों में; वहाँ मध्य स्थान: 2. यह पुराना मॉडल कहीं महँगे Opus 4.1 High को सबसे कठिन स्तर पर पीछे छोड़ता है, और लागत लगभग एक-पाँचवें हिस्से जितनी है।

क्या आप जानते हैं

फ़रवरी 2025 में Claude 3.7 Sonnet के Pokémon Red खेलने का लाइव-स्ट्रीम Twitch पर शुरू हुआ और हज़ारों दर्शक जुट गए। यानी जो मॉडल इस एजेंट टेस्ट में अच्छा स्कोर करता है, उसने सार्वजनिक रूप से वीडियो गेम भी खेला।
स्रोत ↗

यह क्या है: Claude 3.7 Sonnet, फ़रवरी 2025 का मॉडल, जिसे सामान्य एजेंट के रूप में चलाया गया।
इसकी बढ़त: लीडर ($122.49) से सस्ता पड़ता है और लेवल 3 पर o4-mini से बेहतर स्कोर करता है।
किसके लिए सही: उनके लिए जो कीमत और कठिन कामों की ताक़त के बीच का बीच का रास्ता चाहते हैं।

GAIA: प्रति डॉलर सटीकता$122.49 में 64.24%

यह यहाँ क्यों है

इसने $122.49 में कुल 64.24% स्कोर किया, जबकि Opus 4.1 High ने $562.24 में 68.48% किया। — (voice only)
स्रोत ↗
इसका लेवल 3 स्कोर 57.69% रहा, जो Opus 4.1 High के 53.85% से ऊँचा है, और लागत उसके एक-चौथाई से भी कम है: $122.49 बनाम $562.24। — (voice only)
स्रोत ↗

इतिहास

2025 में एंथ्रोपिक ने Claude 3.7 Sonnet के लॉन्च के साथ Claude Code पेश किया, एक शुरुआती रिसर्च प्रीव्यू, जिससे डेवलपर टर्मिनल से कोडिंग के काम Claude को सौंप सकते थे। मॉडल के लॉन्च में विस्तारित, दिखने वाली चरण-दर-चरण सोच भी आई। — Anthropic
स्रोत ↗

आगे कहाँ देखें

GAIA लीडरबोर्ड खोलें और HAL Generalist Agent के नीचे Claude 3.7 Sonnet High वाली पंक्ति ढूँढें। पहले लेवल 3 वाला कॉलम देखें, फिर इसकी लागत की तुलना Opus 4.1 High वाली पंक्ति से करें।
स्रोत ↗

शीर्ष तीन की तुलना करें ↓

3ओपनएआई o4-mini Low (HAL Generalist Agent)

नं. 3 — ओपनएआई o4-mini Low (HAL Generalist Agent). 9 में से 3 AI की सूचियों में; वहाँ मध्य स्थान: 3. यह सबसे सस्ता रन है और सबसे कठिन स्तर पर Opus 4.1 High के बराबर है, हालाँकि कुल मिलाकर सबसे आगे वाले से पीछे है।

क्या आप जानते हैं

ओपनएआई के सैम ऑल्टमैन ने पहले o4-mini को अलग मॉडल के रूप में जारी करने के बजाय GPT-5 में मिलाने की योजना बनाई थी। यह 16 अप्रैल 2025 को लॉन्च हुआ, और मुफ़्त उपयोगकर्ताओं को यह 24 अप्रैल को मिला।
स्रोत ↗

यह क्या है: ओपनएआई का o4-mini, सामान्य एजेंट के रूप में उसकी Low सेटिंग पर चलाया गया।
इसकी बढ़त: तीनों में सबसे कम लागत ($73.26), और लेवल 3 पर Opus 4.1 High के बराबर।
किसके लिए सही: उनके लिए जो बजट पर नज़र रखते हैं; उनके लिए नहीं जिन्हें सबसे ऊँचा कुल स्कोर चाहिए।

