OpenAI’s O3: Features, O1 Comparison, Benchmarks & More

OpenAI o3 क्या है?

o3 OpenAI का नवीनतम फ्रंटियर मॉडल है, जिसे कोडिंग, गणित, विज्ञान और विजुअल परसेप्शन जैसे जटिल कार्यों में तर्क क्षमता को आगे बढ़ाने के लिए डिज़ाइन किया गया है। 

o3 रीजनिंग मॉडल पहला ऐसा रीजनिंग मॉडल है जिसे स्वायत्त टूल उपयोग तक पहुँच है। इसका मतलब है कि o3 अपने कार्यों को पूरा करने के लिए सर्च, Python, इमेज जनरेशन और इंटरप्रिटेशन का उपयोग कर सकता है। 

इसका अनुवाद उन्नत बेंचमार्क्स पर मजबूत प्रदर्शन में हुआ है, जो वास्तविक दुनिया की समस्या-समाधान क्षमता की जाँच करते हैं—जहाँ पहले के मॉडल संघर्ष करते रहे हैं। OpenAI ने o3 की o1 पर बढ़त को रेखांकित किया है, और इसे अब तक का उनका सबसे सक्षम और बहुमुखी मॉडल बताया है। 

O1 बनाम O3

o3 सीधे o1 द्वारा स्थापित नींव पर बना है, लेकिन प्रमुख क्षेत्रों में सुधार महत्वपूर्ण हैं। OpenAI ने o3 को अधिक जटिल तर्क-आधारित कार्यों को संभालने के लिए डिज़ाइन किए गए मॉडल के रूप में पेश किया है, और इसके बेंचमार्क्स में यह प्रदर्शन लाभ स्पष्ट दिखता है।

कोडिंग

सॉफ्टवेयर इंजीनियरिंग कार्यों पर परीक्षण में, o3 ने SWE-Bench Verified Software Engineering बेंचमार्क पर 69.1% सटीकता हासिल की, जो o1 के 48.9% स्कोर की तुलना में बड़ा सुधार है।

स्रोत: OpenAI

इसी तरह, प्रतिस्पर्धी प्रोग्रामिंग में, o3 ने 2706 का ELO स्कोर हासिल किया, जो o1 के 1891 के पिछले उच्च स्तर से कहीं आगे है। इसके अलावा, o3 कोड एडिटिंग बेंचमार्क्स पर काफी बेहतर प्रदर्शन करता है, जहाँ Aider Polyglot Code Editing बेंचमार्क में o3 के वेरिएंट्स ने हर जगह o1 को पीछे छोड़ा है।  

स्रोत: OpenAI

गणित और विज्ञान

सुधार केवल कोडिंग तक सीमित नहीं हैं। o3 गणितीय तर्क में भी उत्कृष्ट है—AIME 2024 पर 91.6% सटीकता के साथ, जबकि o1 ने 74.3% हासिल किया था। इसने AIME 2025 पर भी 88.9% स्कोर किया। ये बढ़तें संकेत देती हैं कि मॉडल अधिक सूक्ष्म और कठिन समस्याओं को संभाल सकता है, और उन बेंचमार्क्स के करीब पहुँच रहा है जिन्हें परंपरागत रूप से मानव विशेषज्ञ वर्चस्व में रखते आए हैं।

स्रोत: OpenAI

विज्ञान-संबंधी बेंचमार्क्स में भी यही छलांग दिखती है। GPQA Diamond पर, जो PhD-स्तरीय विज्ञान प्रश्नों पर प्रदर्शन को मापता है, o3 ने 83.3% सटीकता हासिल की, जो o1 के 78% से अधिक है। ये बढ़तें दर्शाती हैं कि मॉडल विभिन्न विधाओं में तकनीकी रूप से मांग वाले समस्याओं के समाधान की क्षमता में व्यापक सुधार प्रदर्शित करता है।

स्रोत: OpenAI

विज़ुअल रीजनिंग

नए o3 मॉडल के अधिक उल्लेखनीय पहलुओं में से एक इसकी यह क्षमता है कि यह अपने chain of thought में सीधे छवियों के साथ तर्क कर सकता है। इसका मतलब है कि o3 समस्याएँ हल करते समय विज़ुअल और टेक्स्टुअल रीजनिंग को जोड़ सकता है—और यह कई विज़ुअल रीजनिंग बेंचमार्क्स पर इसके प्रदर्शन में झलकता है।

