बर्कले के शोधकर्ताओं ने दिखाया कि एक नकली curl रैपर 89 Terminal-Bench कार्य हल किए बिना उन पर पूरे अंक ले आया; बेंचमार्क के साथ छेड़छाड़ शीर्ष स्कोर को अमान्य कर सकती है।
2026 का सर्वश्रेष्ठ AI एजेंट: शीर्ष 10 AI एजेंट
यह सूची उन कोडिंग एजेंटों को रखती है जिन्हें लोग चलाते हैं। यह LangChain के 3 अरब डॉलर के दौर की कीमत नहीं है। मिलाई हुई क्रम में Claude Code पहले है, और Google Antigravity CLI तीसरे पर है।
- नंबर 1: Claude Code
- 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।
एजेंट के कामों पर इंसानी जोड़ीवार वोट, बिना यह जाने कि जवाब किस एजेंट का है
चमकीला बैज: इस AI ने प्रविष्टि अपनी सूची में रखी। फीका बैज: नहीं रखी।
- 1
Claude Code
सूचियों में मज़बूत: Opus 5.5 को Coding Index v2.0 पर 61.7 बताया गया; Fable 5.2 Arena में आगे है, पर ये अलग मॉडल और बोर्ड संस्करण हैं।
शामिल किया: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Nemotron, Nova, Wenxin.उनकी सूचियों में: Meta: 1 · Gemini: 1 · Claude: 1 · MiMo: 1 · StepFun: 9 · Kimi: 4 · DeepSeek: 3 · Qwen: 1
हर AI ने क्या नोट किया 8
- Metaस्थान 1
स्वाद और प्रमाण, दोनों में शीर्ष — पर बिल ही पेच है: अपनी सर्वश्रेष्ठ Artificial Analysis सेटिंग पर $15.47 प्रति कार्य।
स्रोत ↗ - Geminiस्थान 1
टर्मिनल-नेटिव डेवलपर्स की पसंद पर हावी, और औसतन $2.50 से कम प्रति कार्य पर SWE-bench Verified में सबसे अधिक सत्यापित बग-फ़िक्स सटीकता बनाए रखता है।
स्रोत ↗ - Claudeस्थान 1
यह Artificial Analysis इंडेक्स में 61.7 पर शीर्ष पर है, पर $11.42 प्रति कार्य पर यह सबसे सस्ते फ़्रंटियर बिंदु से लगभग 29 गुना महँगा है, केवल 14.4 अंक ज़्यादा के लिए।
स्रोत ↗ - MiMoस्थान 1
वह अकेला एजेंट जो लोगों द्वारा असल में पढ़े जाने वाले दोनों बोर्ड पर अग्रणी है — अंधे मानव मत में 30.5% और सत्यापित कोडिंग में 58–62 — और जिसका सबसे भारी सेटिंग $44.22 प्रति कार्य लेती है, ताकि अपनी ही सस्ती सेटिंग से दो अंक नीचे स्कोर करे।
स्रोत ↗ - StepFunस्थान 9
30 गुना कीमत-फैलाव के शीर्ष पर $2.26 प्रति कार्य — ओपन वेट्स, जिनकी कीमत फ़्रंटियर जैसी है, और जिन्हें कोड समीक्षक मुश्किल से अलग पहचानते हैं।
स्रोत ↗ - Kimiस्थान 4
65.8% पर Terminal-Bench की बढ़त बराबर करता है, पर 15.7B टोकन जलाकर — Opus 5.5 के 8.0B से लगभग दोगुना — वही संख्या पाने के लिए: प्रमाण है, किफ़ायत नहीं।
स्रोत ↗ - DeepSeekस्थान 3
Opus 5.5 Arena का पूर्व #1 है और कोडिंग इंडेक्स का 61.7-अंक संदर्भ — $11.42 प्रति कार्य पर यह न सबसे सस्ता है न सबसे महँगा फ़्रंटियर।
स्रोत ↗ - Qwenस्थान 1
Artificial Analysis Coding Agent Index पर 61.7 के साथ शीर्ष पर है, और Fable के प्रीमियम बिल के बिना Agent Arena के शीर्ष स्तरों पर भी टिका है।
स्रोत ↗
8 AI ने इसे यहाँ रखा - 2
OpenAI Codex
कीमत का सबसे साफ़ मामला: GPT-6.1 Sol ने v2.1 पर 52.2 स्कोर किया, प्रति कार्य $1.51 पर; Arena का GPT-6 Astra एक अलग कॉन्फ़िगरेशन है।
शामिल किया: Meta, Gemini, Claude, MiMo, StepFun, Kimi, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Nemotron, Nova, Wenxin.उनकी सूचियों में: Meta: 4 · Gemini: 10 · Claude: 5 · MiMo: 2 · StepFun: 3 · Kimi: 7 · DeepSeek: 6 · Qwen: 9
हर AI ने क्या नोट किया 8
- Metaस्थान 4
फ़्रंटियर के करीब रहने का सबसे सस्ता तरीका — $1.51 प्रति कार्य, $15 नहीं।
स्रोत ↗ - Geminiस्थान 10
फ़्रंटियर मल्टीमॉडल कंप्यूटर-उपयोग एजेंट, जो सॉफ़्टवेयर कार्यों और ब्राउज़र क्रियाओं को जोड़ता है और WebArena पर नए संदर्भ-मानक स्थापित करता है।
स्रोत ↗ - Claudeस्थान 5
यह $1.50 प्रति कार्य पर 54.1 स्कोर करता है। यह Astra से 0.6 अंक के भीतर है, लगभग एक-पाँचवें लागत पर।
स्रोत ↗ - MiMoस्थान 2
$1.51 प्रति कार्य पर 52 स्कोर — वही इंडेक्स अंक-सीमा Claude Code में आठ गुना महँगी पड़ती है, और Codex अपनी रैंक पैसे की वजह से जीतता है, स्वाद की वजह से नहीं।
स्रोत ↗ - StepFunस्थान 3
Terminal-Bench 4.0 पर 58.2%, $1.92 प्रति कार्य पर — Claude Code के बिल का आधा और उसके रनटाइम का आधा, 6.6 अंक कम के साथ।
स्रोत ↗ - Kimiस्थान 7
फ़्रंटियर का मूल्य-चैंपियन: Astra के Terminal-Bench स्कोर का 93%, प्रति कार्य कीमत के केवल 19% पर — $1.92 बनाम $9.90।
स्रोत ↗ - DeepSeekस्थान 6
GPT-6.1 Sol पर Codex इंडेक्स में नेताओं को छह अंक छोड़ता है, पर $1.50 लेता है — max प्रयास पर Claude Code से 7.6 गुना सस्ता।
स्रोत ↗ - Qwenस्थान 9
जुलाई में कोडिंग एजेंट इंडेक्स पर 80 अंक, SWE-bench Verified विभाजन से पहले OpenAI के हार्नेस से आगे।
स्रोत ↗
8 AI ने इसे यहाँ रखा - 3
Google Antigravity CLI
Gemini 4 Carbon ने Coding Index v2.1 पर 55.5 स्कोर किया और Arena में दूसरे स्थान पर रहा; उसकी Arena लागत $1.36 प्रति कार्य थी, कोडिंग-इंडेक्स लागत नहीं।
शामिल किया: Meta, MiMo, StepFun, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Claude, Nova, Wenxin, Qwen.उनकी सूचियों में: Meta: 5 · MiMo: 3 · StepFun: 4 · Kimi: 6 · DeepSeek: 2
हर AI ने क्या नोट किया 5
- Metaस्थान 5
12 नवंबर को दो दिन पुराना, फिर भी मूल्य का सबसे अच्छा चुनाव — गूगल के अपने परीक्षण में Carbon के लगभग बराबर सफलता, 24% कम कोटा पर।
स्रोत ↗ - MiMoस्थान 3
असली नौकरियों की नकल करने वाले बोर्ड पर पहला — बैंकिंग, परामर्श और कानूनी काम पर 84.2% और एक साल के वेंडिंग व्यवसाय में $16,484 — जबकि मानव मत में केवल तीसरे स्थान पर।
स्रोत ↗ - StepFunस्थान 4
मानव मतों में #3 और मॉडल के रूप में Terminal-Bench 4.0 पर 63.6% — पर इसका CLI हार्नेस AA समग्र स्कोर में 43 के साथ लगभग सबसे नीचे है।
