जिज्ञासावश – और आपके कुछ संकेतों के बाद – मैंने KIMI और GLM (z.ai) को रैंकिंग में शामिल कर लिया है। दोनों वास्तव में कोडिंग-केंद्रित हैं।
मुझे यह जानने में दिलचस्पी थी: कर, चिकित्सा, कानून और अर्थशास्त्र में ये कैसा प्रदर्शन करते हैं? (Claude, ChatGPT, Gemini और Grok अब विभिन्न मॉडल संस्करणों में भी शामिल हैं और इन्होंने रैंकिंग को काफी हद तक बदल दिया है।)
लेकिन परिणामों में विशेष रूप से दो पैटर्न पर एक नज़र डालें:
→ 1. वे मानक विचलन जो बिल्कुल समान प्रश्नों के बावजूद उत्पन्न होते हैं।
→ 2. समय के साथ मॉडलों की प्रगति की प्रवृत्ति – यह पहले से ही पहचानी जा सकती है, भले ही अवलोकन अवधि अभी भी अपेक्षाकृत कम है।
99% तक पहुँचने वाला पहला कौन होगा?