स्रोत: OpenAI 

उदाहरण के लिए, o3 ने कई विज़ुअल रीजनिंग बेंचमार्क्स पर o1 को पीछे छोड़ दिया, जिनमें MMMU कॉलेज-स्तरीय विज़ुअल समस्या-समाधान बेंचमार्क (82.9% बनाम o1 का 77.6%), MathVista विज़ुअल मैथ रीजनिंग बेंचमार्क (86.8% बनाम o1 का 71.8%), और CharXiv-Reasoning साइंटिफिक फिगर रीजनिंग बेंचमार्क (78.6% बनाम o1 का 55.1%) शामिल हैं। 

स्रोत: OpenAI

EpochAI फ्रंटियर मैथ

एक क्षेत्र जहाँ o3 की प्रगति विशेष रूप से उल्लेखनीय है, वह EpochAI Frontier Math बेंचमार्क पर है।

इसे AI के सबसे चुनौतीपूर्ण बेंचमार्क्स में से एक माना जाता है क्योंकि इसमें नई, अप्रकाशित समस्याएँ शामिल हैं, जिन्हें जानबूझकर मानक डेटासेट्स की तुलना में बहुत अधिक कठिन बनाया गया है। इनमें से कई समस्याएँ गणितीय अनुसंधान के स्तर की होती हैं, जिन्हें हल करने में पेशेवर गणितज्ञों को भी घंटों या दिनों लग सकते हैं। वर्तमान AI सिस्टम आमतौर पर इस बेंचमार्क पर 2% से कम स्कोर करते हैं, जो इसकी कठिनाई को दर्शाता है।

EpochAI Frontier Math पर O3। स्रोत: OpenAI

Epic AI का Frontier Math इसलिए महत्वपूर्ण है क्योंकि यह मॉडलों को रटकर याद करने या परिचित पैटर्न के अनुकूलन से आगे धकेलता है। इसके बजाय, यह उनकी सामान्यीकरण, अमूर्त तर्क और पहले न देखी गई समस्याओं से निपटने की क्षमता का परीक्षण करता है—जो AI तर्क क्षमताओं को आगे बढ़ाने के लिए आवश्यक गुण हैं। इस बेंचमार्क पर o3 का 25.2% स्कोर पिछले state of the art प्रदर्शन से कहीं आगे की छलांग है। .

ARC AGI पर O3 की सफलता

o3 की सबसे प्रभावशाली उपलब्धियों में से एक ARC AGI बेंचमार्क पर इसका प्रदर्शन है, जिसे AI में सामान्य बुद्धिमत्ता के आकलन के लिए गोल्ड स्टैंडर्ड माना जाता है।

2019 में François Chollet द्वारा विकसित, ARC (Abstraction and Reasoning Corpus) किसी AI की न्यूनतम उदाहरणों से नई कौशल सीखने और सामान्यीकरण करने की क्षमता का आकलन करने पर केंद्रित है। पारंपरिक बेंचमार्क्स के विपरीत, जो अक्सर प्री-ट्रेंड ज्ञान या पैटर्न पहचान का परीक्षण करते हैं, ARC कार्य इस तरह से डिज़ाइन किए गए हैं कि मॉडल्स को तुरंत नियमों और ट्रांसफॉर्मेशंस का अनुमान लगाना पड़े—ऐसे कार्य जिन्हें मनुष्य सहज रूप से हल कर लेते हैं, पर AI ऐतिहासिक रूप से संघर्ष करता आया है।

ARC AGI को विशेष रूप से कठिन बनाता है कि हर कार्य अलग-अलग तर्क कौशल मांगता है। मॉडल्स याद किए गए समाधानों या टेम्पलेट्स पर निर्भर नहीं रह सकते; इसके बजाय, उन्हें हर टेस्ट में पूरी तरह नए चुनौतियों के अनुरूप ढलना होता है। उदाहरण के लिए, एक कार्य में ज्यामितीय ट्रांसफॉर्मेशंस में पैटर्न पहचानना शामिल हो सकता है, जबकि दूसरे में संख्यात्मक श्रेणियों पर तर्क करना पड़ सकता है। यह विविधता ARC AGI को इस बात का शक्तिशाली माप बनाती है कि कोई AI सच में मनुष्य की तरह कितना सोच और सीख सकता है।

क्या आप अनुमान लगा सकते हैं कि इनपुट को किस लॉजिक से आउटपुट में बदला गया है? स्रोत: OpenAI