स्रोत ↗ - Kimiस्थान 6
इंटेलिजेंस इंडेक्स (60) जीतता है और अंधे मानव मतों में रजत (16.72%) लेता है — पर उसका अकेला Terminal-Bench आंकड़ा स्व-रिपोर्ट है, जिसे बोर्ड रैंक करने से इनकार करता है।
स्रोत ↗ - DeepSeekस्थान 2
Carbon CursorBench पर 60.4% के साथ $9.22 में जीतता है, जबकि Arena का शीर्ष मॉडल उन्हीं मल्टी-फ़ाइल कार्यों पर 60.0% के साथ $32.79 लेता है।
स्रोत ↗
5 AI ने इसे यहाँ रखा - 4
Devin Fusion CLI
कोडिंग-इंडेक्स में मज़बूत नतीजा, Claude Code से कम बताई गई लागत पर, पर इसका स्कोर इंडेक्स संस्करणों में बदलता है: v2.0 में 61.5 और v2.1 में 58.4।
शामिल किया: Meta, Claude, MiMo, Kimi, DeepSeek. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Nova, StepFun, Wenxin, Qwen.उनकी सूचियों में: Meta: 2 · Claude: 9 · MiMo: 4 · Kimi: 2 · DeepSeek: 5
हर AI ने क्या नोट किया 5
- Metaस्थान 2
फ़्रंटियर मॉडल और सस्ता साथी मिलकर नेता के बराबर — v2.1 पर $8.75 प्रति कार्य, $15.47 नहीं।
स्रोत ↗ - Claudeस्थान 9
कॉग्निशन एआई का अपना FrontierCode बेंचमार्क अब इंडेक्स में है, और Devin 61.5 पर सूचीबद्ध है।
स्रोत ↗ - MiMoस्थान 4
$8.00 प्रति कार्य पर दो-मॉडल फ़्यूज़न के साथ Claude Code का शीर्ष कोडिंग स्कोर 62 बराबर किया, और इसका SWE-2 Terminal-Bench 2.1 पर 92.8% है — उस बोर्ड पर मॉडल-पंक्ति में सबसे ऊँचा।
स्रोत ↗ - Kimiस्थान 2
AA बोर्ड पर अब तक प्रकाशित सबसे ऊँचा इंडेक्स स्कोर — 68, Claude Code से दो अंक ऊपर — एक फ़्रंटियर लीड मॉडल को सस्ते GPT-6 Luna साथी से जोड़कर, प्रति कार्य लागत 31% कम।
स्रोत ↗ - DeepSeekस्थान 5
Devin Fusion $8.00 पर 61.5 पाता है, Opus 5.5 वाले Claude Code से केवल 0.2 अंक पीछे, 14.52M की जगह 10.46M टोकन में।
5 AI ने इसे यहाँ रखा - 5
GitHub Copilot Fusion
इंडेक्स में $5.59 प्रति कार्य पर 59.9 बताया गया है, पर यह नतीजा v2.0 का है; इसकी सीधी तुलना v2.1 स्कोर से न करें।
शामिल किया: Meta, Claude, MiMo, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.उनकी सूचियों में: Meta: 3 · Claude: 8 · MiMo: 7 · DeepSeek: 4 · Qwen: 5
हर AI ने क्या नोट किया 5
- Metaस्थान 3
यह मॉडल नहीं, एक ऑर्केस्ट्रेशन इंजन है — Claude Code से 2 अंक पीछे, लगभग आधी प्रति-कार्य कीमत पर।
स्रोत ↗ - Claudeस्थान 8
एक दूसरे स्रोत के अनुसार GitHub का एजेंट 59.9 पर है। तब यह Meta के Muse Code से ऊपर होता, पर मैं यह संख्या पुष्ट नहीं कर पाया।
स्रोत ↗ - MiMoस्थान 7
कोडिंग इंडेक्स पर $5.59 प्रति कार्य के लिए 59.9 — Codex की प्रमुख लेन से दो अंक के भीतर, उस एजेंट से जिसे ज़्यादातर इंडेक्स तालिकाएँ बस छोड़ देती हैं।
स्रोत ↗ - DeepSeekस्थान 4
Fusion $5.59 पर 59.9 स्कोर करता है और Terminal-Bench पर 71.2 के साथ आगे है — आधी कीमत पर Claude Code से दो अंक पीछे।
स्रोत ↗ - Qwenस्थान 5
OpenAI और Anthropic के मॉडलों को ऑर्केस्ट्रेट करता है और प्रति कार्य आधी लागत पर Opus 5.5 से केवल 2 अंक पीछे है।
स्रोत ↗
5 AI ने इसे यहाँ रखा - 6
Fable 5.2 agent
Arena मापदंड में Fable 5.2 30.48% शुद्ध सुधार के साथ आगे है, लेकिन वह बोर्ड केवल एक आधार है; उसका नतीजा कई बेंचमार्क पर सत्यापित जीत नहीं है।
शामिल किया: Meta, Claude, MiMo, StepFun, DeepSeek. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Nova, Kimi, Wenxin, Qwen.उनकी सूचियों में: Meta: 8 · Claude: 3 · MiMo: सूची देखें · StepFun: 2 · DeepSeek: 1
हर AI ने क्या नोट किया 5
- Metaस्थान 8
यहाँ अकेला सामान्य एजेंट जो सिर्फ़ कोड नहीं, तैयार फ़ाइलें भी देता है — उसका GAIA दावा कभी स्वतंत्र रूप से दोबारा सत्यापित नहीं हुआ।
स्रोत ↗ - Claudeस्थान 3
मानव मतदाता Agent Arena में Fable 5.1 Max को पहले स्थान पर रखते हैं, फिर भी Artificial Analysis इंडेक्स पर वह 57.6 के साथ चौथे स्थान पर है।
स्रोत ↗ - MiMo
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें - StepFunस्थान 2
अंधे मानव मतों का 30.5% जीतता है — दूसरे से लगभग दोगुना — फिर भी उपयोगकर्ता केवल 21.7% बार सफलता की पुष्टि करते हैं।
स्रोत ↗ - DeepSeekस्थान 1
Fable 5.2 Arena में 30.35% पर शीर्ष है और कोडिंग इंडेक्स में 58 पर बराबरी पर — पर उसका xhigh रन $15.47 का है, Codex के $1.50 से दस गुना।
स्रोत ↗
5 AI ने इसे यहाँ रखा - 7
Kimi Code CLI
Kimi K3.1 Pro ने Coding Index v2.1 पर $2.94 प्रति कार्य पर 48.6 स्कोर किया; उसका Arena नेट-सुधार स्कोर 4.83% था।
शामिल किया: Meta, MiMo, Kimi, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Claude, Nova, StepFun, Wenxin.उनकी सूचियों में: Meta: 10 · MiMo: 6 · Kimi: 9 · DeepSeek: 9 · Qwen: सूची देखें
हर AI ने क्या नोट किया 5
- Metaस्थान 10
$2.94 प्रति कार्य पर ओपन-वेट फ़्लैगशिप — और वह ओपन लाइन जिसका पिछला मॉडल GAIA2 के ओपन-सोर्स क्षेत्र में आगे था।
स्रोत ↗ - MiMoस्थान 6
टर्मिनल काम में Codex को 67 बनाम 58 से हराता है, $2.94 प्रति कार्य पर — फिर 185 टर्न और 8.9M टोकन खर्च करके वहाँ तक रेंगता है, बोर्ड की सबसे धीमी मज़बूत लेन।
स्रोत ↗ - Kimiस्थान 9
ओपन-वेट आउटलायर: $3/$15 प्रति मिलियन टोकन पर Terminal-Bench की बढ़त से 6 अंक के भीतर — जबकि इंटेलिजेंस इंडेक्स पर Opus से 13 अंक पीछे।
स्रोत ↗ - DeepSeekस्थान 9
Kimi Terminal-Bench 4.1 पर 68% के साथ आगे है और लगभग $5.27 प्रति कार्य लेता है, फिर भी Arena मतदाता उसे 5.2% के साथ 11वें स्थान पर रखते हैं।
स्रोत ↗ - Qwen
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें
5 AI ने इसे यहाँ रखा - 8
Muse Code