GAIA: प्रति डॉलर सटीकता$73.26 में 58.18%

यह यहाँ क्यों है

HAL इसे “Pareto optimal” बताता है: इसने $73.26 में कुल 58.18% स्कोर किया, जो इन तीनों में सबसे कम लागत है। — (voice only)
स्रोत ↗
इसका लेवल 3 स्कोर 53.85% रहा, जो $562.24 वाले Opus 4.1 High के बराबर है; o4-mini Low की लागत $73.26 थी। — (voice only)
स्रोत ↗

क्या आप जानते हैं

o4-mini टेक्स्ट के साथ तस्वीरों पर भी काम कर सकता है। लेख का उदाहरण है कि वह “chain-of-thought” चरण में व्हाइटबोर्ड के स्केच का विश्लेषण करता है, यानी वह चरण-दर-चरण सोच जो जवाब देने से पहले करता है।
स्रोत ↗

ध्यान रखें

ओपनएआई के PersonQA टेस्ट में o4-mini 48% मौकों पर बातें गढ़ देता था। यह टेस्ट लोगों के बारे में तथ्यों पर है, GAIA एजेंट के कामों पर नहीं, पर यह उसके जवाबों को दोबारा जाँचने का एक कारण है।
स्रोत ↗

आगे कहाँ देखें

उसी GAIA लीडरबोर्ड पर HAL Generalist Agent के नीचे o4-mini Low वाली पंक्ति ढूँढें, जिस पर “Pareto optimal” लिखा है। उसकी लागत और लेवल 3 स्कोर की तुलना Opus 4.1 High वाली पंक्ति से करें, तो समझौता साफ़ दिखेगा।
स्रोत ↗

शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

	Claude Sonnet 4.5 (HAL Generalist Agent)	Claude 3.7 Sonnet High (HAL Generalist Agent)	ओपनएआई o4-mini Low (HAL Generalist Agent)
AI सूचियों में	3 / 9	3 / 9	3 / 9
GAIA: प्रति डॉलर सटीकता	$178.20 में 74.55%	$122.49 में 64.24%	$73.26 में 58.18%
पहला स्थान दिया	Claude, ChatGPT, 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।

94% का ताज और सत्यापित स्कोर अलग चीज़ें हैं। खुद जमा किए गए GAIA टेस्ट-सेट स्कोर 94.35% तक जाते हैं (Keen AgenticOS V1.1), और 51 जमा 92% के मानव-आधार से ऊपर हैं। प्रिंसटन विश्वविद्यालय का अपना सबसे अच्छा री-रन 74.55% है। बँटवारे और सेटअप अलग हैं, इसलिए दोनों संख्याओं की तुलना नहीं हो सकती।

किसने देखा:

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

01अंतिम सूची

Claude Sonnet 4.5 (HAL Generalist Agent)

Claude 3.7 Sonnet High (HAL Generalist Agent)

ओपनएआई o4-mini Low (HAL Generalist Agent)

Claude Sonnet 4.5 High, extended thinking (HAL Generalist Agent)

Claude Haiku 4.5 (HAL Generalist Agent)

GPT-5 Medium (HF Open Deep Research)

GPT-5 Medium (HAL Generalist Agent)

ओपनएआई o4-mini High (HAL Generalist Agent)

Claude Opus 4.1 High (HAL Generalist Agent)

Gemini 2.0 Flash (HAL Generalist Agent)

02शीर्ष तीन के बारे में और

1Claude Sonnet 4.5 (HAL Generalist Agent)

क्या आप जानते हैं

2Claude 3.7 Sonnet High (HAL Generalist Agent)

क्या आप जानते हैं

3ओपनएआई o4-mini Low (HAL Generalist Agent)

क्या आप जानते हैं

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

05हर AI की अपनी सूची

Claude ने क्या देखा

ChatGPT ने क्या देखा

Kimi ने क्या देखा