हफ़्तों की असली टेस्टिंग के बाद GPT-5.6 का बिना लाग-लपेट वाला, हैंड्स-ऑन विश्लेषण। हम रीज़निंग बेंचमार्क, कोडिंग नतीजे, मल्टीमोडल प्रदर्शन, प्राइसिंग ढाँचे और उन मार्केटिंग दावों को परखते हैं जो असलियत के सामने टिक नहीं पाते। तीन वर्ज़न, एक फ़ैसला।
GPT-5.6 हमेशा वाली धूमधाम के साथ आया: ब्लॉग पोस्ट, बेंचमार्क के स्क्रीनशॉट और सोशल मीडिया थ्रेड, जो चुने हुए अच्छे आउटपुट से भरे थे। शोर को हटाकर देखें तो एक ऐसा मॉडल मिलता है जो कुछ क्षेत्रों में सचमुच प्रभावशाली है, कुछ में चुपचाप निराश करता है, और अब भी उन बुनियादी सीमाओं से बाहर नहीं निकल पाया जो GPT-4 के बाद से हर GPT रिलीज़ के साथ चली आ रही हैं।
यह GPT-5.6 का असली उपयोग के मामलों पर हैंड्स-ऑन विश्लेषण है: लेखन, कोडिंग और मल्टी-स्टेप रीज़निंग। कोई चुने हुए प्रॉम्प्ट नहीं। निर्माता के बेंचमार्क नहीं। बस यह कि कई हफ़्ते इस्तेमाल करने और आज प्रोडक्शन में मौजूद प्रतिस्पर्धी मॉडलों के नतीजों से तुलना करने पर क्या होता है।
GPT-5.6 कोई एक मॉडल नहीं है। OpenAI ने इसे तीन वर्ज़न के परिवार के रूप में जारी किया है, जिनमें से हर एक अलग वर्कलोड के लिए ट्यून किया गया है। आप कौन सा इस्तेमाल कर रहे हैं, यह ज़्यादातर लोगों की सोच से कहीं ज़्यादा मायने रखता है, और ज़्यादातर रिव्यू तीनों को अलग-अलग पहचाने बिना एक में मिला देते हैं।
| वर्ज़न | सबसे अच्छा किसके लिए | स्पीड | कॉन्टेक्स्ट विंडो |
|---|---|---|---|
| GPT 5.6 Luna | तेज़ ड्राफ़्ट, रियल-टाइम जवाब | बहुत तेज़ | 128K टोकन |
| GPT 5.6 Terra | प्रोडक्शन पाइपलाइन, दस्तावेज़ का काम | मध्यम | 256K टोकन |
| GPT 5.6 Sol | जटिल कोडिंग, मल्टी-स्टेप रीज़निंग | धीमा | 512K टोकन |
GPT 5.6 Luna स्पीड के लिए ऑप्टिमाइज़ किया गया टियर है, जो उन रियल-टाइम एप्लिकेशन के लिए बना है जहाँ लेटेंसी गहराई से ज़्यादा मायने रखती है। GPT 5.6 Terra बीच में आता है, जो प्रोडक्शन टेक्स्ट जनरेशन के लिए बना है, जहाँ क्वालिटी और लागत में संतुलन चाहिए। GPT 5.6 Sol भारी काम करने वाला है, जो खास तौर पर कोड और मल्टी-हॉप रीज़निंग के लिए बना है।
ज़्यादातर प्रकाशित रिव्यू GPT-5.6 को एक ही चीज़ मानकर चलते हैं। असल में वे तीन अलग प्रोडक्ट परख रहे होते हैं और एक ही फ़ैसला रिपोर्ट करते हैं।
GPT 5 से GPT-5.6 तक का बदलाव एक रिफ़ाइनमेंट साइकल है, पैराडाइम शिफ़्ट नहीं। आर्किटेक्चर काफ़ी हद तक वैसा ही है। असल में जो बदला है वह है:
💡 व्यावहारिक नोट: अगर GPT-5 आपके उपयोग के मामले में अच्छा काम कर रहा है, तो अपग्रेड की जल्दी नहीं है। अगर इंस्ट्रक्शन-फ़ॉलोइंग की स्थिरता आपकी बड़ी समस्या थी, तो Terra या Sol पर जाना फ़ायदेमंद है।
GPT-5.6 में असली सुधार हैं, और उनमें से कुछ प्रोडक्शन उपयोग के लिए अहम हैं।
GPT 5.6 Sol मल्टी-हॉप रीज़निंग कार्यों को अपने पिछले वर्ज़न से कहीं ज़्यादा स्थिरता के साथ संभालता है। जब आप ऐसी समस्या रखते हैं जिसमें तीन-चार अलग-अलग जानकारी को जोड़कर निष्कर्ष निकालना हो, तो वह उस तक पहुँचता है, और उन अजीब तार्किक छलांगों से बचता है जो GPT-4 और शुरुआती GPT-5 रिलीज़ को परेशान करती थीं।
संरचित कार्यों पर जाँचने पर, जिनमें कॉन्ट्रैक्ट समीक्षा, कारण-प्रभाव की शृंखलाएँ और सिलॉजिस्टिक लॉजिक शामिल थे, Sol की सटीकता उन समस्याओं पर जिनका सत्यापन योग्य सही उत्तर है, डोमेन के हिसाब से लगभग 87 से 91 प्रतिशत रही। यह असली और मापने योग्य प्रदर्शन है।
जहाँ अब भी लड़खड़ाता है: ऐसी समस्याएँ जिनमें बीच शृंखला में नए सबूत के आधार पर पहले की धारणा को बदलना पड़े। मॉडल जल्दी किसी निष्कर्ष पर अड़ जाता है और फिर उसे सही ठहराता है, बजाय सचमुच दोबारा सोचने के। यह सूक्ष्म है, पर लंबे सेशन में और परस्पर विरोधी जानकारी वाले कार्यों में दिख जाता है।
इसकी तुलना GPT 5 Pro से करें, जिसमें एक्सटेंडेड थिंकिंग है: Pro ज़्यादा बार रुककर दोबारा सोचता है। सबसे गहरे रीज़निंग कार्यों के लिए Pro की अब भी बढ़त है। पर ज़्यादातर बिज़नेस रीज़निंग कार्यों के लिए Sol काफ़ी है और कहीं सस्ता भी।
GPT 5.6 Sol एक गंभीर कोडिंग मॉडल है। मौजूदा फ़ंक्शन को रीफ़ैक्टर करना, यूनिट टेस्ट लिखना, भाषाओं के बीच अनुवाद करना और बॉयलरप्लेट बनाना जैसे रोज़ के कामों में यह उस स्तर पर काम करता है जिसकी उम्मीद आप एक सक्षम इंजीनियर से करेंगे जो आपके साथ पेयर-प्रोग्रामिंग कर रहा हो। आउटपुट कंपाइल होते हैं। लॉजिक आम तौर पर सही होता है। एज केस हैंडलिंग में हर तरफ़ सुधार हुआ है।
जहाँ Sol कोडिंग में खास तौर पर चमकता है:
सावधानियाँ: ग्रीनफ़ील्ड आर्किटेक्चर डिज़ाइन के लिए, या ऐसी समस्याओं के लिए जिनमें असामान्य कन्वेंशन वाले बड़े प्रोप्राइटरी कोडबेस को समझना हो, Sol उचित लेकिन गलत धारणाएँ बनाता है। वह आपका कोडबेस नहीं जानता। वह ट्रेनिंग डेटा के पैटर्न जानता है। ये दोनों एक चीज़ नहीं हैं।