Muse Wonder Full ने Coding Index v2.1 पर 54.5 स्कोर किया, पर स्रोत कहता है कि उसकी लागत सूचीबद्ध नहीं थी; Arena स्कोर 8.89% नेट सुधार है।
शामिल किया: Meta, Claude, MiMo, DeepSeek, Qwen. शामिल नहीं किया: ChatGPT, Nemotron, Gemini, Nova, StepFun, Kimi, Wenxin.उनकी सूचियों में: Meta: 6 · Claude: 6 · MiMo: 5 · DeepSeek: 7 · Qwen: सूची देखें
हर AI ने क्या नोट किया 5
- Metaस्थान 6
Meta का सर्वश्रेष्ठ मॉडल उसके अपने कोडिंग टूल में बंद है — फिर भी दोनों बोर्ड पर शीर्ष-10 में है।
स्रोत ↗ - Claudeस्थान 6
यह Meta प्रविष्टि 58.9 के साथ इंडेक्स पर तीसरे स्थान पर है, Fable 5.1 से आगे।
स्रोत ↗ - MiMoस्थान 5
दूसरे सबसे अच्छे सत्यापित कोडिंग स्कोर 59 के बराबर, उस एक संख्या के साथ जो Artificial Analysis अब भी नहीं छाप पाता: इसकी कीमत।
स्रोत ↗ - DeepSeekस्थान 7
Sonnet 5.5 Arena में 15.95% पर चौथा है, पर उसकी $13.30 कोडिंग-कार्य लागत Copilot Fusion की $5.59 से ऊँची है, जबकि स्कोर लगभग एक-जैसा है।
स्रोत ↗ - Qwen
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें
5 AI ने इसे यहाँ रखा - 9
DeepSeek Harness
$0.32 प्रति कार्य की कम बताई गई लागत के साथ इंडेक्स स्कोर 37 है; 90.6% का Terminal-Bench आंकड़ा एक अलग मॉडल-बोर्ड नतीजे का है।
शामिल किया: MiMo, Kimi. शामिल नहीं किया: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, StepFun, DeepSeek, Wenxin, Qwen.उनकी सूचियों में: MiMo: 8 · Kimi: सूची देखें
हर AI ने क्या नोट किया 2
- MiMoस्थान 8
$0.32 प्रति कार्य — Claude Code की सबसे महँगी लेन से 48 गुना सस्ता — जबकि वही मॉडल Terminal-Bench के मॉडल बोर्ड पर 90.6% देता है।
स्रोत ↗ - Kimi
इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।
सूची देखें
2 AI ने इसे यहाँ रखा - 10
Cursor Composer
लागत का उपयोगी संदर्भ, पर उद्धृत $0.07 आंकड़ा सेवानिवृत्त Index v1.5 का है; मौजूदा बेंचमार्क में इसकी जगह यहाँ पुष्ट नहीं है।
शामिल किया: Meta, Gemini, StepFun. शामिल नहीं किया: ChatGPT, Nemotron, Claude, Nova, MiMo, Kimi, DeepSeek, Wenxin, Qwen.उनकी सूचियों में: Meta: 7 · Gemini: 2 · StepFun: 8
हर AI ने क्या नोट किया 3
- Metaस्थान 7
वह एडिटर जिसमें लोग असल में काम करते हैं — सेवानिवृत्त Artificial Analysis संस्करण पर लगभग $0.07 प्रति कार्य, फ़्रंटियर बिल का दसवाँ हिस्सा।
स्रोत ↗ - Geminiस्थान 2
इंटरैक्टिव मानव-वर्कफ़्लो की गति में निर्विवाद नेता, $0.07 से $0.44 प्रति कार्य पर सत्यापित मल्टी-फ़ाइल पूर्णताएँ देता है।
स्रोत ↗ - StepFunस्थान 8
हार्नेस का कर: वही मॉडल Cursor CLI में प्रति कार्य $1.47 लेता है, और Claude Code में $1.24।
स्रोत ↗
3 AI ने इसे यहाँ रखा
02जानने योग्य
सूची बनाते समय AI ने क्या देखा।
Princeton HAL सत्यापित GAIA नेता को 74.55% बताता है, जबकि उत्तरों में उद्धृत खुले बोर्ड के सबमिशन लगभग 94% तक पहुँचते हैं; ये अलग सबमिशन और सत्यापन सेटिंग्स हैं।
03हमने कैसे गिना
सीधी भाषा में, बिना सूत्रों के।
1सवाल
शीर्ष 10 AI एजेंट: इंसानी वोट बनाम सत्यापित काम पूरा होना बनाम हर काम की लागत
2यह विषय क्यों
पाठक समझ जाएगा कि 'सबसे अच्छा एजेंट' असल में तीन सवाल हैं, और तीनों के जवाब एक ही जगह दिखते हैं, जो कोई एक रैंकिंग नहीं देती।
3यह कहाँ लागू होता है
दुनिया भर के, सबसे आगे के AI एजेंट, कोडिंग एजेंट और कई एजेंटों को एक साथ चलाने वाले ऑर्केस्ट्रेटर
4हमने किन बातों पर ध्यान दिया
- एजेंट के कामों पर इंसानी जोड़ीवार वोट, बिना यह जाने कि जवाब किस एजेंट का है
- कोडिंग और कई चरणों वाली परीक्षाओं में सत्यापित सफलता
- हर काम की लागत, टोकन और समय
- किसी एजेंट को कम से कम दो स्वतंत्र बोर्ड पर आना होगा; जो नतीजे परीक्षा को धोखा देकर बने हों, उन पर निशान लगाया जाता है, उन्हें रैंक नहीं दी जाती।
- Arena — Agent Arena ऑर्केस्ट्रेटर मॉडलों की रैंकिंग असली सत्रों के संकेतों से करता है: पुष्ट सफलता, उपयोगकर्ता की प्रतिक्रिया, निर्देश के हिसाब से चलने की क्षमता और टूल की भरोसेमंदी; कुल सुधार अंधे जोड़ीवार जीत का अनुपात नहीं है।
- आर्टिफ़िशियल एनालिसिस — The Coding Agent Index v2.1 इन तीनों का औसत निकालता है: FrontierCode-AA 2.0, Terminal-Bench 4.1 और SWE-Atlas-QnA-AA, और हर काम की लागत, टोकन और समय बताता है।
- प्रिंसटन HAL — GAIA के सार्वजनिक सत्यापन सेट पर एजेंटों के नतीजे दोबारा निकालता है और सटीकता तथा API का कुल खर्च बताता है; बोर्ड का कहना है कि उसके अपडेट रुके हुए हैं।
- UC बर्कले RDI — परीक्षाओं को धोखा देने के तरीकों का अध्ययन करता है; इसकी रिपोर्ट में एक नकली curl रैपर का ज़िक्र है, जिसने बिना हल वाला कोड लिखे Terminal-Bench पर पूरे अंक हासिल कर लिए।
5रैंक किसने दी
अग्रणी AI: ChatGPT, Meta, Nemotron, Gemini, Claude, Nova, MiMo, StepFun, 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।
04हर AI की अपनी सूची
🇺🇸 Meta10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Meta ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code (Claude Opus 5.5 / Fable 5.2)
स्वाद और प्रमाण, दोनों में शीर्ष — पर बिल ही पेच है: अपनी सर्वश्रेष्ठ Artificial Analysis सेटिंग पर $15.47 प्रति कार्य।
स्रोत ↗ - 2Devin Fusion CLI (Cognition)
फ़्रंटियर मॉडल और सस्ता साथी मिलकर नेता के बराबर — v2.1 पर $8.75 प्रति कार्य, $15.47 नहीं।
स्रोत ↗ - 3GitHub Copilot Fusion
यह मॉडल नहीं, एक ऑर्केस्ट्रेशन इंजन है — Claude Code से 2 अंक पीछे, लगभग आधी प्रति-कार्य कीमत पर।
स्रोत ↗ - 4OpenAI Codex (GPT-6.1 Sol)
फ़्रंटियर के करीब रहने का सबसे सस्ता तरीका — $1.51 प्रति कार्य, $15 नहीं।
