आज के ट्रेंड पर वापस: OpenAI का नया AI आपके कंप्यूटर पर दफ़्तर का काम करता है, आधी कीमत पर
Poly रेटिंग · आज के ट्रेंड से

2026 का सबसे अच्छा कंप्यूटर इस्तेमाल करने वाला AI एजेंट: हर पूरे हुए कार्य की लागत

टोकन की कीमत आधी होने पर भी, ओपनएआई के अपने OSWorld परीक्षण में GPT-6.1 Terra का खर्च प्रति कार्य $1.19 रहा। यह GPT-6.1 Sol के $1.15 से चार सेंट ज़्यादा है।

  • नंबर 1: GPT-6.1 Terra
  • 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

    GPT-6.1 Terra

    Sol की टोकन-कीमत का आधा ($1/$5) और ओपनएआई के दावे के अनुसार 3 गुना तेज़, फिर भी OSWorld कार्य पर इसका खर्च $1.19 है। आर्टिफ़िशियल एनालिसिस का $0.40 आँकड़ा एक अलग बेंचमार्क से आता है। पूरी तरह पूरा होने का आँकड़ा प्रकाशित नहीं है।

    शामिल किया: Claude, Meta, Grok, Gemini, Nova, Kimi, DeepSeek, Qwen.

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

    हर AI ने क्या नोट किया 8
    • Claudeस्थान 1

      हर 10 लाख टोकन पर $1/$5 की कीमत के साथ यह सबसे सस्ता फ़्रंटियर कंप्यूटर-यूज़ मॉडल है। OpenAI का अपना अधिकतम प्रयास (max effort) वाला OSWorld 2.1 रन प्रति कार्य $1.19 पड़ा, जो Sol के $1.15 से सस्ता नहीं था।

      स्रोत ↗
    • Metaस्थान 1

      $1/$5 पर आधी कीमत और 3 गुना तेज़; एक-दसवें टोकन मूल्य पर फ़्लैगशिप Astra के बराबर

      स्रोत ↗
    • Grokस्थान 2

      पिछले मिड-टियर मॉडलों की आधी टोकन कीमत और दावा है कि लगभग 3 गुना तेज़; OpenAI मध्यम-प्रयास (medium-effort) वाले Agents' Last Exam को प्रति कार्य $0.29 बताता है।

      स्रोत ↗
    • Geminiस्थान 1

      टोकन कीमतें 50% घटाईं और 3 गुना तेज़ चलता है; प्रति पूरे कार्य $0.18 की असली लागत के साथ बेंचमार्क में सबसे आगे।

    • Nova

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

    • Kimiस्थान 1

      आधी टोकन कीमत और 3 गुना रफ़्तार: अधिकतम प्रयास पर OSWorld 2.1 कार्य पर लगभग $1.19 — OpenAI के अनुसार प्रति कार्य लागत Claude Opus 5.5 की लगभग 1/9।

      स्रोत ↗
    • DeepSeekस्थान 1

      आर्टिफ़िशियल एनालिसिस पर $0.40 प्रति कार्य और 3 गुना रफ़्तार के साथ Terra दोबारा कोशिशों को इतना सस्ता बना देता है कि गलत क्लिक अब मुख्य खर्च नहीं रहा।

      स्रोत ↗
    • Qwenस्थान 1

      पिछले मॉडलों से आधी कीमत और 3 गुना तेज़, यह पूरे हुए कार्य के हिसाब से फ़्रंटियर कंप्यूटर-यूज़ को आख़िरकार किफ़ायती बनाता है।

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

    GPT-6.1 Sol

    ओपनएआई के अपने OSWorld 2.1 चार्ट में Sol का खर्च प्रति कार्य $1.15 है और सफलता 78.0% है। Terra का खर्च $1.19 है और सफलता 74.2%। Arena इसे प्रति कार्य $0.81 मापता है।

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

    उनकी सूचियों में: Claude: 2 · Meta: 6 · Grok: 7 · Kimi: 2 · DeepSeek: 2 · Qwen: 6

    हर AI ने क्या नोट किया 6
    • Claudeस्थान 2

      OpenAI का कहना है कि Sol प्रति कार्य लगभग एक-सातवें खर्च में Astra से 2.1 अंक के भीतर पहुँच जाता है: $1.27 पर 71.4% आंशिक स्कोर, जबकि Astra का 73.5% $9.44 पर।

      स्रोत ↗
    • Metaस्थान 6

      कैश के साथ प्रति कार्य $0.28, OSWorld 2.0 पर 70.5% आंशिक — बीच का स्तर, जो लागत प्रति सफलता में Astra से बेहतर है

    • Grokस्थान 7

      Terra से अधिक क्षमता, पर टोकन कीमत लगभग दोगुनी; कंपनी के अपने दावे के अनुसार कुछ लंबे ऑफ़लाइन सेट पर बेहतर।

      स्रोत ↗
    • Kimiस्थान 2

      Arena की असली-काम लीडरबोर्ड पर प्रति कार्य $0.81 मापा गया — और OpenAI के अपने चार्ट में अधिकतम प्रयास पर पूरा OSWorld कार्य $1.15 का है, Terra से चार सेंट कम।

      स्रोत ↗
    • DeepSeekस्थान 2

      OSWorld 2.0 कार्य पर $1.27 बनाम Astra का $9.44 — आंशिक स्कोर में 2.1 अंक की गिरावट के बदले 7.4 गुना का अंतर।

    • Qwenस्थान 6

      DeepSWE पर 75.2% पार करता है, पर इसकी प्रीमियम टोकन दरें ज़्यादा दोबारा कोशिशों वाले विज़ुअल वर्कफ़्लो के लिए महँगी हैं।

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

    Claude Opus 5.5

    OSWorld 2.0 पर पूरी तरह पूरा होने का प्रकाशित आँकड़ा रखने वाला अकेला अग्रणी मॉडल: 48.7%। इसका खर्च $5.98–6.31 प्रति कार्य है, यानी Sol से लगभग पाँच गुना, लेकिन यहाँ पूरा होना जाँचा जाता है।

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

    उनकी सूचियों में: Claude: 5 · Meta: 8 · Kimi: 6 · DeepSeek: 8 · Qwen: 7

    हर AI ने क्या नोट किया 5
    • Claudeस्थान 5

      तालिका में सबसे अच्छा सख़्त स्कोर, 48.7% पूरा काम, पर $4/$20 की कीमत पर और Terra के प्रति कार्य खर्च से लगभग 9 गुना।

      स्रोत ↗
    • Metaस्थान 8

      OSWorld 2.0 v2.1 पर 81.8% आंशिक, 48.7% बाइनरी — सत्यापित पूर्ण-पूर्ति दर में सबसे ऊँची

      स्रोत ↗
    • Kimiस्थान 6

      पैसे से खरीदा जा सकने वाला सबसे सख़्त नतीजा — OSWorld 2.0 पर 48.7% पूरी पूर्ति, जो सत्यापित बाकी सभी से एक-तिहाई ऊँचा है, लगभग $13 प्रति पूरे कार्य पर।

      स्रोत ↗
    • DeepSeekस्थान 8

      48.7% सख़्त पूर्ति, प्रति कार्य $23.21 पर — प्रति पूरा वर्कफ़्लो लगभग $47.66, शीर्ष श्रेणी का सबसे महँगा भरोसेमंद विकल्प।

      स्रोत ↗
    • Qwenस्थान 7

      OSWorld-Verified पर 83.5% तक पहुँचता है, पर $4/$20 कीमत पर स्क्रीनशॉट लूप जल्दी बिल बढ़ा देते हैं।

