GPT-5: नए फीचर्स, टेस्ट, बेंचमार्क्स, और बहुत कुछ

GPT-5 में नए फीचर्स

चैट-आधारित फीचर्स

अपनी चैट्स का रंग कस्टमाइज़ करें

अब आप अपनी चैट्स के लिए कलर स्कीम चुन सकते हैं। यह पूरी तरह कॉस्मेटिक है, लेकिन इंटरफ़ेस को आपका-सा महसूस कराने में मदद करता है। आप रंग को General सेक्शन में जाकर Settings से बदल सकते हैं:

पर्सनैलिटीज़ बदलें

GPT-5 प्रीसेट पर्सनैलिटीज़ पेश करता है, जिससे आप असिस्टेंट की शैली को अधिक सहायक, संक्षिप्त और प्रोफ़ेशनल, या हल्का-सा व्यंग्यात्मक भी बना सकते हैं। क्योंकि GPT-5 की steerability बेहतर हुई है, ये शैलियाँ बातचीत भर में बनी रहती हैं, कुछ संदेशों के बाद फीकी नहीं पड़तीं।

इस फीचर तक पहुँचने के लिए, Personalization सेक्शन में जाएँ Settings में, Custom instructions पर क्लिक करें, और फिर कोई प्रीसेट चुनकर इच्छित पर्सनैलिटी सेलेक्ट करें:

Gmail और Google Calendar इंटीग्रेशन

Plus, Pro, Team, और Enterprise यूज़र्स के लिए, GPT-5 सीधे आपके Gmail और Google Calendar से कनेक्ट हो सकता है। यह आपका शेड्यूल लाता है, खाली समय ढूँढने में मदद करता है, और उन ईमेल्स के जवाब का मसौदा भी तैयार कर सकता है जिन्हें आप टाल रहे थे। यह सच में आपके दिन को सक्रिय रूप से मैनेज करने की दिशा में एक कदम है।

इस फीचर का उपयोग करने के लिए, Connectors सेक्शन में जाएँ Settings में और ऑन-स्क्रीन निर्देशों का पालन करते हुए अपने Gmail और Google Calendar को कनेक्ट करें।

और सुरक्षित, अधिक उपयोगी कम्प्लीशन

GPT-5 पुराने “refusal”-आधारित सेफ्टी दृष्टिकोण की जगह “safe completions” लाता है। कोई अनुरोध असुरक्षित हो सकता है तो उसे बस ब्लॉक करने की बजाय, यह जितनी संभव हो उतनी सहायक, सुरक्षित जानकारी देता है और सीमाएँ समझाता है। यह चापलूसी (sycophancy) को भी कम करता है—वे ज़रूरत से ज़्यादा सहमति जताने वाले उत्तर जो पहले के मॉडलों को कभी-कभी बनावटी बना देते थे।

डेवलपर-केंद्रित फीचर्स

यह छोटा सेक्शन डेवलपर्स के लिए है, इसलिए चाहें तो अगले सेक्शन पर जाएँ जहाँ मैं GPT-5 का परीक्षण करता हूँ।

रीज़निंग और वर्बोसिटी कंट्रोल

API में, आप अब reasoning_effort पैरामीटर से मॉडल की सोच की गहराई नियंत्रित कर सकते हैं, जिसमें तेज़ प्रतिक्रियाओं के लिए नया “minimal” सेटिंग है जब आपको विस्तृत तर्क नहीं चाहिए। साथ ही verbosity पैरामीटर है, जिससे आप बिना प्रॉम्प्ट बदले उत्तरों को छोटा, मध्यम, या लंबा रख सकते हैं।

सादा टेक्स्ट से कस्टम टूल्स

GPT-5 “कस्टम टूल्स” सपोर्ट करता है, जिससे यह JSON के बजाय सादे टेक्स्ट से टूल कॉल कर सकता है। इससे एस्केपिंग समस्याएँ कम होती हैं, जो बड़े कोड ब्लॉक्स जैसे जटिल आउटपुट तोड़ सकती थीं। आप regex या फुल ग्रामर से टूल कॉल्स को बाध्य करके अपना फ़ॉर्मैट भी लागू कर सकते हैं।