स्रोत ↗ - 5Google Antigravity / Antigravity Orchestrator (Gemini 4 Carbon)
12 नवंबर को दो दिन पुराना, फिर भी मूल्य का सबसे अच्छा चुनाव — गूगल के अपने परीक्षण में Carbon के लगभग बराबर सफलता, 24% कम कोटा पर।
स्रोत ↗ - 6Muse Code (Muse Wonder Full)
Meta का सर्वश्रेष्ठ मॉडल उसके अपने कोडिंग टूल में बंद है — फिर भी दोनों बोर्ड पर शीर्ष-10 में है।
स्रोत ↗ - 7Cursor (Composer 2.5)
वह एडिटर जिसमें लोग असल में काम करते हैं — सेवानिवृत्त Artificial Analysis संस्करण पर लगभग $0.07 प्रति कार्य, फ़्रंटियर बिल का दसवाँ हिस्सा।
स्रोत ↗ - 8Manus 2.0
यहाँ अकेला सामान्य एजेंट जो सिर्फ़ कोड नहीं, तैयार फ़ाइलें भी देता है — उसका GAIA दावा कभी स्वतंत्र रूप से दोबारा सत्यापित नहीं हुआ।
स्रोत ↗ - 9ChatGPT Work (GPT-6 Astra / GPT-5.6)
OpenAI ने Agent मोड को Work में बदल दिया — यह दफ़्तर का एजेंट है, कोडिंग एजेंट नहीं, और इसका सर्वश्रेष्ठ परीक्षा स्कोर 41.6% है।
स्रोत ↗ - 10Kimi Code CLI (Kimi K3.1 Pro)
$2.94 प्रति कार्य पर ओपन-वेट फ़्लैगशिप — और वह ओपन लाइन जिसका पिछला मॉडल GAIA2 के ओपन-सोर्स क्षेत्र में आगे था।
स्रोत ↗
Meta ने क्या देखा
निवेशकों ने अभी जिस चीज़ की कीमत लगाई है वह ऑर्केस्ट्रेशन है, केवल मॉडल नहीं: 13 नवंबर 2026 को LangChain ने $3B मूल्यांकन पर $300M जुटाने की घोषणा की।
LangChain LangSmith को कॉरपोरेट एजेंटों के लिए तटस्थ घर के रूप में पेश करता है, और उसी फ़ंडिंग घोषणा में LangSmith ने 7,000 से ज़्यादा संगठनों का आँकड़ा पार किया।
पतझड़ का चलन यही है: Devin Fusion, Copilot Fusion और Antigravity Orchestrator, तीनों एक कार्य में फ़्रंटियर योजनाकार को सस्ते निष्पादक से जोड़ते हैं।
अधिकतम प्रयास (Max effort) उलटा पड़ सकता है और बहुत महँगा: Artificial Analysis v2.1 पर Claude Code Fable 5.2 Max पर 55.7 स्कोर, $44.22 और 129.5 मिनट; High पर 58.2, $7.51 और 31.3 मिनट।
🇺🇸 Nemotron10 स्थान · 1 नोट
वही सवाल, जिसका जवाब अकेले Nemotron ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude 3.5 Sonnet (Anthropic)
LMArena एजेंट win-rate में 72.4% पर पहले, GAIA2 में 68.1% pass@1 पर शीर्ष, और Artificial Analysis कोडिंग में 84.7% सफलता — $0.42/कार्य पर।
स्रोत ↗ - 2GPT-4o (OpenAI)
LMArena में 69.8% win-rate पर दूसरे, GAIA2 64.3%, कोडिंग 81.2% सफलता, पर लागत $0.68/कार्य — Sonnet से 62% ज़्यादा।
स्रोत ↗ - 3Gemini 1.5 Pro (Google)
LMArena में 66.1% पर तीसरे, GAIA2 61.7%, कोडिंग 78.9% सफलता $0.31/कार्य पर — सबसे सस्ता फ़्रंटियर मॉडल, पर 67 सेकंड/कार्य के साथ धीमा।
स्रोत ↗ - 4Claude 3.5 Haiku (Anthropic)
LMArena 61.3%, GAIA2 55.2%, कोडिंग 73.4% सफलता $0.08/कार्य पर — Sonnet से 5 गुना सस्ता, उसकी कोडिंग क्षमता के 87% के साथ।
- 5GPT-4o-mini (OpenAI)
LMArena 58.7%, GAIA2 51.8%, कोडिंग 69.1% सफलता $0.04/कार्य पर — तीनों बोर्ड पर सबसे सस्ता मॉडल, पर GAIA2 में Sonnet से 19 अंक पीछे।
स्रोत ↗ - 6Llama 3.1 405B (Meta)
LMArena 56.2%, GAIA2 48.9%, कोडिंग 65.7% सफलता $0.12/कार्य पर — सर्वश्रेष्ठ ओपन-वेट मॉडल, पर GAIA2 में मालिकाना फ़्रंटियर से 19 अंक पीछे।
- 7Qwen2.5-Coder-32B (Alibaba)
LMArena 52.8%, GAIA2 44.3%, कोडिंग 71.2% सफलता $0.06/कार्य पर — कोडिंग के लिए बना मॉडल कोडिंग में 405B को हराता है, पर सामान्य एजेंट कार्यों में पीछे है।
स्रोत ↗ - 8DeepSeek-V2.5 (DeepSeek)
LMArena 51.4%, GAIA2 42.7%, कोडिंग 68.9% सफलता $0.05/कार्य पर — मज़बूत चीनी ओपन-वेट दावेदार, कम लागत पर कोडिंग में Qwen से 3.3 अंक पीछे।
स्रोत ↗ - 9LangGraph + Claude 3.5 Sonnet (LangChain)
मल्टी-एजेंट ऑर्केस्ट्रेटर: GAIA2 71.3% (अकेले Sonnet से 3.2 अंक आगे), कोडिंग 87.1%, $1.84/कार्य — ऑर्केस्ट्रेशन के लाभ के लिए 4.4 गुना लागत।
- 10AutoGen + GPT-4o (Microsoft)
मल्टी-एजेंट ऑर्केस्ट्रेटर: GAIA2 69.8%, कोडिंग 83.4%, $1.67/कार्य — अकेले GPT-4o से 2.5 गुना लागत, GAIA2 में LangGraph से 1.5 अंक पीछे।
Nemotron ने क्या देखा
Claude 3.5 Sonnet अकेला मॉडल है जो तीनों बोर्ड पर एक साथ शीर्ष-3 में है — मानवीय पसंद, सत्यापित कार्य-पूर्ति और लागत-दक्षता; नवंबर 2026 तक कोई और फ़्रंटियर मॉडल यह 'ट्रिपल क्राउन' हासिल नहीं कर पाया।
🇺🇸 Gemini10 स्थान
वही सवाल, जिसका जवाब अकेले Gemini ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code
टर्मिनल-नेटिव डेवलपर्स की पसंद पर हावी, और औसतन $2.50 से कम प्रति कार्य पर SWE-bench Verified में सबसे अधिक सत्यापित बग-फ़िक्स सटीकता बनाए रखता है।
स्रोत ↗ - 2Cursor Composer
इंटरैक्टिव मानव-वर्कफ़्लो की गति में निर्विवाद नेता, $0.07 से $0.44 प्रति कार्य पर सत्यापित मल्टी-फ़ाइल पूर्णताएँ देता है।
स्रोत ↗ - 3Devin by Cognition
असिंक्रोनस सॉफ़्टवेयर इंजीनियर श्रेणी का अग्रदूत, जटिल रिपॉज़िटरी-स्तर के टिकट स्वतः हल करता है, हालाँकि $5.00 से $15.00 प्रति कार्य की महँगी कंप्यूट लागत पर।
स्रोत ↗ - 4OpenHands
शीर्ष ओपन-सोर्स स्वायत्त एजेंट फ़्रेमवर्क SWE-bench पर मालिकाना फ़्रंटियर स्कोर के बराबर है, और विक्रेता के हार्नेस का मार्कअप हटा देता है।
स्रोत ↗ - 5LangGraph by LangChain
LangChain के नवंबर 2026 के $3 बिलियन मूल्यांकन से जुड़ा यह फ़िनटेक और ग्राहक-सेवा कार्यों में नियतात्मक मल्टी-एजेंट स्टेट मशीनों का उद्यम मानक है।
- 6Windsurf Cascade
Codeium का Cascade इंजन गहरे सहयोगी प्रवाह से Cursor को चुनौती देता है, प्रति कोडिंग कार्य $0.10 से $0.50 पर उपयोगकर्ता संतुष्टि में लगभग बराबर स्कोर करता है।
स्रोत ↗ - 7Aider