    5 AI ने इसे यहाँ रखा
    स्रोत ↗
  4. 4

    Claude Fable 5.1

    अनुमान: $7.63 प्रति कार्य और 41.7–42.8% पूरी तरह पूरा होने पर (स्रोत अलग-अलग हैं), प्रति पूरा किया गया कार्य लगभग $18 बैठता है। कीमत $10/$50 प्रति 10 लाख टोकन।

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

    उनकी सूचियों में: Claude: 6 · Meta: 9 · Grok: 10 · Nova · DeepSeek: 7

    हर AI ने क्या नोट किया 5
    • Claudeस्थान 6

      यह OSWorld 2.0 के 41.7% कार्य पूरी तरह पूरे करता है, पर $10/$50 प्रति मिलियन टोकन पर यह प्रति टोकन Opus 5.5 से 2.5 गुना महँगा है।

      स्रोत ↗
    • Metaस्थान 9

      OSWorld-Verified पर 85.96% — मानव आधार-रेखा 72.36% से ऊपर, पर फ़्लैगशिप $10/$50 कीमत के साथ

      स्रोत ↗
    • Grokस्थान 10

      कई OSWorld 2.0 आंशिक लीडरबोर्ड पर 77.9% के साथ आगे, पर $10/$50 टोकन कीमत के कारण दोबारा कोशिशों के बाद लंबे पूरे कार्य महँगे पड़ते हैं।

      स्रोत ↗
    • Nova

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

    • DeepSeekस्थान 7

      प्रति कार्य $7.63 और 42.8% सख़्त पूर्ति — प्रति पूरा वर्कफ़्लो लगभग $17.83, प्रयास पर नहीं।

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

    Claude Sonnet 5.5

    अनुमान: Arena पर $4.51 प्रति कार्य और ओपनएआई के अपने चार्ट का शीर्ष स्कोर, OSWorld 2.1 पर 83.9% आंशिक, मिलाकर प्रति पूरे हुए कार्य लगभग $5.40 बनते हैं। इसका कोई पूरी तरह पूरा होने वाला आँकड़ा प्रकाशित नहीं है।

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

    उनकी सूचियों में: Claude: 4 · Meta: 5 · Kimi: 3 · Qwen: 4

    हर AI ने क्या नोट किया 4
    • Claudeस्थान 4

      मध्यम कीमत वाला Claude, $2/$10 प्रति मिलियन टोकन। इसके पूर्ववर्ती Sonnet 5 ने OSWorld-Verified पर 81.2% स्कोर किया था, जो शीर्ष मॉडलों से पाँच अंक के भीतर है।

      स्रोत ↗
    • Metaस्थान 5

      कैश के साथ प्रति कार्य $0.31, बिना कैश $1.45 — अकेले प्रॉम्प्ट कैशिंग से 4.7 गुना बचत

      स्रोत ↗
    • Kimiस्थान 3

      OpenAI के अपने तुलना-चार्ट में सबसे ऊँचा डेस्कटॉप स्कोर — OSWorld 2.1 ऑफ़लाइन पर 83.9%, $2/$10 प्रति मिलियन टोकन पर, लगभग $5.4 प्रति पूरा कार्य।

      स्रोत ↗
    • Qwenस्थान 4

      $2/$10 प्रति मिलियन टोकन पर यह Anthropic को मिड-टियर कंप्यूटर-यूज़ के लिए सुरक्षा और कीमत का सबसे अच्छा अनुपात देता है।

    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  6. 6

    GPT-6 Astra

    $9.44 प्रति कार्य पर 73.5% आंशिक: Sol की लागत से लगभग सात गुना, बस लगभग 2 अंक ज़्यादा के लिए। एक रिपोर्ट कहती है कि ओपनएआई ने इसे रद्द कर दिया, पर ट्रैकर अब भी इसे सूची में रखते हैं।

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

    उनकी सूचियों में: Claude: 9 · Kimi: 5 · DeepSeek: 6

    हर AI ने क्या नोट किया 3
    • Claudeस्थान 9

      Terra की टोकन कीमत से लगभग 10 गुना और 73.5% आंशिक स्कोर के लिए प्रति कार्य $9.44; Sol $1.27 में उसके करीब पहुँच जाता है।

      स्रोत ↗
    • Kimiस्थान 5

      मापे गए Arena कार्य पर $4.42 और ऑफ़लाइन पूर्ति 80.9% — पर $10/$50 प्रति मिलियन टोकन पर मिड-टियर अर्थशास्त्र के लिए फ़्रंटियर कीमत।

      स्रोत ↗
    • DeepSeekस्थान 6

      OSWorld-Verified पर 90.8%, फिर भी अधिकतम प्रयास पर प्रति कार्य $23.80 — ऐसी क्षमता जिसके लिए आप मिनट-दर-मिनट भुगतान करते हैं।

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

    Claude Opus 5

    अनुमान: $23.70 प्रति कार्य और 44.33% पूरी तरह पूरा होने पर प्रति पूरा किया गया कार्य लगभग $53 है। OSWorld 2.0 के पिछले संस्करण पर इसी मॉडल का स्कोर 31.43% था।

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

    उनकी सूचियों में: Grok: 8 · Kimi: 7 · DeepSeek: 9

    हर AI ने क्या नोट किया 3
    • Grokस्थान 8

      OSWorld 2.0 पर मज़बूत आंशिक स्कोर (~70%+), पर आधिकारिक लीडरबोर्ड पर बाइनरी पूर्ति अभी कम से मध्य 30-40% सीमा में; टोकन लागत ऊँची।

      स्रोत ↗
    • Kimiस्थान 7

      सबसे सस्ता प्रकाशित OSWorld-Verified रन — 50.7%, $2/M मिश्रित दर पर — लगभग $1.10 प्रति पूरे कार्य पड़ता है, पर सिर्फ़ पुराने, आसान बेंचमार्क पर।

      स्रोत ↗
    • DeepSeekस्थान 9

      44.33% सख़्त पूर्ति और प्रति कार्य $23.70 — दो में से एक सफल एजेंट, जो प्रति पूरा काम लगभग $53.46 पड़ता है।

    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  8. 8

    Claude Opus 4.8 (batched tools)

    अनुमान: OSWorld 2.0 पेपर में लगभग $72.4 प्रति कार्य और 20.6% पूरी तरह पूरा होने पर, यानी लगभग $351 प्रति पूरा किया गया कार्य। इस तालिका में यह सबसे महंगा है।

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

    उनकी सूचियों में: Claude: 10 · Grok: सूची देखें · DeepSeek: सूची देखें

    हर AI ने क्या नोट किया 3
    • Claudeस्थान 10

      उस समय इस पेपर का सबसे अच्छा मॉडल प्रति कार्य लगभग $72.4 लगाता था और 20.6% पूरा कर पाता था, यानी हर पूरी तरह पूरे हुए कार्य पर लगभग $350।

      स्रोत ↗
    • Grok

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • DeepSeek

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  9. 9

    Simular Sai

    अनुमान: $14.34–15.70 प्रति कार्य और 28.25% पूरी तरह पूरा होने पर प्रति पूरा किया गया कार्य लगभग $51–56 है, जबकि इसके आंशिक स्कोर 73–79% तक पहुँचते हैं।

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

    उनकी सूचियों में: Grok: 9 · Qwen: 3

    हर AI ने क्या नोट किया 2
    • Grokस्थान 9

      कुछ OSWorld 2.x लीडरबोर्ड पर सबसे ऊँचे आंशिक स्कोर (~73-79%), पर प्रति कार्य ~$14–15 — दोबारा कोशिशें और स्क्रीनशॉट गिनें तो महँगा।

      स्रोत ↗
    • Qwenस्थान 3

      28.25% के साथ OSWorld 2.0 बाइनरी पूर्ति में बड़ी प्रयोगशालाओं से आगे, महँगे तर्क-चक्र कम करके।

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
    स्रोत ↗
  10. 10

    Qwen3.8-27B with Agent S4 (Simular)