ARC AGI पर o3 का प्रदर्शन एक महत्वपूर्ण मील का पत्थर है। लो-कम्प्यूट सेटिंग्स पर, o3 ने सेमी-प्राइवेट होल्डआउट सेट पर 76% स्कोर किया—जो अब तक के किसी भी पिछले मॉडल से कहीं ऊपर है।

हाई-कम्प्यूट सेटिंग्स में परीक्षण करने पर, इसने और भी प्रभावशाली 88% हासिल किया, जो अक्सर मानव-स्तरीय प्रदर्शन के रूप में उद्धृत 85% की दहलीज से ऊपर है। यह पहली बार है जब किसी AI ने इस बेंचमार्क पर मनुष्यों को पीछे छोड़ा है, और तर्क-आधारित कार्यों के लिए एक नया मानक स्थापित किया है।

स्रोत: ArcPrize

हम मानते हैं कि ये परिणाम विशेष रूप से उल्लेखनीय हैं क्योंकि वे दिखाते हैं कि o3 ऐसी задачाएँ संभाल सकता है जो रटकर याद किए गए ज्ञान या brute-force computation के बजाय अनुकूलनशीलता और सामान्यीकरण मांगती हैं। यह स्पष्ट संकेत है कि o3 वास्तविक सामान्य बुद्धिमत्ता के और करीब जा रहा है—डोमेन-विशिष्ट क्षमताओं से आगे बढ़कर उन क्षेत्रों में प्रवेश कर रहा है जिन्हें पहले केवल मानव-विशेष माना जाता था।

हालाँकि, ऊपर दिए गए परिणाम दिसंबर में OpenAI के 12 डेज़ ऑफ क्रिसमस इवेंट में साझा किए गए o3 के संस्करण पर आधारित हैं, और OpenAI ने पुष्टि की है कि नया जारी संस्करण उपरोक्त परीक्षणों में दिखाए गए से अलग है। ARC AGI जल्द ही o3 के अद्यतन प्रदर्शन परिणाम जारी करेगा। 

o3 की तकनीकी नवाचार

इतना बड़ा प्रदर्शन सुधार यूँ ही नहीं हो जाता। OpenAI की टीम ने ऐसे कुछ ब्रेकथ्रूज़ खोजे हैं जिनसे ये संख्याएँ संभव हुईं:

रिइनफोर्समेंट लर्निंग में नवाचार

OpenAI ने पाया कि रिइनफोर्समेंट लर्निंग प्रशिक्षण के दौरान compute बजट बढ़ाने से मॉडल का प्रदर्शन बेहतर होता है—ठीक वैसा ही स्केलिंग व्यवहार जैसा हमने GPT मॉडलों में सुपरवाइज्ड प्रीट्रेनिंग के साथ देखा है। लेकिन इस बार, अगले शब्द की भविष्यवाणी को ऑप्टिमाइज़ करने के बजाय, o3 रिइनफोर्समेंट लर्निंग रिवॉर्ड्स को अधिकतम करके सीखता है, अक्सर टूल-समर्थित वातावरणों में।

दूसरे शब्दों में, OpenAI रिइनफोर्समेंट लर्निंग को अधिक प्रीट्रेनिंग जैसा मान रहा है—अवधि और compute दोनों में इसे स्केल कर रहा है—और यह काम करता दिख रहा है। इससे दीर्घकालिक योजना और क्रमिक तर्क से लाभान्वित क्षमताएँ अनलॉक होती हैं, जैसे प्रतिस्पर्धी प्रोग्रामिंग और मल्टी-स्टेप गणितीय प्रूफ। जब टूल उपयोग के साथ जोड़ा जाता है, तो प्रदर्शन लाभ और भी स्पष्ट हो जाते हैं।

विज़ुअल रीजनिंग में नवाचार

o3 विज़ुअल रीजनिंग में भी महत्वपूर्ण सुधार दिखाता है। यह केवल छवियों को समझता ही नहीं—उन्हें सीधे अपने रीजनिंग लूप में समाहित करता है। इसमें समस्याएँ हल करते समय छवियों की व्याख्या, उनमें हेरफेर और दोबारा जाँच शामिल है। यही एक कारण है कि o3 वैज्ञानिक चित्रों, गणितीय आरेखों और यहाँ तक कि फ़ोटो से शेड्यूलिंग जैसे कार्यों में अच्छा प्रदर्शन करता है।