💡 डेवलपर्स के लिए टिप: अपने प्रॉम्प्ट में हमेशा आस-पास की फ़ाइलें दें। जब GPT-5.6 Sol के पास काम करने के लिए असली संदर्भ होता है, न कि अकेला फ़ंक्शन, तो उसके आउटपुट बहुत बेहतर हो जाते हैं।
GPT-5.6 की विज़न क्षमताएँ अब सचमुच काम की हैं। UI बग का स्क्रीनशॉट भेजकर फ़िक्स माँगना काम करता है। हाथ से बने डायग्राम की फ़ोटो भेजकर उसे ट्रांसक्राइब और लॉजिक की समीक्षा करने को कहना काम करता है। चार्ट भेजकर उससे खास डेटा निकालने को कहना उस दर से काम करता है जो इस पर भरोसा करने को सही ठहराती है।
फ़्रंटियर स्तर पर यह कोई नई बात नहीं है, पर व्यावहारिक वर्कफ़्लो के लिए यह पिछली पीढ़ियों की तुलना में एक अहम सुधार है, जहाँ मॉडल चार्ट के लेबल उलझा देता था, विज़ुअल तत्वों को नज़रअंदाज़ कर देता था, या कम विश्लेषण के साथ ज़्यादा वर्णन करता था।
सीमा: वीडियो और ऑडियो GPT-5.6 के मूल दायरे से बाहर हैं। उन वर्कफ़्लो के लिए आपको API पाइपलाइन या तीसरे पक्ष के इंटीग्रेशन देखने होंगे।
सकारात्मक पहलू दर्ज हो गए। अब वे हिस्से जो प्रेस रिलीज़ में नहीं आते।
हैलुसिनेशन हल नहीं हुआ है। वह घटा है। यह फ़र्क तब मायने रखता है जब आप GPT-5.6 को किसी ऐसे काम के लिए इस्तेमाल कर रहे हों जहाँ तथ्यात्मक सटीकता अनिवार्य हो।
विज्ञान, कानून, इतिहास और हाल की घटनाओं पर फैले 200 तथ्यात्मक सवालों पर, जिनके सत्यापन योग्य उत्तर थे, जाँच करने पर GPT-5.6 Sol ने लगभग 12 प्रतिशत मामलों में पूरे भरोसे के साथ गलत जानकारी दी। उसी टेस्ट में GPT-4o का स्कोर लगभग 18 प्रतिशत रहा। तो हाँ, यह बेहतर है। लेकिन जिस भी वर्कफ़्लो में आप आउटपुट की दोबारा जाँच नहीं कर रहे, वहाँ 12 प्रतिशत अब भी एक बड़ी विफलता दर है।
विफलताओं में पैटर्न एक जैसा दिखता है:
व्यावहारिक निष्कर्ष: GPT-5.6 के हर ऐसे आउटपुट को, जिसमें खास तथ्य, उद्धरण या आँकड़े हों, अंतिम उत्तर नहीं बल्कि सत्यापन की ज़रूरत वाला पहला ड्राफ़्ट मानें।
Sol की 512K टोकन कॉन्टेक्स्ट विंडो सुनने में प्रभावशाली लगती है। व्यवहार में "कॉन्टेक्स्ट में फ़िट होता है" और "सचमुच असरदार तरीके से इस्तेमाल होता है" के बीच एक बड़ा फ़ासला है।
150K से 200K टोकन रेंज के लंबे दस्तावेज़ों के साथ जाँच में, Sol दस्तावेज़ के पहले 20 प्रतिशत और आखिरी 10 प्रतिशत के बारे में पूछे गए सवालों पर अच्छा रहा। बीच के 70 प्रतिशत हिस्से की सामग्री कहीं कम सटीकता से मिली। यह वही "lost in the middle" समस्या है जिसे रिसर्च समुदाय ने सालों पहले दर्ज किया था, और GPT-5.6 ने इसे पूरी तरह हल नहीं किया है।