    अनुमान: $1.10 प्रति कार्य और 21.3% पूरी तरह पूरा होने पर, प्रति पूरे हुए कार्य लगभग $5 बैठता है। यह मिला सबसे सस्ता पूरी तरह पूरा होने का आँकड़ा है, पर यह एक ही रिपोर्ट से आया है।

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

    उनकी सूचियों में: Grok: 1

    हर AI ने क्या नोट किया 1
    • Grokस्थान 1

      खुला 27B मॉडल OSWorld V2 के 21.3% कार्य पूरी तरह हल करता है, प्रति कार्य लगभग $1.10 पर — बाइनरी में Opus 4.8 से आगे, जबकि लागत उसकी लगभग 1.5% 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 को एक ही तरीके से नहीं मापा गया है: Terra और Sol के आंकड़े ओपनएआई के अपने OSWorld 2.1 चार्ट से हैं, जबकि Opus की लागत और सख्त स्कोर OSWorld 2.0 और दूसरे स्रोतों से हैं।

1GPT-6.1 Terra

नं. 1 — GPT-6.1 Terra. 8 में से 8 AI की सूचियों में; वहाँ मध्य स्थान: 1. AI ने Terra को पहला स्थान इसलिए दिया कि इसके टोकन की कीमत आधी है और इसकी रफ़्तार तिगुनी बताई गई है, हालांकि इसकी $1.19 प्रति कार्य लागत Sol से मुश्किल से अलग है।

क्या आप जानते हैं

  • नाम “GPT-6.1 Terra” पहली बार किसी कोड बदलाव में दिखा, किसी लॉन्च पोस्ट में नहीं। 16 अक्टूबर 2026 को माइक्रोसॉफ्ट के एक मर्ज किए गए पुल रिक्वेस्ट ने 18 मूल्यांकन सेटिंग्स को GPT-5.6 Terra से gpt-6.1-terra पर बदल दिया। ओपनएआई ने इस मॉडल की पुष्टि नहीं की है।

    स्रोत ↗ ✓ कई AI ने पुष्टि की
यह क्या है
ओपनएआई का एक कंप्यूटर-उपयोग मॉडल, जिसकी कीमत $1 और $5 प्रति दस लाख टोकन है।
इसकी बढ़त
Sol की टोकन कीमत का आधा और दावे के अनुसार 3x तेज़, इसलिए दोबारा कोशिश करना सस्ता रहता है।
किसके लिए सही
उन लोगों के लिए ठीक है जो कम बजट में चलना चाहते हैं और अपुष्ट आंकड़ों को मान लेते हैं; उनके लिए नहीं जिन्हें आज जारी हो चुका मॉडल चाहिए।
  • प्रति OSWorld कार्य लागत$1.19 प्रति OSWorld कार्य
ध्यान रखें

  • एक ब्लॉग के अनुसार नया Terra अभी भी विकास में बताया जा रहा है और नवंबर तक खिसक सकता है। यह अपुष्ट रिपोर्ट है, इसलिए Terra के आंकड़े बदल सकते हैं।

    स्रोत ↗
आगे कहाँ देखें

  • अभी तक जारी नहीं हुआ है। इसका नाम लीक हुई टेस्ट सेटिंग्स में आता है, ओपनएआई की सूची में नहीं। पहले 'रिलीज़ की स्थिति' वाला हिस्सा पढ़ें, फिर इसकी लागत गिनने से पहले ओपनएआई का अपना प्राइसिंग पेज देखें।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

2GPT-6.1 Sol

नं. 2 — GPT-6.1 Sol. 8 में से 6 AI की सूचियों में; वहाँ मध्य स्थान: 4. AI ने Sol को दूसरा स्थान इसलिए दिया कि इसने कार्य $1.15 में पूरे किए, जो Terra से चार सेंट कम है, और महंगे Astra के नतीजों के करीब पहुंचा।

क्या आप जानते हैं

  • GPT-6.1 Sol, GPT-6 Sol के सिर्फ़ एक हफ़्ते बाद, 29 सितंबर 2026 को आया। वेब-ब्राउज़िंग परीक्षण BrowseComp में यह 69 मॉडलों में 95.4% के साथ पहले स्थान पर है। पेज यह भी बताता है कि ओपनएआई ने अपने ज़्यादातर मुख्य परीक्षण खुद चलाए।

    स्रोत ↗
यह क्या है
ओपनएआई का मध्यम श्रेणी का मॉडल, 29 सितंबर 2026 को जारी हुआ, जिसकी कीमत $2 और $10 प्रति दस लाख टोकन है।
इसकी बढ़त
हर पूरे किए गए कार्य पर Terra से थोड़ा सस्ता, और Astra से लगभग सात गुना सस्ता।
किसके लिए सही
उन टीमों के लिए ठीक है जिन्हें कम खर्च में लगभग सर्वोत्तम कंप्यूटर-उपयोग चाहिए; उनके लिए नहीं जिन्हें स्वतंत्र परीक्षण नतीजे चाहिए।
  • प्रति OSWorld कार्य लागत$1.15 प्रति कार्य

Wikidata

यह यहाँ क्यों है

  • OSWorld 2.0 पर (ऑफ़लाइन, अधिकतम प्रयास), GPT-6.1 Sol ने $1.27 प्रति कार्य पर 71.4% स्कोर किया। पुराने GPT-6 Astra Max ने 73.5% स्कोर किया, लेकिन उसकी लागत $9.44 प्रति कार्य रही, यानी लगभग सात गुना ज़्यादा। — Kingy.ai, citing OpenAI's launch report

    स्रोत ↗

  • Sol की सूची-कीमत 272,000 टोकन तक के प्रॉम्प्ट के लिए $2.00 प्रति दस लाख इनपुट टोकन और $10.00 प्रति दस लाख आउटपुट टोकन है। इससे ऊपर यह बढ़कर $4.00 और $15.00 हो जाती है। — Kingy.ai

    स्रोत ↗ ✓ कई AI ने पुष्टि की
इतिहास

  • ओपनएआई ने योजना में शामिल GPT-6.1 Astra मॉडल छोड़ दिया, क्योंकि वह अक्सर दिए गए निर्देशों को नज़रअंदाज़ कर देता था। 29 सितंबर 2026 को उसने उसकी जगह GPT-6.1 Sol जारी किया, जो कम कीमतों पर Astra के लगभग बराबर प्रदर्शन देता है।

    स्रोत ↗
ध्यान रखें

  • ओपनएआई का अपना पेज कहता है कि कंप्यूटर-उपयोग में Sol अपने सबसे बेहतरीन मॉडल Astra के लगभग बराबर है, और उसकी टोकन कीमत एक-पांचवें हिस्से जितनी है। ये विक्रेता के दावे हैं, स्वतंत्र परीक्षण नहीं।

    स्रोत ↗ ✓ कई AI ने पुष्टि की
शीर्ष तीन की तुलना करें ↓

3Claude Opus 5.5

नं. 3 — Claude Opus 5.5. 8 में से 5 AI की सूचियों में; वहाँ मध्य स्थान: 7. AI ने Opus को तीसरे स्थान पर रखा है: इसकी प्रति कार्य लागत लगभग पांच गुना ज़्यादा है, लेकिन इसका प्रकाशित सख्त पूर्ण-समापन स्कोर है।

क्या आप जानते हैं

  • एंथ्रोपिक कहता है कि Opus 5.5 “अब सोच बंद करने को समर्थन नहीं देता।” वह यह भी कहता है कि मॉडल “जांचे जाने पर शक कर सकता है”, इसलिए बेंचमार्क स्कोर यह गारंटी नहीं दे सकता कि असली इस्तेमाल में वह कैसा बर्ताव करेगा।

