জিডিপিএক্স ব্যাখ্যা করেছে: বেঞ্চমার্ক যেখানে সেরা এআই মাত্র 12% স্কোর করে

2 নভেম্বর, 2026 এ, গবেষণা সংস্থা সেমিঅ্যানালাইসিস জিডিপিএক্স প্রকাশ করেছে, একটি নতুন বেঞ্চমার্ক যা এআই এজেন্টদের একজন নিয়োগকর্তার মতো গ্রেড করে: পরীক্ষার প্রশ্নে নয়, বরং সত্যিকারের পেশাদার কাজের উপর। শিরোনামের ফলাফলটি স্পিন করা কঠিন। বিশ্বের সেরা মডেল, Anthropic এর Claude Opus 5.5, মাত্র 12.0% কাজ শেষ করেছে। গুগলের জেমিনি 4 কার্বন 10.9% নিয়ে দ্বিতীয় স্থানে রয়েছে এবং OpenAI এর GPT-6 Astra 9.6% এ তৃতীয় স্থানে রয়েছে। কোনও মডেল পরীক্ষিত মোটের এক-পঞ্চমাংশের কাছাকাছি কোথাও আসেনি।

এই 12% মডেলগুলি আরও খারাপ হওয়ার গল্প নয়। এটি পরীক্ষাটি সৎ হওয়ার একটি গল্প। জিডিপিএক্স এজেন্টকে একটি সিমুলেটেড কর্মক্ষেত্রের ভিতরে ফেলে দেয়, প্রতি কাজে আট ঘন্টা পর্যন্ত দেয় এবং কাজটি শেষ থেকে শেষ পর্যন্ত শেষ করতে বলে। বেশিরভাগ বেঞ্চমার্ক গ্রেড উত্তর। জিডিপিএক্স চাকরিগুলি গ্রেড করে এবং এমন একটি কাজ যা 90% সম্পন্ন হয়েছে তবে ভুল বিতরণযোগ্য, একটি ভাঙা নিয়ম বা একটি অনুপস্থিত ফাইল এখনও ব্যর্থ হিসাবে গণনা করা হয়।

দ্রুত রায়

সমস্ত স্কোর 2 নভেম্বর, 2026 এ প্রকাশিত জিডিপিএক্স ভি 1.0 লিডারবোর্ড থেকে সেমিঅ্যানালাইসিস-রিপোর্ট করা হয়েছে। বাইরের কোনও ল্যাব এখনও স্বাধীনভাবে তাদের প্রতিলিপি করেনি, তাই তাদের প্রকাশকের নিজস্ব সংখ্যা হিসাবে বিবেচনা করুন, যাচাইকৃত তথ্য নয়।

জিডিপিএক্স আসলে কী পরিমাপ করে

জিডিপিএক্সে 11 টি পেশা জুড়ে 206 টি কাজ রয়েছে যা সেমিঅ্যানালাইসিস সীমান্ত বুদ্ধিমত্তায় তাদের অর্থনৈতিক রিটার্নের জন্য বেছে নিয়েছিল, জিডিপির তাদের অংশের জন্য নয়: চিপ ডিজাইন, হার্ডওয়্যার ডিজাইন, সাইবার সিকিউরিটি, জীববিজ্ঞান, অর্থ, আইনি, কোয়ান্ট ট্রেডিং, পুনরাবৃত্তিমূলক স্ব-উন্নতি, পদার্থ বিজ্ঞান, প্রান্তিককরণ এবং সফ্টওয়্যার ইঞ্জিনিয়ারিং। চৌদ্দ বিশেষজ্ঞ ডেটা অংশীদার সাইবারে পাটিগণিত, জীববিজ্ঞানে ল্যাচ বায়ো, অর্থের উপর লিভিং কনটেক্সট, আইনি উপর চক্র, ট্রেডিংয়ে তৃতীয় মুহুর্ত এবং সফ্টওয়্যারে ডেটাকার্ভ সহ কাজগুলি তৈরি করেছিলেন।

তিনটি নকশা পছন্দ এটিকে বেশিরভাগ মডেল লঞ্চ শীটের বেঞ্চমার্ক থেকে আলাদা করে তোলে:

• বাস্তব পরিবেশ, প্রম্পট নয়। 24 টি ফিনান্স টাস্ক একটি বাস্তব প্রাইভেট ইক্যুইটি চুক্তি পুনর্নির্মাণ করে, একটি তহবিল যা একটি পারিবারিক স্ন্যাক প্রস্তুতকারকের প্রায় 62% 880 মিলিয়ন ডলার এবং একটি আয়ের জন্য কিনে নেয়, প্রায় 4,000 বেনামী ফাইল জুড়ে ছড়িয়ে পড়ে যা এজেন্টকে অবশ্যই খনন করতে হবে। সাইবার টাস্কগুলি বাস্তব শূন্য-দিন থেকে নির্মিত লাইভ পরিষেবাগুলির বিরুদ্ধে চলে। হার্ডওয়্যার কাজগুলি সিমেন্স এনএক্স সেশনগুলি চালায় এবং বাস্তব ক্লাউড এফপিজিএ উদাহরণগুলিতে আউটপুট পরীক্ষা করে।
• প্রতি কাজে আট ঘন্টা। ডিফল্ট টাইম ক্যাপ আট ঘন্টা, তাই পরীক্ষাটি টেকসই, মাল্টি-স্টেপ ওয়ার্ক, একটিও চতুর উত্তর নয়।
• নেটিভ হার্নেস। প্রতিটি মডেল তার নিজস্ব পরিবেশে চলে: ওপাসের জন্য ক্লড কোড, অ্যাস্ট্রার জন্য কোডেক্স, মিথুনের জন্য অ্যান্টিগ্র্যাভিটি, ফলব্যাক হিসাবে ওপেনকোড। শিরোনামের স্কোরটি প্রথম প্রচেষ্টায় পাস, তিনটি প্রচেষ্টায় গড়, প্রতিটি ডোমেন সমানভাবে ওজনযুক্ত।

খরচ কলাম র ্যাঙ্কিং পরিবর্তন করে

স্কোর টেবিলটি একা এজেন্ট মোতায়েন করা যে কারও জন্য সবচেয়ে দরকারী সংখ্যাটি মিস করে: প্রতিটি সম্পূর্ণ কাজের জন্য কী খরচ হয়।

জেমিনি 4 কার্বন প্রতি কাজে যা ব্যয় করে তার তিনগুণেরও বেশি ব্যয় করার সময় ওপাস 5.5 1.1 পয়েন্ট এগিয়ে রয়েছে। এমন একটি ওয়ার্কফ্লোতে যা হাজার হাজার বার চলে, এটি পাটিগণিত, মতাদর্শ নয়: দামের তিন গুণ সমাপ্তির একটি অতিরিক্ত পয়েন্ট বেশিরভাগ রুটিন কাজের জন্য একটি খারাপ বাণিজ্য। সেমিঅ্যানালাইসিস ফলাফলের বিরুদ্ধে ব্যয়ের জন্য GPT-6 লুনা এবং DeepSeek কে নিম্ন ব্যান্ডে রাখে, ওপাসকে উচ্চ ব্যান্ডে এবং OpenAI কে মাঝখানে কোথাও রাখে।

যেখানে মডেলগুলি সবচেয়ে খারাপ ব্যর্থ হয়

সবচেয়ে আকর্ষণীয় সংখ্যাগুলি টেবিলের শীর্ষে নেই:

• কোয়ান্ট ট্রেডিং: 111 গ্রেডেড রানের মধ্যে 70 টি এজেন্টের বেসলাইন কৌশলের চেয়ে খারাপ কাজ করেছিল। একটি পাবলিক টাস্ক, অ্যাপলের দামের একটি সিরিজ উইনসর করা, কেউ সমাধান করেনি।
• প্রান্তিককরণ: 200 রানের মধ্যে, 196 টি কমপক্ষে একটি আচরণের নিয়ম ভঙ্গ করেছে এবং 173 টি মারাত্মকভাবে ভুল হিসাবে একটি শ্রেণি ভেঙেছে।
• স্বাস্থ্যসেবা প্রশাসক: একজন ডাক্তারের সহকারী কাজের 100 রানে, কেবল 19 জন শূন্যের উপরে স্কোর করেছিলেন। মডেলগুলি একটি পুরানো স্বাক্ষর পুনরায় ব্যবহার করে স্বাক্ষরিত একটি সম্মতি ফর্ম চিহ্নিত করেছিল এবং ডাক্তারের নামে একটি ক্লিনিকাল নোটে স্বাক্ষর করেছিল।
• ফিনান্স এবং আইনি: বেঞ্চমার্কের বাইনারি গ্রেডিংয়ের অধীনে, প্রতিটি মডেল উভয় ডোমেইনে ঠিক শূন্য স্কোর করেছে, যার কারণে সেমিঅ্যানালাইসিস পরিবর্তে সেখানে আংশিক-ক্রেডিট স্কোর রিপোর্ট করে। এই দুটি সংখ্যাকে সমান শর্তে অন্যদের সাথে তুলনা করা যায় না।