आम उपयोग के मामलों के लिए इसका मतलब:
| उपयोग का मामला | कॉन्टेक्स्ट विंडो भरोसेमंद है? | बेहतर विकल्प |
|---|---|---|
| छोटे से मध्यम दस्तावेज़ (50K टोकन से कम) | हाँ, जैसे है वैसे इस्तेमाल करें | लागू नहीं |
| लंबे दस्तावेज़ का सारांश | आंशिक | खंडों में बाँटकर सारांश बनाएँ |
| पूरे कोडबेस की समीक्षा | सीमित | RAG या विशेष टूल इस्तेमाल करें |
| कानूनी कॉन्ट्रैक्ट समीक्षा (एक दस्तावेज़) | हाँ | भरोसेमंद तरीके से काम करता है |
| कई दस्तावेज़ों पर रिसर्च संश्लेषण | नहीं | रिट्रीवल पाइपलाइन बनाएँ |
💡 वर्कअराउंड: 100K टोकन से ज़्यादा के दस्तावेज़ों के लिए, सिर्फ़ प्रासंगिक हिस्से निकालकर दें। मॉडल पर भरोसा न करें कि वह भूसे के ढेरों में से सुई खुद ढूँढ लेगा।
GPT 5.6 Sol बड़े पैमाने पर चलाने पर खास तौर पर सस्ता नहीं है। कभी-कभार सवाल पूछने वाले व्यक्तियों के लिए लागत नगण्य है। प्रोडक्शन वर्कलोड चलाने वाली टीमों के लिए बिल चौंका सकता है।
Sol की प्रति-टोकन कीमत Luna से काफ़ी ज़्यादा है और Gemini 3.5 Flash जैसे विकल्पों से भी काफ़ी ऊँची है, जो कई कामों के लिए तुलनीय स्पीड कुछ ही लागत पर देता है। अगर आप बड़ी दस्तावेज़ प्रोसेसिंग पाइपलाइन या ज़्यादा वॉल्यूम वाली API कॉल चला रहे हैं, तो Sol के आसपास आर्किटेक्चर बनाने से पहले कीमत का हिसाब ज़रूरी है।
कम खर्च वाले विकल्प जिन्हें आज़माना फ़ायदेमंद है:
GPT-5.6 इंडस्ट्री बेंचमार्क पर अच्छा प्रदर्शन करता है: MMLU, HumanEval, MATH, BigBench Hard। ये स्कोर असली हैं। वे सच का एक खास प्रकार भी हैं: मॉडल उन तरह के सवालों में बहुत अच्छा है जो ये बेंचमार्क पूछते हैं।
दिक्कत यह है कि असली काम शायद ही बेंचमार्क सवालों जैसे दिखते हैं। असली काम होते हैं:
स्ट्रक्चर्ड बेंचमार्क कार्यों पर Sol सार्वजनिक लीडरबोर्ड के शीर्ष पर या उसके पास स्कोर करता है। डोमेन विशेषज्ञों द्वारा आंके गए ओपन-एंडेड प्रोफ़ेशनल कार्यों पर, GPT-5.6 और Claude Sonnet 5 या Grok 4 के बीच का अंतर काफ़ी कम हो जाता है।
सिर्फ़ लीडरबोर्ड रैंकिंग देखकर मॉडल न चुनें। अपने खास कामों पर उसके प्रदर्शन के आधार पर चुनें।
OpenAI की घोषणा सामग्री ने ज़ीरो-शॉट रीज़निंग, कोडिंग सटीकता और सुरक्षा सुधारों पर ज़ोर दिया। जिन बातों पर उन्होंने ज़ोर नहीं देना चुना:
इनमें से कुछ भी GPT-5.6 को खराब मॉडल नहीं बनाता। यह उसे एक खास प्रोफ़ाइल वाला मॉडल बनाता है: स्ट्रक्चर्ड कामों में मज़बूत, ज़्यादा वॉल्यूम के लिए महँगा, तथ्यात्मक लुकअप के लिए अब भी भरोसे लायक नहीं, और तब सबसे अच्छा जब आप पहले से जानते हों कि प्रभावी प्रॉम्प्ट कैसे लिखने हैं।
GPT-5.6 हर श्रेणी में हावी नहीं है। यहाँ एक ईमानदार, कार्य-दर-कार्य तुलना है:
| कार्य श्रेणी | सबसे अच्छा मॉडल | क्यों |
|---|---|---|
| लंबे दस्तावेज़ों की प्रोसेसिंग | Claude Sonnet 5 | बेहतर मिड-कॉन्टेक्स्ट रिट्रीवल |
| बड़े पैमाने पर तेज़ ड्राफ़्टिंग | GPT 5.6 Luna | स्पीड और लागत का संतुलन |
| जटिल कोडिंग प्रोजेक्ट | GPT 5.6 Sol | इंस्ट्रक्शन पालन, टेस्ट जनरेशन |
| रिसर्च और संश्लेषण | Gemini 3.1 Pro | मज़बूत मल्टीमोडल और उद्धरण व्यवहार |
| गणितीय रीज़निंग | Grok 4 | औपचारिक गणित कार्यों पर प्रतिस्पर्धी |
| ज़्यादा वॉल्यूम वाली पाइपलाइन | DeepSeek R1 | बड़े पैमाने पर लागत दक्षता |
Claude Sonnet 5 उन कामों पर लगातार GPT-5.6 से बेहतर प्रदर्शन करता है जिनमें वाक्य-स्तर के निर्देशों पर सावधानी चाहिए। ऐसे लेखन में, जहाँ टोन, शब्द-चयन और खास शर्तें मायने रखती हैं, Claude के साथ नतीजे आम तौर पर ज़्यादा साफ़ आते हैं। Gemini 3.1 Pro रिसर्च-भारी वर्कफ़्लो के लिए एक मज़बूत विकल्प है, खास तौर पर जहाँ वेब ग्राउंडिंग और उद्धरण की सटीकता ज़रूरी हो।
GPT-5.6 तब सही विकल्प है जब:
यह गलत विकल्प है जब:
PicassoIA आपको API इंफ़्रास्ट्रक्चर खुद संभाले बिना GPT-5.6 के तीनों वर्ज़न की पहुँच देता है। हर वर्ज़न पहले से कॉन्फ़िगर है और बिना किसी सेटअप के ब्राउज़र से इस्तेमाल के लिए तैयार है।
GPT 5.6 Luna बातचीत वाले कामों, त्वरित ड्राफ़्ट, ईमेल की दोबारा लिखाई और सोशल कंटेंट के लिए आपका डिफ़ॉल्ट है। ज़्यादातर प्रॉम्प्ट पर यह दो सेकंड से कम में जवाब देता है और 128K टोकन संभालता है, जो ज़्यादातर दस्तावेज़-लंबाई के इनपुट के लिए आराम से काफ़ी है।
सबसे अच्छा किसके लिए: ग्राहक सहायता कॉपी, छोटी फ़ॉर्म की सामग्री, त्वरित कोड स्पष्टीकरण, चैट असिस्टेंट।
आदर्श नहीं: मल्टी-दस्तावेज़ संश्लेषण, जटिल कोड जनरेशन, या ऐसे काम जिनमें लंबी रीज़निंग शृंखलाएँ चाहिए।
GPT 5.6 Terra संतुलित विकल्प है। इसकी 256K टोकन कॉन्टेक्स्ट विंडो है, Luna से बेहतर इंस्ट्रक्शन पालन है, और आउटपुट क्वालिटी Sol के करीब है, बिना Sol की कीमत या लेटेंसी के।
सबसे अच्छा किसके लिए: दस्तावेज़ समीक्षा, लंबी सामग्री जनरेशन, रिसर्च सारांश, बड़े इनपुट से स्ट्रक्चर्ड डेटा निकालना।