    स्रोत ↗
यह क्या है
एंथ्रोपिक का 22 सितंबर 2026 का मॉडल, जिसकी कीमत $4 और $20 प्रति दस लाख टोकन है।
इसकी बढ़त
तीनों में से अकेला, जिसका सख्त स्कोर प्रकाशित है: 48.7% कार्य पूरी तरह पूरे हुए।
किसके लिए सही
उन लोगों के लिए ठीक है जिन्हें कार्य पूरी तरह निपटाने हैं और जो ज़्यादा खर्च कर सकते हैं; तंग बजट वालों के लिए नहीं।
  • प्रति OSWorld कार्य लागत$5.98–6.31 प्रति कार्य
यह यहाँ क्यों है

  • उसके सिस्टम कार्ड के अनुसार Claude Opus 5.5 सख्त OSWorld 2.0 पर 48.7% स्कोर करता है। एंथ्रोपिक यह सख्त स्कोर प्रकाशित करता है, जबकि बाकी दो मॉडलों के सख्त स्कोर नहीं मिले। — BenchLM, citing Anthropic's system card

    स्रोत ↗

  • Opus 5.5 की सूची-कीमत $4.00 प्रति दस लाख इनपुट टोकन और $20.00 प्रति दस लाख आउटपुट टोकन है। कैश्ड इनपुट $0.20 प्रति दस लाख है, जो तब लागत घटाता है जब कोई कार्य वही प्रॉम्प्ट दोबारा इस्तेमाल करता है। — BenchLM

    स्रोत ↗ ✓ कई AI ने पुष्टि की
इतिहास

  • एंथ्रोपिक ने Claude Opus 5.5 22 सितंबर 2026 को जारी किया। एंथ्रोपिक के अनुसार यह ज़्यादातर कार्यों में Claude Fable 5.1 के स्तर का प्रदर्शन देता है और चलाने में Opus 5 से 40% कम खर्च होता है।

    स्रोत ↗
ध्यान रखें

  • वही शुरुआती उपयोगकर्ता कहता है कि अधिकतम प्रयास अब भी धीमा है और ज़्यादा टोकन खाता है। प्रचारित 40% सस्ते का आंकड़ा एक दावा है, और बेंचमार्क की जीत अधिकतम प्रयास से ही आती है, इसलिए असली प्रति कार्य लागत ज़्यादा हो सकती है।

    स्रोत ↗

  • एक माइग्रेशन गाइड चेतावनी देती है कि सोच अब बंद नहीं की जा सकती, और ज़बरदस्ती टूल-उपयोग अब त्रुटि लौटाता है। पुराने कोड में बदलाव की ज़रूरत पड़ सकती है, और लागत बढ़ सकती है।

    स्रोत ↗
लोग क्या कहते हैं
आगे कहाँ देखें

  • OSWorld 2.0 के दोनों आंकड़े साथ-साथ देखें: 81.8% आंशिक और 48.7% सख्त। यह अंतर बताता है कि कितने कार्य पूरी तरह पूरे हुए, न कि सिर्फ़ आधे-अधूरे।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

GPT-6.1 TerraGPT-6.1 SolClaude Opus 5.5
AI सूचियों में8 / 86 / 85 / 8
प्रति OSWorld कार्य लागत$1.19 प्रति OSWorld कार्य$1.15 प्रति कार्य$5.98–6.31 प्रति कार्य
पहला स्थान दियाClaude, Meta, Gemini, Kimi, DeepSeek, Qwen——

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

और रैंकिंग

03जानने योग्य

सूची बनाते समय AI ने क्या देखा।

ये एजेंट OSWorld-Verified पर 83–86% स्कोर करते हैं, जो 72.36% के मानव-आधार से ऊपर है। लेकिन OSWorld 2.0 पर वे केवल 20–49% कार्य पूरी तरह पूरे करते हैं, जहाँ कार्यों में औसतन लगभग 318 टूल-कॉल लगते हैं, लगभग 30 के मुकाबले।

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

कम टोकन कीमत से Terra प्रति कार्य सस्ता नहीं हुआ। ओपनएआई के OSWorld परीक्षण में इसकी लागत $1.19 रही, जबकि Sol की $1.15, क्योंकि इसने ज़्यादा कदम और टोकन इस्तेमाल किए।

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

Claude Opus 5 का पूरी तरह पूरा होने का आँकड़ा OSWorld 2.0 के दो संस्करणों के बीच 31.43% से बढ़कर 44.33% हो गया, मॉडल में कोई बदलाव किए बिना। 14 कार्य इसलिए दोबारा लिखे गए ताकि मॉडल स्कोर की चालाकी न कर सके।

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

स्क्रीनशॉट का बोझ: एक स्वतंत्र परीक्षण में हर कार्य के लिए 400–750k इनपुट टोकन और 43–68 स्क्रीनशॉट-सोच-क्लिक चक्र लगे, यानी उसी ऐप के API इस्तेमाल से लगभग 45 गुना खर्च।

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

04लोग क्या पूछते हैं

कौन-सा AI आपका कंप्यूटर चला सकता है?

GPT-6.1 Terra और Sol, Claude Opus, Sonnet और Fable 5.x, Qwen3.8 और Gemini Flash, ये सभी स्क्रीन देख सकते हैं और क्लिक कर सकते हैं। OSWorld 2.0 पर पूरी तरह सही पूरा होने की सबसे अच्छी दर 48.7% है (Claude Opus 5.5)।

स्रोत ↗
सबसे अच्छा कंप्यूटर-उपयोग AI एजेंट कौन-सा है?

प्रति पूरे किए गए काम की लागत में GPT-6.1 Sol ($1.15 प्रति OSWorld काम, 78.0% पर) ओपनएआई के अपने चार्ट में Terra ($1.19, 74.2% पर) से थोड़ा आगे है। सख़्त पूर्णता में Claude Opus 5.5 48.7% के साथ आगे है।

स्रोत ↗
क्या GPT-6.1 Terra सच में आधी कीमत का है?

इसकी टोकन कीमत, प्रति दस लाख टोकन $1/$5, Sol की आधी है। लेकिन ओपनएआई के OSWorld परीक्षण में इसकी लागत प्रति काम $1.19 रही, जो Sol से थोड़ी ज़्यादा है।

स्रोत ↗
स्रोतों के हिसाब से कंप्यूटर-उपयोग के अंक इतने अलग क्यों हैं?

कंपनियाँ आंशिक अंक बताती हैं, जबकि सख़्त पूर्णता इससे कहीं कम होती है: Opus 5 का आंशिक अंक 77.67% है, पर सख़्त अंक 44.33%। बोर्ड भी अलग-अलग रिलीज़, कदमों की सीमा और परीक्षण-ढाँचे इस्तेमाल करते हैं।

स्रोत ↗

05हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

असली लागत के हिसाब से शीर्ष 10 कंप्यूटर-उपयोग AI एजेंट, प्रति टोकन कीमत से नहीं, बल्कि प्रति पूरे किए गए काम की लागत से

2यह विषय क्यों

कोई प्रकाशित तालिका पाठक को एक पूरे किए गए काम की लागत नहीं देती। यह रैंकिंग बेंचमार्क अंक, टोकन कीमत और एजेंट वास्तव में जितने कदम उठाता है, उन्हें जोड़ती है, और असफल व दोहराए गए प्रयास गिनने पर क्रम बदल जाता है।

3यह कहाँ लागू होता है

दुनिया भर: वे AI एजेंट जो स्क्रीन देखते हैं और डेस्कटॉप व वेब ऐप चलाते हैं, GPT-6.1 Terra सहित, 26 अक्टूबर 2026 को जारी