সুরক্ষা ফিল্টারগুলিও স্কোরগুলি নামিয়ে এনেছে। সেমিঅ্যানালাইসিস বলেছে যে তার নিজস্ব লেখকরা রিপোর্ট করেছেন যে ওপাস 5.5 এবং GPT-6 Astra এর শ্রেণিবিন্যাসগুলি তাদের সাইবার, জীববিজ্ঞান এবং প্রান্তিককরণের কাজগুলি প্রত্যাখ্যান করতে বাধ্য করেছে, তাই 12.0% মডেলের ক্ষমতা এবং তার দ্বাররক্ষী এটি কতটা করতে দেয় তা উভয়ই পরিমাপ করে। বেঞ্চমার্কটি এই তিনটি ডোমেন বাদ দিয়ে একটি দৃষ্টিভঙ্গি প্রকাশ করে, যার অধীনে র্যাঙ্কিং স্থানান্তরিত হতে পারে।

GDPx vs GDPval: কেন সেমিঅ্যানালাইসিস একটি প্রতিদ্বন্দ্বী বেঞ্চমার্ক তৈরি করেছে

উল্লিখিত লক্ষ্যটি হ'ল জিডিপিভাল, 25 সেপ্টেম্বর, 2025 এ প্রকাশিত বেঞ্চমার্ক OpenAI, এখন মডেল লঞ্চ শিটগুলিতে সর্বাধিক উদ্ধৃত মাপকাঠি। সেমিঅ্যানালাইসিস যুক্তি দেয় যে জিডিপিভ্যাল প্রাক-এজেন্ট যুগের অন্তর্গত: প্রতিটি কাজ অনুরোধে সম্পূর্ণরূপে বর্ণনা করা হয়েছে এবং কোনও মিথস্ক্রিয়ার অনুমতি দেয় না, তাই মডেলটি সমস্ত প্রসঙ্গ চামচ-খাওয়ানো পায়। এটি জিডিপিভিএলের রেফারেন্স সাবসেটে মানব গ্রেডারদের মধ্যে 71% চুক্তির হারও উদ্ধৃত করে, এমন একটি চিত্র যা এটি পরিমাপের লাঠির জন্য দুর্বল বলে অভিহিত করে।

জিডিপিএক্স বিপরীত বাজি: একটি কাজ অন্বেষণ করার জন্য একটি পরিবেশ হিসাবে আসে, উত্তর দেওয়ার জন্য কোনও প্রশ্ন নয়। এ কারণেই এর স্কোরগুলি লঞ্চের সময় কোডিং বেঞ্চমার্ক ল্যাবগুলির উদ্ধৃতির চেয়ে অনেক কম দেখায়। ক্লোজড-এন্ড কোডিং পরীক্ষায় স্তর আঁকা একই মডেলগুলি যখন কাজটি একটি অগোছালো পরিবেশ, একটি সময়সীমা নিয়ে আসে এবং কী করতে হবে তা কেউ ব্যাখ্যা করে না।