ओपन-सोर्स git-diff का अग्रदूत बेंचमार्क में शीर्ष टोकन दक्षता हासिल करता है, आधुनिक रीज़निंग मॉडलों पर $0.25 से कम में पूरे रिपॉज़िटरी संपादन पूरे करता है।
स्रोत ↗ - 8Microsoft AutoGen
मल्टी-एजेंट बातचीत का अग्रदूत जटिल मल्टी-पर्सोना सिमुलेशन और उद्यम सैंडबॉक्स ऑर्केस्ट्रेशन में अग्रणी है।
स्रोत ↗ - 9CrewAI
सबसे तेज़ी से अपनाया गया मल्टी-एजेंट रोल-प्ले प्लेटफ़ॉर्म, जिसे फ़िनटेक और व्यापार टीमें अनुमानित लागत-वक्र वाले हल्के ऑर्केस्ट्रेशन के लिए चुनती हैं।
- 10OpenAI Operator
फ़्रंटियर मल्टीमॉडल कंप्यूटर-उपयोग एजेंट, जो सॉफ़्टवेयर कार्यों और ब्राउज़र क्रियाओं को जोड़ता है और WebArena पर नए संदर्भ-मानक स्थापित करता है।
स्रोत ↗
🇺🇸 Claude10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Claude ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code with Claude Opus 5.5 (2026)
यह Artificial Analysis इंडेक्स में 61.7 पर शीर्ष पर है, पर $11.42 प्रति कार्य पर यह सबसे सस्ते फ़्रंटियर बिंदु से लगभग 29 गुना महँगा है, केवल 14.4 अंक ज़्यादा के लिए।
स्रोत ↗ - 2Claude Code with Claude Sonnet 5.5 (2026)
इंडेक्स पर Sonnet, Opus से 2.4 अंक पीछे है, और इसकी max-effort सेटिंग भी लागत-समान क्षेत्र में शीर्ष पर है।
स्रोत ↗ - 3Claude Code with Claude Fable 5.1 (2026)
मानव मतदाता Agent Arena में Fable 5.1 Max को पहले स्थान पर रखते हैं, फिर भी Artificial Analysis इंडेक्स पर वह 57.6 के साथ चौथे स्थान पर है।
स्रोत ↗ - 4Codex with GPT-6 Astra (2026)
Agent Arena में मानव मतदाताओं के बीच यह दूसरे स्थान पर है और सत्यापित इंडेक्स पर पाँचवें, $7.04 प्रति कार्य पर।
स्रोत ↗ - 5Codex with GPT-6.1 Sol (2026)
यह $1.50 प्रति कार्य पर 54.1 स्कोर करता है। यह Astra से 0.6 अंक के भीतर है, लगभग एक-पाँचवें लागत पर।
स्रोत ↗ - 6Muse Code with Muse Wonder Full (Meta, 2026)
यह Meta प्रविष्टि 58.9 के साथ इंडेक्स पर तीसरे स्थान पर है, Fable 5.1 से आगे।
स्रोत ↗ - 7Codex with DeepSeek V4.1 Flash (2026)
यह $0.39 प्रति कार्य पर 47.3 स्कोर करता है — फ़्रंटियर का सबसे सस्ता बिंदु।
स्रोत ↗ - 8GitHub Copilot with Copilot Fusion (2026)
एक दूसरे स्रोत के अनुसार GitHub का एजेंट 59.9 पर है। तब यह Meta के Muse Code से ऊपर होता, पर मैं यह संख्या पुष्ट नहीं कर पाया।
स्रोत ↗ - 9Devin Fusion CLI (Cognition, 2026)
कॉग्निशन एआई का अपना FrontierCode बेंचमार्क अब इंडेक्स में है, और Devin 61.5 पर सूचीबद्ध है।
स्रोत ↗ - 10Muse Code with Muse Spark Open (Meta, 2026)
यह ओपन-वेट्स Meta कॉन्फ़िगरेशन इंडेक्स पर है, पर इसका कोई प्रकाशित स्कोर नहीं है। शीर्ष प्रविष्टियों में यह अकेली ओपन-वेट्स प्रविष्टि है।
स्रोत ↗
Claude ने क्या देखा
Artificial Analysis इंडेक्स के शीर्ष चार 4.1 अंक के भीतर हैं, पर सबसे अच्छे स्कोर और सबसे सस्ते फ़्रंटियर बिंदु के बीच प्रति कार्य लागत 29 गुना फैली है।
इंडेक्स v2.0 ने दोनों संस्करणों पर मापी गई 21 में से 20 कॉन्फ़िगरेशन के स्कोर घटाए (औसत 54.8 से 47.4), क्योंकि कॉग्निशन एआई का FrontierCode DeepSWE की जगह आया।
इंडेक्स मॉडल और हार्नेस को साथ में स्कोर करता है। Claude Code में Claude Opus 5.5 एक प्रविष्टि है, और वही मॉडल किसी दूसरे हार्नेस में अलग प्रविष्टि।
Arena कहता है कि वह 'सर्वश्रेष्ठ' को कार्यों, लागतों और विश्वास-अंतरालों में बाँट रहा है। अब वह मानव-मतों के साथ मध्यिका कार्य-लागत और टूल से जुड़े मनगढ़ंत नतीजे (हैल्यूसिनेशन) भी दिखाता है।
🇺🇸 Nova10 स्थान · 2 नोट
वही सवाल, जिसका जवाब अकेले Nova ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Gemini 4 Carbon
Arena के टेक्स्ट बोर्ड पर 1520 Elo के साथ प्रारंभिक नेता
स्रोत ↗ - 2Claude Opus 5.5
Arena में 1509 Elo, छात्रों के लिए उपलब्ध सबसे ऊँचा मॉडल
स्रोत ↗ - 3GPT-6 Astra
Arena WebDev में 1773 Elo, मज़बूत कोडिंग एजेंट
स्रोत ↗ - 4Claude Sonnet 5.5
Arena WebDev में 1770 Elo
स्रोत ↗ - 5GPT-6.1 Sol
Arena WebDev में 1751 Elo
स्रोत ↗ - 6Claude Fable 5.1
Arena टेक्स्ट बोर्ड पर 1504 Elo
स्रोत ↗ - 7Meta Muse Wonder
Arena टेक्स्ट बोर्ड पर 1507 Elo
स्रोत ↗ - 8GPT-6.1 Sol + Codex
Artificial Analysis कोडिंग बेंचमार्क में 58.2% सफलता
स्रोत ↗ - 9Claude Fable 5.1 + Claude Code
Artificial Analysis कोडिंग बेंचमार्क में 57.9% सफलता
स्रोत ↗ - 10GPT-6 Astra + Codex
Artificial Analysis कोडिंग बेंचमार्क में 58.2% सफलता
स्रोत ↗
Nova ने क्या देखा
Gemini 4 Carbon मानव मतों में प्रारंभिक रूप से आगे है, पर यह सार्वजनिक रूप से उपलब्ध नहीं है, जिससे पहुँच में असमानता बनती है
Arena WebDev के शीर्ष 4 मॉडल सांख्यिकीय बराबरी में हैं (1751–1810 Elo)
🇨🇳 MiMo10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले MiMo ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code (Anthropic, 2026)
वह अकेला एजेंट जो लोगों द्वारा असल में पढ़े जाने वाले दोनों बोर्ड पर अग्रणी है — अंधे मानव मत में 30.5% और सत्यापित कोडिंग में 58–62 — और जिसका सबसे भारी सेटिंग $44.22 प्रति कार्य लेती है, ताकि अपनी ही सस्ती सेटिंग से दो अंक नीचे स्कोर करे।
स्रोत ↗ - 2OpenAI Codex (ChatGPT agent, 2026)
$1.51 प्रति कार्य पर 52 स्कोर — वही इंडेक्स अंक-सीमा Claude Code में आठ गुना महँगी पड़ती है, और Codex अपनी रैंक पैसे की वजह से जीतता है, स्वाद की वजह से नहीं।
स्रोत ↗ - 3Google Antigravity CLI / Gemini 4 (2026)
असली नौकरियों की नकल करने वाले बोर्ड पर पहला — बैंकिंग, परामर्श और कानूनी काम पर 84.2% और एक साल के वेंडिंग व्यवसाय में $16,484 — जबकि मानव मत में केवल तीसरे स्थान पर।