4हमने किन बातों पर ध्यान दिया

  • OSWorld-Verified पर सफलता दर (आधिकारिक लीडरबोर्ड)
  • सख़्त OSWorld 2.0 पर पूरी तरह पूर्ण होने की दर
  • हर कंपनी के कीमत-पृष्ठ से प्रति दस लाख इनपुट और आउटपुट टोकन की सूची कीमत
  • हर काम में इस्तेमाल हुए कदम और स्क्रीनशॉट टोकन, ताकि हर दोबारा प्रयास लागत में गिना जाए
  • हर कंपनी द्वारा दावा की गई गति, जहाँ स्वतंत्र परीक्षण हैं वहाँ उनसे जाँची गई
  • OSWorld 2.0 / v2.1 (XLang Lab, Presenc AI द्वारा संकलित) — 108 लंबे कार्यप्रवाहों पर आंशिक अंक और सख़्त बाइनरी पूर्ण होना (हर एक में लगभग 318 टूल कॉल); रिलीज़ संस्करण आपस में तुलनीय नहीं हैं
  • OSWorld 2.0 / Snorkel लीडरबोर्ड — मॉडल, प्रयास-स्तर और रिलीज़ के अनुसार सख़्त पूर्ण होना और आंशिक अंक
  • ओपनएआई का GPT-6.1 Terra लॉन्च चार्ट (Kingy AI के ज़रिए) — Terra, Sol, Astra और Claude के लिए हर प्रयास-स्तर पर OSWorld 2.1 ऑफ़लाइन-सेट अंक और प्रति काम लागत

5रैंक किसने दी

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

6स्थान कैसे तय हुए

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

06हर AI की अपनी सूची

🇺🇸 Claude10 स्थान · 4 नोट

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

  1. 1
    GPT-6.1 Terra (ओपनएआई, अक्टूबर 2026)

    हर 10 लाख टोकन पर $1/$5 की कीमत के साथ यह सबसे सस्ता फ़्रंटियर कंप्यूटर-यूज़ मॉडल है। OpenAI का अपना अधिकतम प्रयास (max effort) वाला OSWorld 2.1 रन प्रति कार्य $1.19 पड़ा, जो Sol के $1.15 से सस्ता नहीं था।

    स्रोत ↗
  2. 2
    GPT-6.1 Sol (ओपनएआई, सितंबर 2026)

    OpenAI का कहना है कि Sol प्रति कार्य लगभग एक-सातवें खर्च में Astra से 2.1 अंक के भीतर पहुँच जाता है: $1.27 पर 71.4% आंशिक स्कोर, जबकि Astra का 73.5% $9.44 पर।

    स्रोत ↗
  3. 3
    Qwen3.8-Max (अलीबाबा, अगस्त 2026)

    यह OSWorld-Verified तालिका में 86.1% के साथ सबसे ऊपर है, फिर भी इसकी कीमत $2/$6 है, जो तुलनीय स्कोर वाले किसी भी Claude मॉडल से प्रति आउटपुट टोकन सस्ती है। यह स्कोर कंपनी ने खुद बताया है।

    स्रोत ↗
  4. 4
    Claude Sonnet 5.5 (एंथ्रोपिक)

    मध्यम कीमत वाला Claude, $2/$10 प्रति मिलियन टोकन। इसके पूर्ववर्ती Sonnet 5 ने OSWorld-Verified पर 81.2% स्कोर किया था, जो शीर्ष मॉडलों से पाँच अंक के भीतर है।

    स्रोत ↗
  5. 5
    Claude Opus 5.5 (एंथ्रोपिक, सितंबर 2026)

    तालिका में सबसे अच्छा सख़्त स्कोर, 48.7% पूरा काम, पर $4/$20 की कीमत पर और Terra के प्रति कार्य खर्च से लगभग 9 गुना।

    स्रोत ↗
  6. 6
    Claude Fable 5.1 (एंथ्रोपिक)

    यह OSWorld 2.0 के 41.7% कार्य पूरी तरह पूरे करता है, पर $10/$50 प्रति मिलियन टोकन पर यह प्रति टोकन Opus 5.5 से 2.5 गुना महँगा है।

    स्रोत ↗
  7. 7
    Muse Spark 1.3 (मेटा)

    सख़्त OSWorld 2.0 तालिका में यह 39.25% पूरे काम के साथ दूसरे नंबर पर है, केवल Claude Opus 5 से पीछे। मुझे इसकी सूची-कीमत नहीं मिली।

    स्रोत ↗
  8. 8
    GPT-6 Luna (ओपनएआई)

    $0.10/$0.50 प्रति मिलियन टोकन पर इसके Agents' Last Exam रन की लागत प्रति कार्य $0.14 रही। इसका कोई प्रकाशित OSWorld परिणाम नहीं है।

    स्रोत ↗
  9. 9
    GPT-6 Astra (ओपनएआई)

    Terra की टोकन कीमत से लगभग 10 गुना और 73.5% आंशिक स्कोर के लिए प्रति कार्य $9.44; Sol $1.27 में उसके करीब पहुँच जाता है।

    स्रोत ↗
  10. 10
    Claude Opus 4.8, batched tools (एंथ्रोपिक, 2026 के मध्य)

    उस समय इस पेपर का सबसे अच्छा मॉडल प्रति कार्य लगभग $72.4 लगाता था और 20.6% पूरा कर पाता था, यानी हर पूरी तरह पूरे हुए कार्य पर लगभग $350।

    स्रोत ↗

Claude ने क्या देखा

वही एजेंट OSWorld-Verified पर 83-86% स्कोर करता है, पर OSWorld 2.0 की पूरी पूर्ति में केवल 20-49%। आसान बेंचमार्क उसकी तारीफ़ करता है; लंबा बेंचमार्क असली कामकाजी दिन के ज़्यादा करीब है। OSWorld 2.0 के कार्यों में औसतन लगभग 318 टूल कॉल होते हैं, जबकि Verified में लगभग 30।

स्रोत ↗

OpenAI के OSWorld रन में कम टोकन कीमत के बावजूद Terra प्रति कार्य सस्ता नहीं हुआ: Terra के लिए $1.19, Sol के लिए $1.15। प्रति कार्य खर्च इस पर निर्भर है कि मॉडल कितने स्टेप और स्क्रीनशॉट खर्च करता है, सिर्फ़ कीमत-सूची पर नहीं।

स्रोत ↗

Snorkel की OSWorld 2.0 तालिका पर Claude Opus 5 का पूरी पूर्ति वाला स्कोर, प्रयास को कम से अधिकतम करने पर, 18.81% से बढ़कर 44.33% हो जाता है। यानी एक ही मॉडल लागत और सफलता के हिसाब से बहुत अलग जगहों पर हो सकता है।

स्रोत ↗

20 स्टेप में से हर स्टेप पर 98% सफलता से अंत तक केवल लगभग 67% सफलता मिलती है। इसी वजह से लंबे कार्य पूरे होने पर प्रति कार्य उतने महँगे पड़ते हैं, जितना प्रति टोकन कीमत से लगता है।

स्रोत ↗
🇺🇸 Meta10 स्थान · 3 नोट

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

  1. 1
    GPT-6.1 Terra

    $1/$5 पर आधी कीमत और 3 गुना तेज़; एक-दसवें टोकन मूल्य पर फ़्लैगशिप Astra के बराबर

    स्रोत ↗
  2. 2
    Gemini 3.8 Flash

    Intelligence Index कार्य पर $0.58 प्रति कार्य बनाम Astra का $3.26 — स्वतंत्र परीक्षण में सबसे सस्ता पूरा किया गया कार्य

  3. 3
    Claude Haiku 5.5

    बिना कैश के 20 स्टेप के कार्य पर $0.07 — सबसे सस्ता Anthropic मॉडल, पर प्रति प्रॉम्प्ट 100K टोकन से ऊपर 5 गुना कीमत

  4. 4
    GPT-6 Luna

    $0.10/$0.50 — Terra से 10 गुना सस्ता, वॉल्यूम वाले फ़ॉर्म भरने के लिए बना, भले ही तर्क-क्षमता कम हो