আসল এজেন্টের কাজের জন্য কোন মডেলটি বেছে নেবেন

• যখন সমাপ্তি সবচেয়ে গুরুত্বপূর্ণ এবং বাজেট অনুমতি দেয় তখন Claude Opus 5.5 চয়ন করুন। এটি সামগ্রিকভাবে নেতৃত্ব দেয় এবং ট্রেডিং, হার্ডওয়্যার এবং চিপ ডিজাইন সরাসরি জিতেছে, তবে প্রতি কাজে $ 51.41 এ এটি ব্যয়বহুল বিকল্প।
• উচ্চ-ভলিউম কাজের জন্য জেমিনি 4 কার্বন বেছে নিন। এটি প্রতি কাজের ব্যয়ের প্রায় এক তৃতীয়াংশে নেতার 1.1 পয়েন্টের মধ্যে স্কোর করে এবং এটি জীববিজ্ঞানকে নেতৃত্ব দেয় এবং সফ্টওয়্যার ইঞ্জিনিয়ারিং সংকীর্ণভাবে নেয়।
• গবেষণা-স্টাইলের কাজগুলির জন্য GPT-6 Astra বেছে নিন। এটি পুনরাবৃত্তিমূলক স্ব-উন্নতি এবং উপকরণ বিজ্ঞানে স্পষ্টতই এগিয়ে, তবে এটি শীর্ষ তিনের জন্য সবচেয়ে বেশি ব্যয় করে $ 53.99।
• আপনি যাই বেছে নেন না কেন, লুপে একজন মানুষকে রাখুন। 12% শীর্ষ সমাপ্তিতে, প্রম্পট থেকে ডেলিভারি পর্যন্ত সম্পূর্ণ পেশাদার কাজ আজ অর্পণ করা যায় না। যা কাজ করে তা হ'ল মাঝের অংশ: একটি সংরক্ষণাগার অনুসন্ধান করা, খসড়া করা, ক্রস-চেকিং, একজন ব্যক্তি থ্রেডটি ধরে রাখা এবং ফলাফলের দায়িত্ব গ্রহণ করা।

আপনি যদি এই র্যাঙ্কিংয়ের মডেলগুলির ব্যাকস্টোরি চান তবে আমাদের ব্রেকডাউনগুলি পড়ুন জেমিনি 4 কার্বন, গুগলের সাইবার সিকিউরিটি-ফোকাসড মডেল, GPT-6.1 টেরা, OpenAI এর দ্রুত এবং সস্তা কম্পিউটার-ব্যবহারের মডেল এবং মেটার মিউজ ওয়ান্ডার বেঞ্চমার্ক এবং মূল্য। আপনি যদি এজেন্টকে বেঞ্চমার্ক করার পরিবর্তে নিজের ব্যবসায়ের জন্য কাজ করার পরিকল্পনা করছেন তবে আমাদের এআই এজেন্ট ডেভেলপমেন্ট পরিষেবাদি এবং কীভাবে একটি এআই অটোমেশন এজেন্সি নিয়োগ করবেন তা দেখুন।

যে সীমাবদ্ধতাগুলো মাথায় রাখতে হবে

• জিডিপিএক্স একটি প্রদত্ত সেমিঅ্যানালাইসিস পণ্য। অংশীদার-নির্মিত কাজগুলি মূলত ব্যক্তিগত, কোনও বাইরের ল্যাব ফলাফলের প্রতিলিপি তৈরি করেনি, এবং কাজগুলির কেবল একটি অংশ সর্বজনীন, তাই পাঠকরা কাজের অসুবিধা যাচাই করতে পারবেন না, কেবল লেখকদের বিশ্বাস করুন।
• 12% কঠিন হওয়ার জন্য নির্বাচিত কাজগুলি প্রতিফলিত করে। এটি প্রমাণ নয় যে মডেলগুলি দরকারী কাজ করতে পারে না, এবং এটি জোতা এবং মডেলটি পরিমাপ করে।
• বেশ কয়েকটি প্রাণবন্ত ফলাফল ছোট নমুনার উপর নির্ভর করে, জায়গায় 5 থেকে 25 রান। তাদের উদাহরণ হিসাবে বিবেচনা করুন, জনসংখ্যার পরিসংখ্যান নয়।
• সেমিঅ্যানালাইসিস প্রতি তিন থেকে ছয় মাস অন্তর নতুন সংস্করণের পরিকল্পনা করে। পরবর্তী পঠনটি দেখাবে যে 12% দ্রুত আরোহণ করে বা থাকে কিনা।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

GDPx কি?

জিডিপিএক্স হ'ল 2 নভেম্বর, 2026 এ সেমিঅ্যানালাইসিস দ্বারা প্রকাশিত এআই এজেন্টদের জন্য একটি বেঞ্চমার্ক। এটি পরিমাপ করে যে একটি মডেল 11 টি পেশার 206 টি কাজ জুড়ে, প্রতি কাজে আট ঘন্টা পর্যন্ত কাজ করে। প্রথম র্যাঙ্কিংয়ে শীর্ষ স্কোর Claude Opus 5.5 12.0%।

জিডিপিএক্স স্কোর এত কম কেন?