लंबे, मल्टी-स्टेप टास्क में बेहतर

मॉडल लंबे समय तक चलने वाले एजेंटिक टास्क संभालने में काफ़ी बेहतर है। यह दर्जनों टूल कॉल्स—क्रम में और समानांतर दोनों—को जोड़े रख सकता है, बिना कॉन्टेक्स्ट खोए।

बेहतर फ्रंट-एंड कोडिंग

इंटरनल टेस्टिंग में, फ्रंट-एंड डेवलपमेंट परिदृश्यों में GPT-5 ने 70% मौकों पर OpenAI o3 को पछाड़ा, और बेहतर डिफ़ॉल्ट लेआउट, टाइपोग्राफी, और स्पेसिंग के साथ साफ़-सुथरे, सौंदर्यपूर्ण इंटरफेस बनाए।

लंबा कॉन्टेक्स्ट, कम hallucinations

API में, GPT-5 संयुक्त इनपुट और आउटपुट कॉन्टेक्स्ट लंबाई 400K टोकन् तक सपोर्ट करता है। बेंचमार्क्स दिखाते हैं कि यह बड़े इनपुट से जानकारी पहले के मॉडलों की तुलना में अधिक सटीकता से निकालता है, और तथ्यात्मक कार्यों पर hallucination दरें काफ़ी घटाता है।

GPT-5 का परीक्षण

कुछ हफ्ते पहले, मैंने Grok 4 का परीक्षण किया था, और तुलना के लिए, मैं GPT-5 को उन्हीं प्रॉम्प्ट्स पर परखना चाहता था ताकि देखा जा सके कि वे कैसे तुलना करते हैं। यह GPT-5 का विस्तृत मूल्यांकन नहीं है—सिर्फ़ एक तेज़ तरीका है यह समझने का कि एक सामान्य चैट सेटअप में यह कैसे बर्ताव करता है।

गणित

शुरुआत के लिए, मैंने GPT-5 को एक छोटा गणितीय चैलेंज दिया: 9.11 माइनस 9.9। सतह पर यह आसान घटाव है, लेकिन इस तरह का साधारण अंकगणित कभी-कभी दिखाता है कि भाषा मॉडल कैसे तर्क करते हैं—Claude Sonnet 4 इस पर मेरे टेस्ट में लड़खड़ा गया था। कैलकुलेटर तुरंत उत्तर दे सकता है, पर मैं वास्तव में प्रक्रिया को परख रहा था: क्या GPT-5 चरण-दर-चरण तर्क करेगा, या कोई बिल्ट-इन टूल का सहारा लेगा?

हैरानी की बात है, GPT-5 ने एक सेकंड से भी कम में सही समाधान दिया—उत्तर सचमुच तुरंत-सा लगा। मेरे फॉलो-अप प्रश्न के आधार पर, घटाव में संभवतः किसी प्रकार का chain-of-thought तर्क शामिल था, जहाँ मॉडल ने अंदरूनी तौर पर मध्यवर्ती चरणों का प्रतिनिधित्व किया, जैसे 9.9 को 10-0.1 लिखना, 9.11 से घटाना, फिर परिणाम समायोजित करना।

उसके थोड़ी देर बाद, मैंने GPT-5 के साथ एक मज़ेदार बातचीत की जब मैंने धोखे से कहा कि उसकी गणना गलत है। उसकी चापलूसीपूर्ण प्रवृत्ति ने उसे मुझसे सहमत कर दिया, फिर भी वह सही उत्तर पर पहुँचा—जो संकेत है कि कम-से-कम गणित जैसे वस्तुनिष्ठ प्रश्नों में आप मॉडल पर भरोसा कर सकते हैं।