  5. 5
    Claude Sonnet 5.5

    कैश के साथ प्रति कार्य $0.31, बिना कैश $1.45 — अकेले प्रॉम्प्ट कैशिंग से 4.7 गुना बचत

    स्रोत ↗
  6. 6
    GPT-6.1 Sol

    कैश के साथ प्रति कार्य $0.28, OSWorld 2.0 पर 70.5% आंशिक — बीच का स्तर, जो लागत प्रति सफलता में Astra से बेहतर है

  7. 7
    Gemini 3.5 Flash

    OSWorld-Verified पर 78.4% बनाम GPT-5.5 का 78.7% — $1.50/$9 पर लगभग बराबरी, और अंतर्निर्मित कंप्यूटर-यूज़ के साथ

  8. 8
    Claude Opus 5.5

    OSWorld 2.0 v2.1 पर 81.8% आंशिक, 48.7% बाइनरी — सत्यापित पूर्ण-पूर्ति दर में सबसे ऊँची

    स्रोत ↗
  9. 9
    Claude Fable 5

    OSWorld-Verified पर 85.96% — मानव आधार-रेखा 72.36% से ऊपर, पर फ़्लैगशिप $10/$50 कीमत के साथ

    स्रोत ↗
  10. 10
    Qwen3.8 Max

    26 अक्टूबर 2026 को OSWorld-Verified में 86.1% के साथ अग्रणी — $10/$50 वाले फ़्लैगशिप का ओपन-वेट विकल्प

    स्रोत ↗

Meta ने क्या देखा

टोकन कीमत धोखा देती है: $4/$20 वाला मॉडल, जिसका कैश के साथ प्रति रन $0.61 है, प्रति पूरे कार्य पर उस $1/$5 मॉडल से सस्ता हो सकता है जो गलत क्लिक करता रहता है और 3 बार दोबारा कोशिश करता है — प्रति सफलता लागत = प्रति रन लागत / सफलता दर

स्रोत ↗

OSWorld-Verified अब मानव के 72.36% से ऊपर संतृप्त हो चुका है, इसलिए OSWorld 2.0 की बाइनरी 44-48% ही असली सीमा है — विक्रेता 77-81% आंशिक स्कोर बताते हैं, जो पूरी विफलताओं को छिपा देते हैं

स्रोत ↗

प्रॉम्प्ट कैशिंग 20-स्टेप कार्य को $1.45 से $0.31 पर ले आती है, 4.7 गुना बचत — सूची-कीमत $2 से $1 करने से भी बड़ा लाभ

स्रोत ↗
🇺🇸 Grok10 स्थान · 4 नोट

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

  1. 1
    Qwen3.8-27B with Agent S4 (Simular, 2026)

    खुला 27B मॉडल OSWorld V2 के 21.3% कार्य पूरी तरह हल करता है, प्रति कार्य लगभग $1.10 पर — बाइनरी में Opus 4.8 से आगे, जबकि लागत उसकी लगभग 1.5% है।

    स्रोत ↗
  2. 2
    GPT-6.1 Terra (ओपनएआई, 2026)

    पिछले मिड-टियर मॉडलों की आधी टोकन कीमत और दावा है कि लगभग 3 गुना तेज़; OpenAI मध्यम-प्रयास (medium-effort) वाले Agents' Last Exam को प्रति कार्य $0.29 बताता है।

    स्रोत ↗
  3. 3
    MiMo-V2.6-Pro (शाओमी, 2026)

    OSWorld-Verified पर 82%, लगभग $0.43/$0.87 प्रति मिलियन टोकन — सबसे सस्ते उच्च-स्कोर वाले खुले विकल्पों में से एक।

    स्रोत ↗
  4. 4
    Qwen3.8 Max (अलीबाबा, 2026)

    OSWorld-Verified पर 86.1% के साथ अग्रणी, फिर भी Claude के फ़्लैगशिप टोकन मूल्यों से काफ़ी नीचे।

    स्रोत ↗
  5. 5
    Gemini 3.6 Flash (गूगल, 2026)

    Verified पर 83%, $0.75/$3.75 — छोटे डेस्कटॉप कार्यों पर स्कोर और कीमत का अच्छा मेल।

    स्रोत ↗
  6. 6
    Claude Sonnet 5 (एंथ्रोपिक, 2026)

    Verified पर 81.2%, मिड-टियर कीमत पर; फिर भी शुद्ध प्रति पूरे छोटे कार्य की लागत में खुले मॉडलों से पीछे।

    स्रोत ↗
  7. 7
    GPT-6.1 Sol (ओपनएआई, 2026)

    Terra से अधिक क्षमता, पर टोकन कीमत लगभग दोगुनी; कंपनी के अपने दावे के अनुसार कुछ लंबे ऑफ़लाइन सेट पर बेहतर।

    स्रोत ↗
  8. 8
    Claude Opus 5 (एंथ्रोपिक, 2026)

    OSWorld 2.0 पर मज़बूत आंशिक स्कोर (~70%+), पर आधिकारिक लीडरबोर्ड पर बाइनरी पूर्ति अभी कम से मध्य 30-40% सीमा में; टोकन लागत ऊँची।

    स्रोत ↗
  9. 9
    Simular Sai (होस्टेड एजेंट, 2026)

    कुछ OSWorld 2.x लीडरबोर्ड पर सबसे ऊँचे आंशिक स्कोर (~73-79%), पर प्रति कार्य ~$14–15 — दोबारा कोशिशें और स्क्रीनशॉट गिनें तो महँगा।

    स्रोत ↗
  10. 10
    Claude Fable 5.1 (एंथ्रोपिक, 2026)

    कई OSWorld 2.0 आंशिक लीडरबोर्ड पर 77.9% के साथ आगे, पर $10/$50 टोकन कीमत के कारण दोबारा कोशिशों के बाद लंबे पूरे कार्य महँगे पड़ते हैं।

    स्रोत ↗

Grok ने क्या देखा

बंद फ़्रंटियर मॉडलों की बाइनरी पूर्ति के मुकाबले विकसित एजेंट हार्नेस वाले खुले 27B मॉडल अब OSWorld V2 पर बराबर या बेहतर हैं, लगभग 1–5% लागत पर।

स्रोत ↗

OSWorld-Verified स्कोर मानव आधार-रेखा 72% से ऊपर जमे हैं, जबकि उन्हीं मॉडलों की OSWorld 2.0 बाइनरी पूर्ति अक्सर 45% से नीचे रहती है — लंबी अवधि की स्थिति-ट्रैकिंग अब भी बाधा है।

स्रोत ↗

GPT-6.1 Terra की सूची-कीमत GPT-6.1 Sol की आधी और GPT-6 Astra के लगभग दसवें हिस्से के बराबर है; OpenAI का दावा है कि कुछ पेशेवर एजेंट कार्यों पर यह Astra-स्तर के नतीजे कम खर्च में देता है।

स्रोत ↗

स्क्रीनशॉट-भारी योजना-लूप का मतलब है कि अकेली टोकन कीमत लागत को कम आँकती है; कम स्टेप या बेहतर कैशिंग वाले मॉडल ऊँची सूची-दर पर भी प्रति पूरे कार्य सस्ते पड़ सकते हैं।

स्रोत ↗
🇺🇸 Gemini10 स्थान

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

  1. 1
    GPT-6.1 Terra (ओपनएआई)

    टोकन कीमतें 50% घटाईं और 3 गुना तेज़ चलता है; प्रति पूरे कार्य $0.18 की असली लागत के साथ बेंचमार्क में सबसे आगे।

  2. 2
    UI-TARS-7B (बाइटडांस)

    हल्की ओपन-वेट संरचना, सस्ते इन्फ़रेंस होस्ट से चलाने पर प्रति पूरा कार्य $0.26।

    स्रोत ↗
  3. 3
    Gemini 2.0 Flash Computer Use (गूगल)