एक प्रमुख नवाचार यह है कि o3 अपने तर्क-वितर्क की पूरी प्रक्रिया में कच्ची इमेज को मेमोरी में बनाए रखता है। किसी स्थिर कैप्शन को प्रोसेस कर इमेज को त्याग देने के बजाय, यह टूल्स का उपयोग करके माँग के अनुसार इमेज के अलग-अलग हिस्सों पर ज़ूम, रोटेट या पुनः नज़र डाल सकता है। इससे इसका तर्क अधिक गतिशील हो जाता है और यह धुंधले वाइटबोर्ड, हाथ से बने आरेख या कॉन्फ्रेंस शेड्यूल की फोटो जैसे अधिक अव्यवस्थित विज़ुअल इनपुट्स से भी निपट सकता है।

एक उदाहरण में, OpenAI ने o3 का उपयोग किसी शो के शेड्यूल की एक कम-गुणवत्ता वाली इमेज पढ़ने और ऐसा यात्रा-कार्यक्रम बनाने के लिए किया जो हर इवेंट को दस मिनट के ब्रेक्स के साथ जोड़ दे—जो विज़ुअल लेआउट को पार्स करने और वास्तविक समय की बाधाओं को लागू करने; दोनों की माँग करता है।

हमने अपनी ओर से एक त्वरित परीक्षण के साथ विज़ुअल कौशल जाँचना चाहा। हमने पहले o1 को एक प्राथमिक स्तर का चित्र दिया और पूछा, “हम कौन-सा फ्रैक्टल बनाना शुरू कर रहे हैं?” 

o1 ने गलत जवाब दिया। दूसरी ओर, o3 ने सही बताया: इसने हमें बताया कि हम dragon curve बनाना शुरू कर रहे थे। यह छोटा-सा परीक्षण था, लेकिन परिणाम ने हमें प्रभावित किया क्योंकि हमने o3 को ज़्यादा संकेत नहीं दिए थे।

लागत दक्षता में नवाचार

दिलचस्प है कि लागत बनाम प्रदर्शन मेट्रिक्स o3 के साथ बेहतर हैं। यानी समान इंफ़ेरेंस लागत स्तरों पर प्रदर्शन अधिक है। इसका श्रेय संभवतः आर्किटेक्चरल ऑप्टिमाइज़ेशंस को जाता है जो टोकन थ्रूपुट में सुधार और लेटेंसी कम करते हैं। लागत एक बड़ा विषय रहा है, खासकर तब से जब Deepseek-R1 ने ChatGPT की लागत के एक अंश में सुपर हाई प्रदर्शन की घोषणा की थी।

o3 Mini क्या है?

अप्रैल 2025 तक, o3-mini को ChatGPT और API में पूरी तरह o4-mini से बदल दिया गया है। o4-mini अधिकांश बेंचमार्क्स पर बेहतर प्रदर्शन देता है, नैटिव मल्टीमॉडल इनपुट जोड़ता है, और टूल कम्पैटिबिलिटी बरकरार रखता है—साथ ही o3 की तुलना में तेज़ और अधिक किफायती रहता है। प्रभाव में, o4-mini अब वह भूमिका निभाता है जिसके लिए o3-mini को डिज़ाइन किया गया था। हालांकि, नीचे दी गई सामग्री o3-mini के बारे में मान्य रहती है।

o3-mini को o3 के साथ एक लागत-प्रभावी विकल्प के रूप में पेश किया गया था, ताकि उन्नत तर्क क्षमताएँ प्रदर्शन बनाए रखते हुए अधिक उपयोगकर्ताओं तक पहुँच सकें। OpenAI ने o3-mini को रीजनिंग मॉडलों में “cost-performance frontier” को फिर से परिभाषित करने वाला बताया, जिससे यह उन कार्यों के लिए सुलभ हो सके जो उच्च सटीकता की माँग करते हैं लेकिन संसाधनों की सीमाओं का संतुलन भी चाहिए।

o3-mini की विशिष्ट खूबियों में से एक है इसका adaptive thinking time, जो उपयोगकर्ताओं को कार्य की जटिलता के आधार पर मॉडल के तर्क-प्रयास को समायोजित करने देता है। सरल समस्याओं के लिए, उपयोगकर्ता कम-प्रयास तर्क चुन सकते हैं, ताकि गति और दक्षता अधिकतम हो।