इसके बाद, मैंने मॉडल को एक अधिक जटिल गणितीय समस्या पर परखा:

0 से 9 तक के सभी अंकों का एक-एक बार उपयोग करके तीन संख्याएँ x, y, z बनाइए ताकि x + y = z हो।

जब मैं उत्तर का इंतज़ार कर रहा था, मैंने एक विकल्प देखा कि तेज़ प्रतिक्रिया ली जा सकती है। मैंने इसे आज़माया नहीं, लेकिन यह तब उपयोगी हो सकता है जब आप जल्दी में हों या लगे कि मॉडल किसी सरल समस्या पर अधिक सोच रहा है। हालिया अध्ययन दिखाते हैं कि अधिक तर्क हमेशा बेहतर तरीका नहीं होता।

30 सेकंड सोचने के बाद, GPT-5 ने दो सही उत्तर दिए। थिंकिंग ट्रेस में, इसने स्पष्ट रूप से “एक त्वरित प्रोग्राम” का उपयोग करने का ज़िक्र किया—जो समझदारी है, क्योंकि chain-of-thought से दिमाग़ में हल करना बहुत समय ले सकता था (कुल 10! = 3,628,800 क्रमचयों के साथ कई संभावित विभाजन हैं)। हालाँकि, मैं वह वास्तविक प्रोग्राम नहीं देख सका जो इसने अंदर चलाया—जो बहुत उपयोगी होता।

कोडिंग

कोडिंग टास्क के लिए, मैंने वही गेम बनवाने की कोशिश की जो मैंने पहले Grok के साथ बनवाया था। प्रॉम्प्ट में एकमात्र फर्क यह था कि मैंने GPT-5 से Canvas में कोड चलाने को कहा।

प्रॉम्प्ट: मेरे लिए एक आकर्षक एंडलेस रनर गेम बनाइए। स्क्रीन पर प्रमुख निर्देश। p5.js सीन, कोई HTML नहीं। मुझे पिक्सेलेटेड डायनासोर और दिलचस्प बैकग्राउंड पसंद हैं। कोड Canvas में चलाएँ।

तीन बिल्ड विफलताओं के बाद, मैंने Canvas में चलाने का विचार छोड़ दिया और इसके बजाय p5.js एडिटर में कोड चलाया। नतीजा यहाँ है:

मॉडल ने 764 लाइनों का प्रभावशाली कोड लिखा और इस गेम का अब तक का सबसे अच्छा V1 तैयार किया जो मैंने किसी भी मॉडल से जनरेट कर पाया हूँ। उदाहरण के लिए, अधिकांश मॉडल खेल को पॉज़ स्क्रीन से शुरू कराने में विफल रहे, जहाँ खिलाड़ी तय कर सके कि कब शुरू करना है—कोड रन होते ही गेम लॉन्च हो जाता था। और किसी ने बेस्ट स्कोर, ग्लाइड करने की क्षमता, या गेम पॉज़ करने जैसी सुविधाएँ शामिल नहीं की थीं।

लॉन्ग-कॉन्टेक्स्ट मल्टीमॉडल

ठीक Grok 4 की तरह, मैं एक बड़ा PDF टेस्ट करना चाहता था, इसलिए मैंने यूरोपियन कमीशन की Generative AI Outlook Report (43,087 टोकन् / 167 पेज) अपलोड की और GPT-5 को यह प्रॉम्प्ट दिया:

प्रॉम्प्ट: पूरी रिपोर्ट का विश्लेषण करें और तीन सबसे सूचनात्मक ग्राफ़ की पहचान करें। प्रत्येक का सार बताएँ और बताइए कि वे PDF के किस पेज पर हैं।

परिणाम दिखाने से पहले (मेरे Pro अकाउंट का उपयोग करते हुए), ध्यान दें कि यह PDF काफ़ी बड़ा है, इसलिए ChatGPT Free (8K टोकन सीमा) या ChatGPT Plus (32K टोकन सीमा) पर चलाना संभवतः असफल होगा। उदाहरण के लिए, जब मैंने इससे दस्तावेज़ का सार माँगा (Free अकाउंट के साथ), तो मैसेज स्ट्रीम में एरर आया—संभवतः मेमोरी सीमाओं के कारण।