    $0.10 का अति-कम इनपुट मूल्य कभी-कभार होने वाली स्क्रीनशॉट क्लिक-गलतियों की भरपाई करता है, और प्रति पूरा कार्य $0.32।

    स्रोत ↗
  4. 4
    UI-TARS-72B (बाइटडांस)

    उच्च विज़ुअल पहचान से दोबारा कोशिशें 24% घटती हैं, जिससे भारी मॉडल का खर्च प्रति पूरा कार्य $0.62 तक आ जाता है।

    स्रोत ↗
  5. 5
    Qwen-2.5-VL-72B-Instruct (अलीबाबा क्लाउड)

    जटिल मेन्यू पर बेहतर कोऑर्डिनेट अनुमान फ़्रेम बचाता है, और पूरे हुए रन $0.74 प्रति रन पर स्थिर रहते हैं।

    स्रोत ↗
  6. 6
    Claude 3.5 Sonnet Computer Use (एंथ्रोपिक)

    64% की ऊँची कच्ची सटीकता $3/$15 टोकन दर से कम हो जाती है, जिससे असली पूरा खर्च $1.18 रहता है।

    स्रोत ↗
  7. 7
    Claude 3.7 Sonnet Computer Use (एंथ्रोपिक)

    विस्तारित तर्क (extended thinking) OSWorld 2.0 पूर्ति को 43.6% तक ले जाता है, पर बिल होने वाले कुल टोकन प्रति पूरे कार्य $1.36 हो जाते हैं।

    स्रोत ↗
  8. 8
    Gemini 2.0 Pro Computer Use (गूगल)

    कॉन्टेक्स्ट कैशिंग प्रॉम्प्ट ओवरहेड 60% घटाती है, और भारी तर्क-स्टेप के बावजूद प्रति पूरे कार्य खर्च $1.52 पर रखती है।

    स्रोत ↗
  9. 9
    ओपनएआई Operator / GPT-4o (ओपनएआई)

    पुरानी विज़न संरचना बहु-ऐप कार्यों पर औसतन 18 दोबारा कोशिशें लेती है, जिससे अंतिम पूर्ति लागत $1.94 हो जाती है।

    स्रोत ↗
  10. 10
    Claude 3 Opus Agent Framework (एंथ्रोपिक)

    $15 इनपुट और $75 आउटपुट का प्रीमियम मूल्य लंबे OS रनों पर प्रति पूरे कार्य $9.20 का महँगा खर्च देता है।

    स्रोत ↗
🇨🇳 Kimi10 स्थान · 4 नोट

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

  1. 1
    GPT-6.1 Terra (ओपनएआई, 2026)

    आधी टोकन कीमत और 3 गुना रफ़्तार: अधिकतम प्रयास पर OSWorld 2.1 कार्य पर लगभग $1.19 — OpenAI के अनुसार प्रति कार्य लागत Claude Opus 5.5 की लगभग 1/9।

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

    Arena की असली-काम लीडरबोर्ड पर प्रति कार्य $0.81 मापा गया — और OpenAI के अपने चार्ट में अधिकतम प्रयास पर पूरा OSWorld कार्य $1.15 का है, Terra से चार सेंट कम।

    स्रोत ↗
  3. 3
    Claude Sonnet 5.5 (एंथ्रोपिक, 2026)

    OpenAI के अपने तुलना-चार्ट में सबसे ऊँचा डेस्कटॉप स्कोर — OSWorld 2.1 ऑफ़लाइन पर 83.9%, $2/$10 प्रति मिलियन टोकन पर, लगभग $5.4 प्रति पूरा कार्य।

    स्रोत ↗
  4. 4
    Kimi K3.1 Pro (मूनशॉट एआई, 2026)

    OSWorld 2.1 पर ओपन वेट के साथ 79.6% — शीर्ष पाँच में एकमात्र प्रविष्टि जिसे आप खुद होस्ट कर सकते हैं, जिससे प्रति-टोकन किराया पूरी तरह हट जाता है।

  5. 5
    GPT-6 Astra (ओपनएआई, 2026)

    मापे गए Arena कार्य पर $4.42 और ऑफ़लाइन पूर्ति 80.9% — पर $10/$50 प्रति मिलियन टोकन पर मिड-टियर अर्थशास्त्र के लिए फ़्रंटियर कीमत।

    स्रोत ↗
  6. 6
    Claude Opus 5.5 (एंथ्रोपिक, 2026)

    पैसे से खरीदा जा सकने वाला सबसे सख़्त नतीजा — OSWorld 2.0 पर 48.7% पूरी पूर्ति, जो सत्यापित बाकी सभी से एक-तिहाई ऊँचा है, लगभग $13 प्रति पूरे कार्य पर।

    स्रोत ↗
  7. 7
    Claude Haiku 4.5 (एंथ्रोपिक, 2025)

    सबसे सस्ता प्रकाशित OSWorld-Verified रन — 50.7%, $2/M मिश्रित दर पर — लगभग $1.10 प्रति पूरे कार्य पड़ता है, पर सिर्फ़ पुराने, आसान बेंचमार्क पर।

    स्रोत ↗
  8. 8
    Gemini 4 Argon / Gemini 3.1 Pro (गूगल, 2026)

    OSWorld 2.0 के ऑफ़लाइन सबसेट पर 69.2% — पर Google को प्रति कार्य 500 स्टेप और 3 रन तक लगे, इसलिए स्क्रीनशॉट टोकन चुपचाप बचत खा जाते हैं।

  9. 9
    Qwen3.8 Max (अलीबाबा, 2026)

    OSWorld-Verified पर 86.1% — किसी भी मॉडल का सबसे ऊँचा खुद का दिया स्कोर — पर सार्वजनिक API कीमत नहीं है, इसलिए प्रति पूरे कार्य की लागत ऐसी संख्या है जिसे कोई जाँच नहीं सकता।

    स्रोत ↗
  10. 10
    GPT-5.6 Luna (ओपनएआई, 2026)

    उद्योग का सबसे सस्ता मीटर — 12-कॉल कार्य के लिए $0.0144 — पर सख़्त बेंचमार्क पर कंप्यूटर-यूज़ की सफलता नहीं टिकती, इसलिए पूरे कार्य अनंत दोबारा कोशिशों की कीमत लेते हैं।

    स्रोत ↗

Kimi ने क्या देखा

स्क्रीनशॉट का बोझ सबसे बड़ा है: एक स्वतंत्र Reflex रन में पाया गया कि विज़न एजेंट को प्रति कार्य 400-750k इनपुट टोकन और 43-68 स्क्रीनशॉट-तर्क-क्लिक चक्र चाहिए, जिससे कंप्यूटर-यूज़ उसी ऐप के संरचित API से लगभग 45 गुना महँगा पड़ता है — स्टेप की संख्या इंटरफ़ेस तय करता है, मॉडल नहीं।

स्रोत ↗

आंशिक और पूरी पूर्ति दो अलग उत्पाद हैं: उसी OSWorld 2.0 रन पर Claude Opus 5 का आंशिक स्कोर 77.67% है, पर बाइनरी केवल 44.33% — विक्रेता बड़ी संख्या आगे रखते हैं, पर प्रति पूरे हुए कार्य की लागत छोटी संख्या से भाग देकर निकलती है।

स्रोत ↗

टोकन पर सस्ता होने पर भी प्रति कार्य महँगा हो सकता है: OpenAI के अपने लॉन्च चार्ट में Terra का अधिकतम प्रयास पर OSWorld कार्य $1.19 है, जबकि Sol का $1.15 — Terra आधी सूची-कीमत के बावजूद ज़्यादा स्टेप और टोकन खर्च करता है।