ज़्यादा चुनौतीपूर्ण कार्यों के लिए, उच्च तर्क-प्रयास विकल्प मॉडल को o3 के तुलनीय स्तरों पर प्रदर्शन करने में सक्षम बनाते हैं—वह भी लागत के एक हिस्से में। यह लचीलापन विविध उपयोग-परिदृश्यों पर काम करने वाले डेवलपर्स और शोधकर्ताओं के लिए विशेष रूप से आकर्षक है।

स्रोत: OpenAI

लाइव डेमो ने दिखाया कि o3-mini अपने वादे पर खरा उतरता है। उदाहरण के लिए, एक कोडिंग कार्य में, o3-mini को टेस्टिंग के लिए एक इंटरैक्टिव UI के साथ लोकल सर्वर बनाने हेतु Python स्क्रिप्ट जनरेट करने का कार्य दिया गया। कार्य की जटिलता के बावजूद, मॉडल ने अच्छा प्रदर्शन किया, और प्रोग्रामिंग चुनौतियों को संभालने की अपनी क्षमता दर्शायी।

स्रोत: OpenAI

हम o3-mini को ऐसे परिदृश्यों के लिए एक व्यावहारिक समाधान के रूप में देखते हैं जहाँ लागत-प्रभावशीलता और प्रदर्शन का संतुलन आवश्यक है।

सुरक्षा परीक्षण में o3 अपडेट्स

O3 के उपलब्ध होने में कुछ अतिरिक्त समय लगा, और कुछ कारण संभवतः सुरक्षा में हुए नवाचारों से जुड़े थे।

रिफ्यूज़ल ट्रेनिंग का पुनर्परिभाषण

OpenAI ने कहा कि उसने अपने सुरक्षा प्रशिक्षण डेटासेट्स को फिर से बनाया और हजारों लक्षित रिफ्यूज़ल प्रॉम्प्ट्स पेश किए। उन्होंने विशिष्ट श्रेणियों को रेखांकित किया: जैविक खतरों, मैलवेयर जनरेशन, और जेलब्रेक तकनीकें। इस ताज़ा प्रशिक्षण डेटा ने o3 को आंतरिक बेंचमार्क्स पर मजबूत रिफ्यूज़ल सटीकता दिखाने में सक्षम बनाया है, जैसे निर्देश पदानुक्रम हैंडलिंग और जेलब्रेक रेज़िलिएंस। यह हासिल करने के लिए, कथित तौर पर, OpenAI के टीम सदस्यों ने असुरक्षित सामग्री को फ़्लैग करने में हजार घंटे लगाए।

रीजनिंग LLMs के साथ मॉनिटरिंग

OpenAI ने एक reasoning-आधारित LLM मॉनिटर (जिसे वे “सुरक्षा-केंद्रित reasoning मॉनिटर” कहते हैं) भी लागू किया है। तो असुरक्षित प्रॉम्प्ट्स पर मॉडल को “ना” कहना सिखाने के अलावा, OpenAI ने एक अतिरिक्त सुरक्षा परत जोड़ी है, जो एक reasoning-आधारित LLM है। इसे एक समानांतर में चलने वाले watchdog मॉडल की तरह समझें, जो विशेष रूप से उपयोगकर्ता इनपुट्स के इरादे और संभावित जोखिमों पर विचार करने के लिए प्रशिक्षित है, और मानव-लिखित सुरक्षा नियमों को मार्गदर्शक के रूप में उपयोग करता है।

Deliberative alignment

OpenAI ने o3 और o3 mini के लिए सुरक्षा परीक्षण में एक सक्रिय दृष्टिकोण अपनाया है, जिसके तहत मॉडलों के पूर्ण रिलीज़ से पहले शोधकर्ताओं को सार्वजनिक सुरक्षा मूल्यांकन के लिए एक्सेस दिया गया।

OpenAI की o3 के लिए सुरक्षा रणनीति का एक केंद्रीय तत्व है deliberative alignment—एक विधि जो पारंपरिक सुरक्षा दृष्टिकोणों से आगे जाती है। नीचे दिया गया ग्राफ दिखाता है कि deliberative alignment किस तरह RLHF (Reinforcement Learning with Human Feedback), RLAIF (Reinforcement Learning with AI Feedback), और Self-REFINE जैसी inference-time refinement तकनीकों से अलग है।