जब मैंने यह टास्क Pro अकाउंट के साथ चलाया, तो कुछ नतीजे मिले—लेकिन जैसा कि नीचे के वीडियो में दिखता है, काफ़ी समस्याएँ थीं:

आउटपुट चौंकाने वाला खराब था और मेरी ओर से किसी और टिप्पणी की ज़रूरत नहीं। मैंने फॉलो-अप प्रॉम्प्ट करने की भी कोशिश नहीं की। यह बिलकुल भी “एक PhD से बात” जैसा नहीं लगा, न ही “AGI” के करीब।

GPT-5 बेंचमार्क्स

OpenAI ने GPT-5 के लिए व्यापक बेंचमार्क परिणाम प्रकाशित किए हैं, जिनमें कोडिंग, गणित, मल्टीमॉडल तर्क, निर्देशों का पालन, टूल प्रयोग, लॉन्ग-कॉन्टेक्स्ट रिट्रीवल, और तथ्यात्मकता शामिल हैं। नीचे उनकी आधिकारिक डाक्यूमेंटेशन और ब्लॉग पोस्ट्स से रिपोर्ट किए गए अंकों का सारांश है।

कोडिंग प्रदर्शन

SWE-bench Verified—वास्तविक दुनिया के Python कोडिंग टास्क्स का बेंचमार्क—पर GPT-5 ने 74.9% स्कोर किया, जो OpenAI o3 के 69.1% से ऊपर है और GPT-4.1 (54.6%) से काफ़ी आगे। दक्षता पर नज़र डालें तो बढ़त और प्रभावशाली है: उच्च reasoning effort पर, वही नतीजे पाने के लिए GPT-5 ने o3 की तुलना में 22% कम आउटपुट टोकन् और 45% कम टूल कॉल्स का उपयोग किया।

स्रोत: OpenAI

Aider Polyglot—जो मल्टी-लैंग्वेज कोड एडिटिंग परखता है—पर GPT-5 ने 88% हासिल किया, जबकि o3 ने 81%—यानी त्रुटि दर में लगभग एक-तिहाई की कमी। और नतीजे आप इस डेवलपर-केन्द्रित रिपोर्ट में पा सकते हैं।

गणित और वैज्ञानिक तर्क

गणित-प्रधान बेंचमार्क्स में भी GPT-5 ने मजबूत परिणाम दिए। AIME 2025 (प्रतियोगिता-स्तर गणित, बिना टूल्स) पर GPT-5 (नो टूल्स) ने 94.6% स्कोर किया, जबकि o3 (नो टूल्स) ने 88.9%। HMMT (Harvard-MIT गणित टूर्नामेंट) पर, बिना टूल्स 93.3% तक पहुँचा, o3 के 85% को पीछे छोड़ते हुए। FrontierMath (एक्सपर्ट-स्तर गणित Python टूल के साथ) में GPT-5 ने 26.3% स्कोर किया—बड़ा नंबर नहीं, पर o3 के 15.8% से आगे।

स्रोत: OpenAI

GPQA Diamond—PhD-स्तर विज्ञान प्रश्नों—में GPT-5 ने टूल्स (Python) के साथ 87.3% और बिना टूल्स 85.7% हासिल किया, दोनों कॉन्फ़िगरेशन में o3 से थोड़ा बेहतर।

मल्टीमॉडल तर्क

मल्टीमॉडल बेंचमार्क्स पर, GPT-5 ने नया स्टेट-ऑफ-द-आर्ट स्थापित किया। MMMU (कॉलेज-स्तर विज़ुअल तर्क) पर 84.2% और MMMU-Pro (ग्रेजुएट-स्तर) पर 78.4% स्कोर करते हुए, दोनों मामलों में o3 को पीछे छोड़ा। VideoMMMU (वीडियो-आधारित तर्क, 256 फ़्रेम तक) पर GPT-5 ने 84.6% शुद्धता पाई, जबकि o3 ने 83.3%।