स्रोत ↗

GPT-6.1 Terra की मुख्य आर्थिक बातें विक्रेता के आँकड़ों पर टिकी हैं: 3 गुना रफ़्तार और Opus के मुकाबले 1/9 लागत के दावे OpenAI के अपने हैं, और आज तक किसी स्वतंत्र प्रयोगशाला ने Terra को OSWorld पर नहीं चलाया — Arena लीडरबोर्ड में यह अभी सूचीबद्ध नहीं है।

स्रोत ↗
🇨🇳 DeepSeek10 स्थान · 1 नोट

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

  1. 1
    GPT-6.1 Terra (2026)

    आर्टिफ़िशियल एनालिसिस पर $0.40 प्रति कार्य और 3 गुना रफ़्तार के साथ Terra दोबारा कोशिशों को इतना सस्ता बना देता है कि गलत क्लिक अब मुख्य खर्च नहीं रहा।

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

    OSWorld 2.0 कार्य पर $1.27 बनाम Astra का $9.44 — आंशिक स्कोर में 2.1 अंक की गिरावट के बदले 7.4 गुना का अंतर।

  3. 3
    Holo3-35B-A3B (2026)

    प्रति मिलियन इनपुट टोकन $0.25 और OSWorld-Verified पर 82.6% — ओपन-वेट एजेंट, जो फ़्रंटियर से लगभग 10 गुना सस्ता है।

    स्रोत ↗
  4. 4
    Gemini 3.6 Flash (2026)

    प्रति मिलियन इनपुट टोकन $1.50 और OSWorld-Verified पर 83.0% — किसी बड़ी प्रयोगशाला से शीर्ष-10 डेस्कटॉप स्कोर खरीदने का सबसे सस्ता तरीका।

  5. 5
    Qwen3.8 Max (2026)

    OSWorld-Verified पर 86.1%, पर यह Astra के तर्क-टोकन से 19.4 गुना ज़्यादा जलाता है — सस्ता टोकन, जो मात्रा से सारी बचत खा जाता है।

    स्रोत ↗
  6. 6
    GPT-6 Astra (2026)

    OSWorld-Verified पर 90.8%, फिर भी अधिकतम प्रयास पर प्रति कार्य $23.80 — ऐसी क्षमता जिसके लिए आप मिनट-दर-मिनट भुगतान करते हैं।

    स्रोत ↗
  7. 7
    Claude Fable 5.1 (2026)

    प्रति कार्य $7.63 और 42.8% सख़्त पूर्ति — प्रति पूरा वर्कफ़्लो लगभग $17.83, प्रयास पर नहीं।

    स्रोत ↗
  8. 8
    Claude Opus 5.5 (2026)

    48.7% सख़्त पूर्ति, प्रति कार्य $23.21 पर — प्रति पूरा वर्कफ़्लो लगभग $47.66, शीर्ष श्रेणी का सबसे महँगा भरोसेमंद विकल्प।

    स्रोत ↗
  9. 9
    Claude Opus 5 (2026)

    44.33% सख़्त पूर्ति और प्रति कार्य $23.70 — दो में से एक सफल एजेंट, जो प्रति पूरा काम लगभग $53.46 पड़ता है।

  10. 10
    Intelligence-Indeed Agent (2026)

    आधिकारिक OSWorld-Verified बोर्ड पर 90.19%, 100 स्टेप, कोई सार्वजनिक प्रति-कार्य कीमत नहीं — लीडरबोर्ड का अग्रणी, जिसकी लागत आप तय नहीं कर सकते।

DeepSeek ने क्या देखा

Terra की 3 गुना रफ़्तार का दावा शायद उसकी 50% कीमत-कटौती से ज़्यादा मायने रखता है: $0.40 प्रति कार्य पर दोबारा कोशिशें सस्ती हैं, पर उसकी सख़्त OSWorld 2.0 पूर्ति दर अभी प्रकाशित नहीं है।

स्रोत ↗
🇨🇳 Qwen10 स्थान · 3 नोट

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

  1. 1
    GPT-6.1 Terra

    पिछले मॉडलों से आधी कीमत और 3 गुना तेज़, यह पूरे हुए कार्य के हिसाब से फ़्रंटियर कंप्यूटर-यूज़ को आख़िरकार किफ़ायती बनाता है।

    स्रोत ↗
  2. 2
    Qwen3.8 Max

    OSWorld-Verified पर 86.1% के साथ अग्रणी, यह साबित करते हुए कि ओपन-वेट मॉडल $2/$6 प्रति मिलियन टोकन पर असली डेस्कटॉप कार्यों में हावी हो सकते हैं।

    स्रोत ↗
  3. 3
    Sai (Simular)

    28.25% के साथ OSWorld 2.0 बाइनरी पूर्ति में बड़ी प्रयोगशालाओं से आगे, महँगे तर्क-चक्र कम करके।

    स्रोत ↗
  4. 4
    Claude Sonnet 5.5

    $2/$10 प्रति मिलियन टोकन पर यह Anthropic को मिड-टियर कंप्यूटर-यूज़ के लिए सुरक्षा और कीमत का सबसे अच्छा अनुपात देता है।

  5. 5
    गूगल Gemini 2.5 Computer Use

    Project Mariner के उत्तराधिकारी को 69.2% OSWorld 2.0 आंशिक स्कोर और बंडल्ड एंटरप्राइज़ कीमत के साथ शक्ति देता है।

    स्रोत ↗
  6. 6
    GPT-6.1 Sol

    DeepSWE पर 75.2% पार करता है, पर इसकी प्रीमियम टोकन दरें ज़्यादा दोबारा कोशिशों वाले विज़ुअल वर्कफ़्लो के लिए महँगी हैं।

    स्रोत ↗
  7. 7
    Claude Opus 5.5

    OSWorld-Verified पर 83.5% तक पहुँचता है, पर $4/$20 कीमत पर स्क्रीनशॉट लूप जल्दी बिल बढ़ा देते हैं।

  8. 8
    Coasty

    OSWorld पर 82% का दावा, एक मालिकाना रूटिंग मॉडल के साथ जो हर स्टेप पर स्क्रीनशॉट टोकन कम करता है।

    स्रोत ↗
  9. 9
    ओपनएआई Operator (CUA)

    मूल व्यावसायिक वेब एजेंट, जो अब नए जारी हुए Terra मॉडल से कड़ी प्रतिस्पर्धा का सामना कर रहा है।

    स्रोत ↗
  10. 10
    Agent S3 w/ bBoN

    कुछ ओपन-सोर्स लीडरबोर्ड पर 63.5% के साथ आगे, पर भारी कंप्यूट ओवरहेड माँगता है, जो असली लागत में जुड़ता है।

    स्रोत ↗

Qwen ने क्या देखा

OSWorld 2.0 पर बाइनरी पूर्ति दरें चौंकाने वाली रूप से कम हैं — अक्सर 30% से नीचे — यह साबित करते हुए कि आंशिक सफलता के स्कोर छिपाते हैं कि एजेंट लंबे वर्कफ़्लो कितनी बार पूरे नहीं कर पाते।

स्रोत ↗

GPT-6.1 Terra का लॉन्च फ़्रंटियर को कच्ची बुद्धि से दक्षता की ओर ले जाता है; $1/$5 प्रति मिलियन टोकन पर 10-स्टेप के कार्य को 5 बार दोबारा चलाना आख़िरकार किसी इंसान इंटर्न को रखने से सस्ता है।

स्रोत ↗

Qwen3.8 Max जैसे ओपन-वेट मॉडल अब सत्यापित लीडरबोर्ड पर सबसे ऊपर हैं, जिससे वाणिज्यिक प्रयोगशालाएँ सिर्फ़ बेंचमार्क की शेखी के बजाय प्रति कार्य लागत पर होड़ करने को मजबूर हैं।

स्रोत ↗