स्रोत: OpenAI

Deliberative alignment में, मॉडल केवल स्थिर नियमों या प्रेफरेंस डेटासेट्स पर निर्भर होकर यह तय नहीं करता कि कोई प्रॉम्प्ट सुरक्षित है या असुरक्षित। इसके बजाय, यह वास्तविक समय में प्रॉम्प्ट्स का मूल्यांकन करने के लिए अपनी reasoning क्षमताओं का उपयोग करता है। ऊपर का ग्राफ इस प्रक्रिया को दर्शाता है:

1. प्रशिक्षण डेटा जनरेशन: RLHF के विपरीत, जहाँ मानव इनपुट सीधे मॉडल को सूचित करता है, deliberative alignment एक reasoning मॉडल का उपयोग करता है जो विशिष्ट प्रॉम्प्ट्स के लिए chain-of-thought (CoT) आउटपुट्स जनरेट करता है। ये CoT आउटपुट्स प्रशिक्षण प्रक्रिया का मार्गदर्शन करने के लिए सूक्ष्म तर्क-पैटर्न प्रदान करते हैं, जिससे मॉडल संदर्भ और इरादे को अधिक प्रभावी ढंग से समझ सके।
2. इंफ़ेरेंस समय: इंफ़ेरेंस के दौरान, reasoning मॉडल प्रॉम्प्ट्स का मूल्यांकन करता है और अपने उत्तरों के साथ chain-of-thought व्याख्या प्रदान करता है। यह चरण मॉडल को प्रॉम्प्ट के इरादे और संदर्भ का गतिशील रूप से आकलन करने देता है, और संभावित छिपे जोखिमों या अस्पष्टताओं की पहचान करता है जिन्हें स्थिर नियम नज़रअंदाज़ कर सकते हैं।

OpenAI को उम्मीद है कि हम सुरक्षा पर और पढ़ना चाहेंगे। इसी के मद्देनज़र, उन्होंने अपना Preparedness Framework जारी किया है, जिसमें गंभीर नुकसान को मापने और उससे सुरक्षा के बारे में उनके विचार शामिल हैं।

o3-Pro के बारे में क्या?

ChatGPT मॉडल पिकर में अब आपको o3 और o4-mini उपलब्ध दिखेंगे। OpenAI की घोषणा के अनुसार, o3-pro आने वाले हफ्तों में लॉन्च होने की उम्मीद है। इसमें उसी तरह के टूल-यूज़ क्षमताएँ शामिल होंगी—जैसे Python, ब्राउज़िंग और इमेज विश्लेषण—जैसी o-सीरीज़ के अन्य मॉडलों में हैं।

यदि आप यह जानने में रुचि रखते हैं कि o3-pro कब उपलब्ध होगा, तो DataCamp के न्यूज़लेटर The Median के लिए साइन अप करें, और उपलब्ध होते ही हम आपको सूचित करेंगे।

निष्कर्ष

O3 और o3 mini AI सिस्टमों की बढ़ती जटिलता और उन्हें जिम्मेदारी से जारी करने की चुनौतियों को उजागर करते हैं। बेंचमार्क्स प्रभावशाली हैं, लेकिन हम खुद को उन प्रश्नों में अधिक रुचि लेते पाते हैं जो ये मॉडल उठाते हैं: वास्तविक दुनिया के परिदृश्यों में वे कितनी निरंतरता से प्रदर्शन करेंगे? क्या सुरक्षा उपाय पैमाने पर किनारे के मामलों को संभालने के लिए पर्याप्त मजबूत हैं?

हमारे लिए, o3 और o3 mini ऐसे शुरुआती संकेत हैं कि AI सिस्टम धीरे-धीरे अधिक स्वायत्तता की ओर बढ़ रहे हैं। उनकी प्रभावशाली रीजनिंग और अनुकूलनशीलता इस बदलाव का संकेत देती हैं—टूल्स से जिन्हें हम संचालित करते हैं, उन एजेंट्स तक जो हमारी ओर से काम करते हैं। जब ये सिस्टम बिना मानव प्रॉम्प्ट के खुले-अंत वाले कार्यों में नेविगेट करेंगे तो क्या होगा? हम ऐसे मॉडलों का मूल्यांकन कैसे करें जो केवल आउटपुट नहीं, बल्कि अपने खुद के लक्ष्य भी तय करते हैं?

यदि आप और AI विषयों का अन्वेषण करना चाहते हैं, तो हम अनुशंसा करते हैं:

• GPT-4.1 परिचयात्मक लेख
• Llama 4 परिचयात्मक लेख
• Gemini 2.5 Pro परिचयात्मक लेख