यह CharXiv Reasoning (वैज्ञानिक फ़िगर व्याख्या) पर थिंकिंग सक्षम होने पर 81.1% और ERQA (स्थानिक तर्क) पर 65.7% के साथ भी अच्छा प्रदर्शन करता है—दोनों में o3 से आगे।

Humanity’s Last Exam (HLE)

Humanity’s Last Exam 2,500 हाथ से चुने गए, PhD-स्तर के प्रश्नों का चुनौतीपूर्ण बेंचमार्क है, जो गणित, भौतिकी, रसायन, भाषाविज्ञान, और इंजीनियरिंग में फैला है।

OpenAI के प्रकाशित परिणामों के अनुसार, GPT-5 बिना टूल्स 24.8% और Pro वैरिएंट में 42.0% स्कोर करता है।

स्रोत: OpenAI

xAI के अपने आँकड़ों के अनुसार, Grok 4 बिना टूल्स ~26% और टूल्स के साथ 41.0% तक पहुँचता है। Grok 4 Heavy कॉन्फ़िगरेशन—कई एजेंट्स को समानांतर में चलाकर आउटपुट मर्ज करना—इसे 50.7% तक ले जाता है, जो मल्टी-एजेंट सेटअप का फायदा दिखाता है। जहाँ दोनों मॉडल सिंगल-एजेंट, टूल-असिस्टेड मोड में मिलते-जुलते परिणाम देते हैं, वहीं Grok 4 Heavy की आर्किटेक्चर यहाँ एक स्पष्ट बढ़त देती है।

स्रोत: xAI

निष्कर्ष

GPT-5 वह AGI मील का पत्थर नहीं है जिसकी कुछ लोगों को उम्मीद थी, और यह निश्चित रूप से “जेब में PhD” जैसा महसूस नहीं होता। लेकिन यह OpenAI के पिछले लाइनअप का एक सुव्यवस्थित समेकन है, जो एक अधिक निर्बाध अनुभव देता है, साथ ही कुछ सार्थक, भले ही क्रमिक, तकनीकी सुधारों के साथ।

नई चैट-आधारित सुविधाएँ—जैसे पर्सनैलिटीज़, रंग कस्टमाइज़ेशन, और Gmail/Calendar इंटीग्रेशन—ChatGPT को दैनिक वर्कफ़्लो के लिए अधिक निजी और उपयोगी बनाती हैं। डेवलपर पक्ष पर, तर्क, वर्बोसिटी, और टूल फ़ॉर्मैट्स पर सूक्ष्म नियंत्रण, साथ ही लंबे समय तक चलने वाले टास्क में बेहतर प्रदर्शन, सभी स्वागतयोग्य सुधार हैं।

परीक्षण में, GPT-5 ने सीधे-सरल तर्क और कोडिंग कार्यों को बहुत अच्छी तरह संभाला, यहाँ तक कि किसी भी मॉडल से अब तक देखे गए गेम का सर्वश्रेष्ठ प्रथम संस्करण तैयार किया। लेकिन लॉन्ग-कॉन्टेक्स्ट मल्टीमॉडल प्रदर्शन अब भी उम्मीदों से कम रहा, जहाँ Pro-टियर संसाधन भी प्रचार के अनुरूप परिणाम देने में नाकाम रहे।

अधिकांश लोगों के लिए, GPT-5 आज उपलब्ध सबसे सुलभ और बहुमुखी AI टूल बना रहेगा। बस वर्तमान मॉडलों की सीमाएँ तोड़ने की उम्मीद न रखें। यह क्रांतिकारी नहीं, बल्कि क्रमिक विकास है—और आपकी ज़रूरतों के अनुसार, यही शायद आप चाहते हों।