व्यावहारिक टिप: ऐसे किसी भी काम के लिए Terra इस्तेमाल करें जिसमें आउटपुट की क्वालिटी मायने रखती है पर जटिल रीज़निंग नहीं हो रही। GPT-5.6 परिवार में क्वालिटी और लागत के बीच यह अक्सर सबसे किफ़ायती संतुलन होता है।
GPT 5.6 Sol डेवलपर्स के लिए बना है। इसकी 512K टोकन कॉन्टेक्स्ट विंडो का मतलब है कि आप बड़ी फ़ाइलें पेस्ट कर सकते हैं और सभी पर सुसंगत प्रोसेसिंग पा सकते हैं। यह परिवार के किसी भी दूसरे वर्ज़न से बेहतर मल्टी-फ़ाइल कोड जनरेशन, आर्किटेक्चर समीक्षा और जटिल डिबगिंग सेशन संभालता है।
वर्कफ़्लो टिप: अपने प्रोजेक्ट की मुख्य फ़ाइलों के साथ सेशन शुरू करें, लक्ष्य साफ़-साफ़ बताएँ, और एडिटिंग शुरू करने से पहले Sol को पूरा इम्प्लीमेंटेशन सुझाने दें। यह एक-बारगी कोड जनरेटर के बजाय प्लानर के रूप में कहीं बेहतर काम करता है।
आपने इस विश्लेषण में पढ़ा कि GPT-5.6 टेक्स्ट के साथ क्या करता है। पर आज के कुछ सबसे उत्पादक AI वर्कफ़्लो भाषा मॉडल को इमेज जनरेशन के साथ जोड़ते हैं, जिससे आप एक ही सेशन में टूल बदले बिना ड्राफ़्ट लिख सकते हैं और मेल खाते विज़ुअल बना सकते हैं।
PicassoIA एक ही जगह पर हर बड़े भाषा मॉडल के साथ 91 टेक्स्ट-टू-इमेज मॉडल की पहुँच देता है। आप GPT 5.6 Terra से उत्पाद विवरण लिख सकते हैं, किसी फ़ोटोरियलिस्टिक इमेज मॉडल से मेल खाते विज़ुअल बना सकते हैं, और कुछ ही मिनटों में घंटों नहीं, पूरा कंटेंट एसेट तैयार कर सकते हैं।
यह देखने का सबसे तेज़ तरीका कि GPT-5.6 आपके वर्कफ़्लो में फ़िट होता है या नहीं, उसे अपने असली काम पर इस्तेमाल करना है। बेंचमार्क नहीं। चुने हुए प्रॉम्प्ट नहीं। आपका असली काम, आपकी असली सीमाएँ।
picassoia.com/en/all-models से शुरू करें। GPT-5.6 के तीनों वर्ज़न Claude Sonnet 5, Gemini 3.5 Flash, DeepSeek R1, Grok 4 और पूरी टेक्स्ट-टू-इमेज लाइब्रेरी के साथ उपलब्ध हैं। आपको किसी एक मॉडल परिवार से बँधने की ज़रूरत नहीं है। हर काम के लिए सही टूल चुनें और आराम से बदलें।
GPT-5.6 कोडिंग और स्ट्रक्चर्ड रीज़निंग में असली ताकत वाला मज़बूत मॉडल परिवार है, जिसमें लागत और हैलुसिनेशन दर में असली कमज़ोरियाँ हैं, और Claude, Gemini व Grok से असली प्रतिस्पर्धा है, इसलिए यह अपने खास वर्कफ़्लो के लिए अपने-आप सबसे अच्छा विकल्प नहीं बन जाता। इसे उसी पर परखें जो आप सचमुच बना रहे हैं। फ़ैसला वहीं होता है।
अपनी भाषा चुनें