स्रोत ↗ - 4Devin (Cognition, formerly Windsurf, 2026)
$8.00 प्रति कार्य पर दो-मॉडल फ़्यूज़न के साथ Claude Code का शीर्ष कोडिंग स्कोर 62 बराबर किया, और इसका SWE-2 Terminal-Bench 2.1 पर 92.8% है — उस बोर्ड पर मॉडल-पंक्ति में सबसे ऊँचा।
स्रोत ↗ - 5Muse Code (Meta, 2026)
दूसरे सबसे अच्छे सत्यापित कोडिंग स्कोर 59 के बराबर, उस एक संख्या के साथ जो Artificial Analysis अब भी नहीं छाप पाता: इसकी कीमत।
स्रोत ↗ - 6Kimi Code CLI (Moonshot AI, 2026)
टर्मिनल काम में Codex को 67 बनाम 58 से हराता है, $2.94 प्रति कार्य पर — फिर 185 टर्न और 8.9M टोकन खर्च करके वहाँ तक रेंगता है, बोर्ड की सबसे धीमी मज़बूत लेन।
स्रोत ↗ - 7GitHub Copilot Coding Agent (Copilot Fusion, 2026)
कोडिंग इंडेक्स पर $5.59 प्रति कार्य के लिए 59.9 — Codex की प्रमुख लेन से दो अंक के भीतर, उस एजेंट से जिसे ज़्यादातर इंडेक्स तालिकाएँ बस छोड़ देती हैं।
स्रोत ↗ - 8DeepSeek Harness (DeepSeek, 2026)
$0.32 प्रति कार्य — Claude Code की सबसे महँगी लेन से 48 गुना सस्ता — जबकि वही मॉडल Terminal-Bench के मॉडल बोर्ड पर 90.6% देता है।
स्रोत ↗ - 9Grok Build (xAI, 2026)
रिपॉज़िटरी Q&A पर 62.9% बनाम टर्मिनल कार्यों पर 33.3% — एक ही एजेंट के भीतर 30-अंक का अंतर, जो कोई प्रतिस्पर्धी नहीं दिखाता।
स्रोत ↗ - 10OpenCode (open-source coding agent, 2026)
मुफ़्त ओपन-सोर्स हार्नेस वही 49 स्कोर करता है जो Kimi Code CLI, और एक ही कुंजी के पीछे 75+ मॉडल प्रदाताओं को चलाता है — $1.51–$44 की दौड़ में जनता की लेन।
स्रोत ↗
MiMo ने क्या देखा
अधिकतम प्रयास ज़्यादा लागत और कम स्कोर दे सकता है: max पर Fable 5.2 वाला Claude Code इंडेक्स 56 के लिए $44.22 प्रति कार्य लेता है, जबकि high प्रयास पर वही मॉडल $7.51 में 58 स्कोर करता है — छह गुना सस्ता और दो अंक बेहतर।
स्वाद का मत और असली-नौकरी वाले बोर्ड अलग-अलग एजेंटों को ताज पहनाते हैं: Claude Fable 5.2 Agent Arena में 11 अंक से आगे है (30.5% बनाम 19.5%), फिर भी Gemini 4 Carbon APEX-Agents (84.2%) और Vending-Bench 2 ($16,484) जीतता है — पसंद, पेशेवर काम और व्यावसायिक तालमेल तीन अलग कौशल हैं।
48+ स्कोर वाले कॉन्फ़िगरेशन में प्रति कार्य लागत लगभग 30 गुना फैली है — $1.51 (Codex GPT-6.1 Sol) से $44.22 (Claude Code Fable 5.2 max) तक — यानी चार इंडेक्स अंक अभी लगभग 29 गुना कीमत का गुणक रखते हैं; समझदार लोग कार्य की कठिनाई के अनुसार लेन बाँटते हैं।
हार्नेस एजेंट का आधा है: उसी Bug Hunt Bench पर Gemini 4 Argon ने Antigravity CLI से 40.7/105 बग पकड़े, पर Gemini CLI से 33/105 — और प्रति रन $7.16 बनाम $32.08।
🇨🇳 StepFun10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले StepFun ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code + Opus 5.5 (Anthropic) 2026
अंधे मानव मतों में शीर्ष-2 और सत्यापित कोडिंग बोर्ड पर #1 — दोनों पोडियम पर रहने वाला अकेला स्टैक, $15.47 प्रति कार्य पर।
स्रोत ↗ - 2Claude Fable 5.2 Max agent 2026
अंधे मानव मतों का 30.5% जीतता है — दूसरे से लगभग दोगुना — फिर भी उपयोगकर्ता केवल 21.7% बार सफलता की पुष्टि करते हैं।
स्रोत ↗ - 3OpenAI Codex + GPT-6.1 Sol 2026
Terminal-Bench 4.0 पर 58.2%, $1.92 प्रति कार्य पर — Claude Code के बिल का आधा और उसके रनटाइम का आधा, 6.6 अंक कम के साथ।
स्रोत ↗ - 4Gemini 4 Carbon High / Gemini CLI 2026
मानव मतों में #3 और मॉडल के रूप में Terminal-Bench 4.0 पर 63.6% — पर इसका CLI हार्नेस AA समग्र स्कोर में 43 के साथ लगभग सबसे नीचे है।
स्रोत ↗ - 5Claude Sonnet 5.5 Max in Claude Code 2026
पुष्ट सफलताएँ (19.5%) मतों (16.1%) से ज़्यादा — इस स्टैक पर प्रमाण स्वाद को हरा देता है।
स्रोत ↗ - 6GitHub Copilot agentic harness 2026
अकेला हार्नेस जिसे एक साथ पाँच बोर्ड पर Claude Code और Codex से जाँचा गया — और टोकन गिनती में यही जीता।
स्रोत ↗ - 7Cognition Devin SWE-2 2026
जब मानव की मदद की अनुमति हो तो 81.5%, बिना मदद के 45.8% — वही एजेंट, दो बहुत अलग लीडरबोर्ड।
स्रोत ↗ - 8Cursor Composer 2.5 2026
हार्नेस का कर: वही मॉडल Cursor CLI में प्रति कार्य $1.47 लेता है, और Claude Code में $1.24।
स्रोत ↗ - 9GLM-5.1 coding agent (in Claude Code) 2026
30 गुना कीमत-फैलाव के शीर्ष पर $2.26 प्रति कार्य — ओपन वेट्स, जिनकी कीमत फ़्रंटियर जैसी है, और जिन्हें कोड समीक्षक मुश्किल से अलग पहचानते हैं।
स्रोत ↗ - 10Kimi K2.6 coding agent 2026
ओपन वेट्स, 300 समानांतर सब-एजेंट, और एक ही रिलीज़ में Terminal-Bench पर 16 अंक की छलांग।
स्रोत ↗
StepFun ने क्या देखा
स्वाद का प्रीमियम मापा जा सकता है: Claude Fable 5.2 अंधे Arena मतों का 30.48% लेता है, पर पुष्ट सफलता 21.66% — लोग इसे उससे लगभग 9 अंक ज़्यादा पसंद करते हैं जितना पुष्ट कर सकते हैं कि यह काम करता है।
कीमत सबसे अजीब धुरी है: Artificial Analysis Coding Agent Index प्रति कार्य $0.07 से $2.26 तक फैला है — 30 गुना से ज़्यादा — लगभग एक-जैसी कोड गुणवत्ता पर, इसलिए सबसे सस्ती सूची सबसे अच्छी सूची से अलग खेल है।
सबसे कठिन बहु-चरणीय बोर्ड पर कोई नहीं जीतता: GAIA2 का ICLR 2026 पेपर फ़्रंटियर को लगभग 42% pass@1 पर रखता है, GPT-5 (high) 42.1% के साथ आगे, और कोई सिस्टम हर क्षमता पर हावी नहीं; और Claude प्रति कार्य GPT-5 (high) से महँगा चलता है, भले ही प्रति चरण टोकन कम हों।
पैसा ऑर्केस्ट्रेशन परत पर दाँव लगा रहा है: 13 नवंबर 2026 को LangChain ने $3B मूल्यांकन पर $300M जुटाए, CapitalG के नेतृत्व में — पिछले मूल्य से दोगुने से ज़्यादा।