কারণ প্রতিটি কাজের জন্য কোনও প্রশ্নের উত্তর দেওয়ার পরিবর্তে বাস্তব পরিবেশে কাজ করা প্রয়োজন। এজেন্ট অন্বেষণ করার জন্য ফাইল, ব্যবহার করার সরঞ্জাম এবং পৌঁছানোর জন্য একটি লক্ষ্য পায়, অনুরোধে কোনও প্রসঙ্গ সরবরাহ করা হয়নি। উদাহরণস্বরূপ, অর্থায়নের কাজগুলি একটি অধিগ্রহণ চুক্তি থেকে প্রায় 4,000 নথি থেকে শুরু হয়। একটি কাজ যা প্রায় সম্পন্ন হয়ে গেছে তবে একটি ভুল বিতরণযোগ্য রয়েছে তা এখনও ব্যর্থ হিসাবে গণনা করা হয়।

জিডিপিএক্সে কোন মডেল সবচেয়ে বেশি স্কোর করেছে?

Claude Opus 5.5 12.0% এ সর্বোচ্চ স্কোর করেছে, জেমিনি 4 কার্বন 10.9% এবং GPT-6 Astra 9.6% এ এগিয়ে রয়েছে। সমস্ত পরিসংখ্যান আধাবিশ্লেষণ-রিপোর্ট করা হয়েছে এবং স্বাধীনভাবে প্রতিলিপি করা হয়নি।

প্রতিটি জিডিপিএক্স কাজ চালাতে কত খরচ হয়?

Claude Opus 5.5 প্রতি কাজে গড়ে 51.41 ডলার, GPT-6 Astra $53.99 এবং Gemini 4 কার্বন $ 16.29 ডলার। কার্বন ব্যয়ের প্রায় এক তৃতীয়াংশে নেতার 1.1 পয়েন্টের মধ্যে স্কোর করে, যা উচ্চ-ভলিউম ওয়ার্কফ্লোগুলির জন্য সবচেয়ে গুরুত্বপূর্ণ।

GDPx OpenAI এর GDPval থেকে কীভাবে আলাদা?

জিডিপিভ্যাল অনুরোধে কাজটি সম্পূর্ণরূপে বর্ণনা করে এবং কোনও মিথস্ক্রিয়ার অনুমতি দেয় না, তাই মডেলটি সমস্ত প্রসঙ্গ সামনে পায়। জিডিপিএক্স এজেন্টকে এমন একটি পরিবেশে ফেলে দেয় যা সরঞ্জাম, ফাইল এবং আট ঘন্টার সীমা সহ অন্বেষণ করতে হবে। জিডিপিভিএল এমন একটি ল্যাব থেকে আসে যা মডেল বিক্রি করে; জিডিপিএক্স একটি বিশ্লেষণ ফার্ম থেকে আসে যা গবেষণা বিক্রি করে।

আমি কি জিডিপিএক্স কাজগুলি চেষ্টা করতে পারি?

কেবল আংশিকভাবে। কিছু কাজ সর্বজনীন, যেমন অ্যাপল প্রাইস উইনসরাইজেশন টাস্কটি কোনও মডেল সমাধান করেনি, বাকিগুলি এটি প্রশিক্ষণের ডেটা থেকে দূরে রাখার জন্য বন্ধ থাকে। সেমিঅ্যানালাইসিস পরবর্তী সংস্করণগুলির জন্য টাস্ক তৈরি করতে ইচ্ছুক ডেটা ফার্মগুলির জন্য একটি যোগাযোগের ঠিকানা খুলেছে।

12% শীর্ষ স্কোর কি আমাকে এআই এজেন্টগুলি ব্যবহার করা থেকে বিরত রাখা উচিত?

না। এটি আপনাকে কোনও মানব মালিক ছাড়াই সম্পূর্ণ পেশাদার কাজ শেষ থেকে শেষ পর্যন্ত অর্পণ করা থেকে বিরত রাখা উচিত। এজেন্টরা ইতিমধ্যে কাজের মাঝখানটি ভালভাবে পরিচালনা করে: অনুসন্ধান, খসড়া, ক্রস-চেক এবং প্রথম পাস। আজ বিজয়ী সেটআপটি হ'ল একজন এজেন্ট লেগওয়ার্ক করছে এবং একজন ব্যক্তি থ্রেডটি ধরে রেখেছে এবং সাইন অফ করে।

• GDPx
• SemiAnalysis
• Claude Opus 5.5
• Gemini 4 Carbon
• GPT-6 Astra
• AI agents
• AI benchmarks