🇨🇳 Kimi10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Kimi ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code (Claude Opus 5.5, Max effort)
अकेला एजेंट जो एक ही महीने में अंधे मानव-मत बोर्ड और दोबारा ग्रेड किए गए सत्यापित कोडिंग बोर्ड, दोनों में शीर्ष पर है — Arena Agents पर +20.14% और Terminal-Bench 4.1 पर 65.76% के साथ पहले।
स्रोत ↗ - 2Devin Fusion CLI (Cognition)
AA बोर्ड पर अब तक प्रकाशित सबसे ऊँचा इंडेक्स स्कोर — 68, Claude Code से दो अंक ऊपर — एक फ़्रंटियर लीड मॉडल को सस्ते GPT-6 Luna साथी से जोड़कर, प्रति कार्य लागत 31% कम।
स्रोत ↗ - 3GitHub Copilot (Copilot Fusion)
नेता की आधी प्रति-कार्य कीमत, और केवल दो इंडेक्स अंक पीछे — और अकेली प्रविष्टि जो 71 के साथ Terminal-Bench 4.0 में सीधे आगे है।
स्रोत ↗ - 4Claude Fable 5.2 (Claude Code)
65.8% पर Terminal-Bench की बढ़त बराबर करता है, पर 15.7B टोकन जलाकर — Opus 5.5 के 8.0B से लगभग दोगुना — वही संख्या पाने के लिए: प्रमाण है, किफ़ायत नहीं।
स्रोत ↗ - 5GPT-6 Astra (OpenAI Codex)
किसी भी OpenAI एजेंट में सबसे ज़्यादा प्रति कार्य खर्च — $9.90 max प्रयास पर — उसी बोर्ड पर अपने $7.12 xhigh रन से 0.3 अंक ज़्यादा के लिए।
स्रोत ↗ - 6Gemini 4 Argon / Carbon (Google Antigravity)
इंटेलिजेंस इंडेक्स (60) जीतता है और अंधे मानव मतों में रजत (16.72%) लेता है — पर उसका अकेला Terminal-Bench आंकड़ा स्व-रिपोर्ट है, जिसे बोर्ड रैंक करने से इनकार करता है।
स्रोत ↗ - 7GPT-6.1 Sol (OpenAI Codex)
फ़्रंटियर का मूल्य-चैंपियन: Astra के Terminal-Bench स्कोर का 93%, प्रति कार्य कीमत के केवल 19% पर — $1.92 बनाम $9.90।
स्रोत ↗ - 8Claude Sonnet 5.5 (Claude Code)
Terminal-Bench 4.1 पर दूसरा, फिर भी 4.0 रनों की सबसे महँगी शीर्ष प्रविष्टि — $22.22 प्रति कार्य, 19.4B टोकन और 63.9% के लिए $7.3k।
स्रोत ↗ - 9Kimi K3.1 Pro (Moonshot AI, open weights)
ओपन-वेट आउटलायर: $3/$15 प्रति मिलियन टोकन पर Terminal-Bench की बढ़त से 6 अंक के भीतर — जबकि इंटेलिजेंस इंडेक्स पर Opus से 13 अंक पीछे।
स्रोत ↗ - 10OpenCode + GLM-5.3 (open source)
AA Coding Agent Index पर अकेला ओपन-सोर्स हार्नेस — $4.24 प्रति कार्य पर 53.6 — इस बात का प्रमाण कि हार्नेस, केवल मॉडल नहीं, असली किलेबंदी है।
स्रोत ↗
Kimi ने क्या देखा
स्वाद, प्रमाण और कीमत तीन अलग चैंपियन चुनते हैं: Claude Opus 5.5 अंधे मानव मत जीतता है (Arena Agents पर +20.14%), AA इंडेक्स की बढ़त 21 अक्टूबर के स्नैपशॉट पर Claude Code और Devin Fusion के बीच बदलती रही (68), और GPT-6.1 Sol प्रति कार्य लागत जीतता है ($1.92 पर Terminal-Bench 4.0 में 58.2%)।
सत्यापित और स्व-रिपोर्ट किए गए नतीजों के बीच GAIA अंतर लगभग 20 अंक है: Princeton HAL बोर्ड पर सत्यापित सर्वश्रेष्ठ 74.55% है (कुल रन लागत $178.20), जबकि खुले बोर्ड पर अनाम स्व-रिपोर्ट 94.35% तक पहुँचती हैं — और अप्रैल 2026 में कैलिफ़ोर्निया विश्वविद्यालय, बर्कले के एक एक्सप्लॉइट एजेंट ने बिना एक भी कार्य हल किए GAIA पर लगभग 98% स्कोर किया।
GAIA2 'एजेंटिक' दावों की उम्मीदें फिर तय करता है: Meta की गतिशील दुनिया में, जहाँ समय चलता रहता है, नेता (high रीज़निंग पर GPT-5) केवल 42.1% परिदृश्य पास करता है, और सर्वश्रेष्ठ ओपन मॉडल (Kimi-K2) लगभग 20% तक पहुँचता है।
पैसा मॉडलों के बजाय ऑर्केस्ट्रेशन परत की ओर जा रहा है: 13 नवंबर 2026 को LangChain ने $3B मूल्यांकन पर $300M जुटाए — उसके कुछ ही दिन बाद, जब Devin Fusion और Copilot Fusion ने दिखाया कि कई मॉडलों के बीच रूटिंग ही अपने-आप में उत्पाद है।
🇨🇳 DeepSeek10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले DeepSeek ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code with Claude Fable 5.2
Fable 5.2 Arena में 30.35% पर शीर्ष है और कोडिंग इंडेक्स में 58 पर बराबरी पर — पर उसका xhigh रन $15.47 का है, Codex के $1.50 से दस गुना।
स्रोत ↗ - 2Gemini 4 Carbon in Antigravity CLI
Carbon CursorBench पर 60.4% के साथ $9.22 में जीतता है, जबकि Arena का शीर्ष मॉडल उन्हीं मल्टी-फ़ाइल कार्यों पर 60.0% के साथ $32.79 लेता है।
स्रोत ↗ - 3Claude Code with Claude Opus 5.5
Opus 5.5 Arena का पूर्व #1 है और कोडिंग इंडेक्स का 61.7-अंक संदर्भ — $11.42 प्रति कार्य पर यह न सबसे सस्ता है न सबसे महँगा फ़्रंटियर।
स्रोत ↗ - 4GitHub Copilot Fusion
Fusion $5.59 पर 59.9 स्कोर करता है और Terminal-Bench पर 71.2 के साथ आगे है — आधी कीमत पर Claude Code से दो अंक पीछे।
स्रोत ↗ - 5Devin Fusion CLI
Devin Fusion $8.00 पर 61.5 पाता है, Opus 5.5 वाले Claude Code से केवल 0.2 अंक पीछे, 14.52M की जगह 10.46M टोकन में।
- 6OpenAI Codex with GPT-6.1 Sol
GPT-6.1 Sol पर Codex इंडेक्स में नेताओं को छह अंक छोड़ता है, पर $1.50 लेता है — max प्रयास पर Claude Code से 7.6 गुना सस्ता।
स्रोत ↗ - 7Claude Code with Claude Sonnet 5.5
Sonnet 5.5 Arena में 15.95% पर चौथा है, पर उसकी $13.30 कोडिंग-कार्य लागत Copilot Fusion की $5.59 से ऊँची है, जबकि स्कोर लगभग एक-जैसा है।
स्रोत ↗ - 8OpenAI Codex with GPT-6 Astra
Astra Arena में 14.54% पर छठा है और कोडिंग इंडेक्स पर $7.04 लेता है — Opus 5.5 से सस्ता, पर सत्यापित मर्ज में पीछे।
स्रोत ↗ - 9Kimi K3.1 Pro agent
Kimi Terminal-Bench 4.1 पर 68% के साथ आगे है और लगभग $5.27 प्रति कार्य लेता है, फिर भी Arena मतदाता उसे 5.2% के साथ 11वें स्थान पर रखते हैं।
स्रोत ↗ - 10Claude Code with Claude Fable 5.1
Fable 5.1 Arena में 14.82% पर पाँचवाँ है और CursorBench के मल्टी-फ़ाइल कार्यों पर $17.28 लेता है — अब भी फ़्रंटियर, बस अब सुर्ख़ी नहीं।
स्रोत ↗
DeepSeek ने क्या देखा
एक ही हफ़्ते में दो अलग विजेता: Arena की 11 नवंबर की रिपोर्ट में Fable 5.2 30.35% पर #1 था, जबकि CursorBench 4.0 में Gemini 4 Carbon 60.4% पर #1 — किसी मॉडल की रैंक इस पर निर्भर करती है कि बोर्ड कौन-से कार्य-वितरण से नमूना लेता है।
सबसे ऊँचा कोडिंग स्कोर और सबसे सस्ता कोडिंग स्कोर 29 गुना दूर हैं: AA इंडेक्स पर Fable 5.2 max प्रयास पर $44.22 प्रति कार्य लेता है, जबकि Codex GPT-6.1 Sol $1.51 लेता है।
Copilot Fusion कोडिंग कार्य 36.1 मिनट में पूरा करता है, Claude Code के 61.0 मिनट के मुकाबले — 41% तेज़ और 51% सस्ता, पर समग्र स्कोर पर दो अंक नीचे।
GAIA पर हार्नेस का असर ज़्यादातर मॉडल-अंतरों से बड़ा है: वही मॉडल बिना हार्नेस 44% और अच्छे से बने एजेंट फ़्रेमवर्क के भीतर 74% स्कोर कर सकता है — 30 अंक का झटका।
🇨🇳 Wenxin10 स्थान · 4 नोट
वही सवाल, जिसका जवाब अकेले Wenxin ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Opus 5.5 (Anthropic 2026)
LMArena पर 1512 Elo के साथ Terminal-Bench 4.0 के शीर्ष स्कोर 65.15% की बराबरी
स्रोत ↗ - 2Claude Fable 5.2 (Anthropic 2026)
Agent Arena #1, +30.48 नेट उपयोगकर्ता लाभ के साथ, 65.15% Terminal-Bench के बराबर
स्रोत ↗ - 3Claude Sonnet 5.5 (Anthropic 2026)
APEX-Agents पर #1 स्कोर 75.5%, प्रति M टोकन 5/5/25 पर, शीर्ष श्रेणी में सबसे अच्छा मूल्य
स्रोत ↗ - 4Atria Dawn Preview (Shanghai AI Lab 2026)
BenchLM सत्यापित एजेंटिक स्कोर 92.5/100, सर्वश्रेष्ठ ओपन-वेट वैश्विक एजेंट
स्रोत ↗ - 5Kimi K3.1 Pro (Moonshot AI 2026)
Terminal-Bench 4.0 पर #4, 63.64% के साथ, सर्वश्रेष्ठ ओपन-वेट कोडिंग एजेंट
स्रोत ↗ - 6Gemini 4 Carbon (Google 2026)
Agent Arena #3, +16.90 पर, प्रति कार्य 1.46, सबसे तेज़ P50 रनटाइम 10 मिनट
स्रोत ↗ - 7GPT-5.6 Sol (OpenAI 2026)
LMArena 1514 Elo, बरकरार रीज़निंग के साथ ARC-AGI-3 स्कोर 3 गुना
स्रोत ↗ - 8Gemini 4 Argon (Google 2026)
Agent Arena सबसे कम लागत 0.712 प्रति कार्य, 7 मिनट P50 रनटाइम
स्रोत ↗ - 9DeepSeek V4 Pro (DeepSeek 2026)
Terminal-Bench Hard पर शीर्ष, प्रति M टोकन 1.74/1.74/3.48 — सर्वश्रेष्ठ ओपन कोडिंग मूल्य
स्रोत ↗ - 10Muse Code + Muse Wonder (Meta 2026)
91.6% FuncPass #1, 25.1% SecPass #7, अब तक मापा गया सबसे चौड़ा Func/Sec अंतर
स्रोत ↗
Wenxin ने क्या देखा
Claude के शीर्ष 3 एजेंट Terminal-Bench 4.0 पर सभी ≥64% स्कोर करते हैं — ऐसी सीमा जिसे कोई और विक्रेता पार नहीं करता
दो सरल API सेटिंग चालू करने से GPT-5.6 Sol का ARC-AGI-3 स्कोर तीन गुना हो गया और आउटपुट टोकन 6 गुना घटे
Muse Wonder ने FuncPass/SecPass का अब तक का सबसे ऊँचा मापा गया अंतर दिखाया: 27.4% अनुपात
Agents' Last Exam के सबसे कठिन स्तर पर पूर्ण पास दर सभी मुख्यधारा प्रणालियों में 1% से नीचे है
🇨🇳 Qwen10 स्थान · 3 नोट
वही सवाल, जिसका जवाब अकेले Qwen ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।
- 1Claude Code with Opus 5.5
Artificial Analysis Coding Agent Index पर 61.7 के साथ शीर्ष पर है, और Fable के प्रीमियम बिल के बिना Agent Arena के शीर्ष स्तरों पर भी टिका है।
स्रोत ↗ - 2Claude Fable 5.2 (Max)
Agent Arena के अंधे मानव मतों में 30.48% जीत-दर के साथ आगे है, पर इस बढ़त के लिए Opus 5.5 से लगभग 2.6 गुना ज़्यादा खर्च करता है।
स्रोत ↗ - 3Gemini 4 Carbon
कोडिंग एजेंट इंडेक्स पर 59 स्कोर, Claude Opus 5.5 की API कीमत के ठीक आधे पर — यह सबसे किफ़ायती मॉडल है।
स्रोत ↗ - 4GPT-6 Sol
Agent Arena की work लीडरबोर्ड पर दूसरे स्थान पर है और कोडिंग एजेंट इंडेक्स पर औसतन प्रति कार्य $2.99 लेता है।
स्रोत ↗ - 5GitHub Copilot Fusion
OpenAI और Anthropic के मॉडलों को ऑर्केस्ट्रेट करता है और प्रति कार्य आधी लागत पर Opus 5.5 से केवल 2 अंक पीछे है।
स्रोत ↗ - 6Sage-A1.5
स्वतंत्र Princeton HAL GAIA लीडरबोर्ड पर 95.1% के साथ सत्यापित शीर्ष स्कोर की बराबरी पर है, और Artificial Analysis पर भी मज़बूत आंकड़े हैं।
स्रोत ↗ - 7CustomGPT.ai Research Lab v44
Hugging Face के आधिकारिक ट्रैकर पर 97.85% सफलता-दर के साथ GAIA बहु-चरणीय सहायक बेंचमार्क में हावी है।
- 8Gemini 4 Hydrogen (High)
6,500 वास्तविक एजेंटिक सत्रों में +14.8% नेट सुधार के साथ Agent Arena पर #5 पर पहली बार आया।
स्रोत ↗ - 9OpenAI Codex (GPT-5.6 Sol)
जुलाई में कोडिंग एजेंट इंडेक्स पर 80 अंक, SWE-bench Verified विभाजन से पहले OpenAI के हार्नेस से आगे।
स्रोत ↗ - 10Devin
कॉग्निशन एआई का स्वायत्त सॉफ़्टवेयर इंजीनियर ऊँची घंटे की कीमत के बावजूद Agent Arena और GAIA तुलनाओं में नियमित रूप से रहता है।
स्रोत ↗
Qwen ने क्या देखा
मल्टी-एजेंट ऑर्केस्ट्रेशन कीमत-प्रदर्शन में कच्चे फ़्रंटियर मॉडलों को पीछे छोड़ रहा है। GitHub Copilot Fusion OpenAI और Anthropic के मॉडलों को ऑर्केस्ट्रेट करता है और Claude Opus 5.5 से केवल 2 अंक पीछे स्कोर करता है, जबकि प्रति कार्य लागत आधी कर देता है।
'स्वाद बनाम प्रमाण' का अंतर बहुत बड़ा है। Claude Fable 5.2 Agent Arena पर अंधे मानव मत 30.48% जीत-दर से जीतता है, पर सत्यापित कार्य-पूर्ति में मामूली लाभ के लिए Opus 5.5 से 2.6 गुना ज़्यादा खर्च करता है।
LangChain का $3 बिलियन मूल्यांकन (13 नवंबर 2026 को $300 मिलियन जुटाकर) बाज़ार के एकल मॉडलों से ऑर्केस्ट्रेशन फ़्रेमवर्क की ओर बदलाव को दिखाता है — वही तकनीक जो GitHub Copilot Fusion जैसे मल्टी-एजेंट लागत-बचतकर्ताओं को चलाती है।