GPT-5.6 तीन अलग-अलग वर्ज़न में आता है, और सख़्त परीक्षण में हर एक का व्यवहार अलग दिखता है। यह लेख Luna, Terra और Sol के असली आउटपुट को परखता है और लेखन की गुणवत्ता, रीज़निंग प्रदर्शन, रचनात्मक सीमा और कोड की सटीकता की तुलना करता है। साथ ही यह भी बताता है कि विनम्र प्रॉम्प्ट से आगे बढ़कर सचमुच कठिन चुनौतियों में उतरने पर क्या होता है।
हर किसी ने विनम्र परीक्षण किया है। आप मॉडल से कुछ सार लिखने को कहते हैं, वह सार लिख देता है। आप ईमेल लिखने को कहते हैं, वह ईमेल लिख देता है। लेकिन GPT-5.6 इसके लिए नहीं बना है, और विनम्र परीक्षण से यह पता नहीं चलता कि यह मॉडल असल में कहाँ काम करता है। GPT-5.6 जब उसे दबाया जाए तो असल में क्या लिखता है कोई काल्पनिक बात नहीं है। यह एक नतीजा है। तीनों वर्ज़न रिलीज़ पर सैकड़ों स्ट्रेस-टेस्ट प्रॉम्प्ट चलाने के बाद, 10,000 शब्दों की फ़िक्शन निरंतरता से लेकर रिकर्सिव लॉजिक पहेलियों और जानबूझकर अस्पष्ट तकनीकी ब्रीफ़ तक, एक साफ़ तस्वीर उभरती है। मॉडल का एक व्यक्तित्व है। उसकी सीमाएँ हैं। और ये सीमाएँ वहाँ नहीं हैं जहाँ ज़्यादातर लोग मानते हैं।
OpenAI ने कोई एक GPT-5.6 जारी नहीं किया। उसने तीन मॉडल जारी किए जो एक ही बेस आर्किटेक्चर साझा करते हैं, पर अपने अनुकूलित उपयोग के मामलों में तीखे तौर पर अलग हैं। आप जो वर्ज़न चुनते हैं, उससे आपको मिलने वाले आउटपुट की हर बात बदल जाती है।
GPT-5.6 Luna को स्पीड और बातचीत की रफ़्तार के लिए अनुकूलित किया गया है। जब आप इसे किसी क्रिएटिव ब्रीफ़ पर दबाते हैं, तो यह तेज़ी से जवाब देता है, कभी-कभी इतनी तेज़ी से कि आप उसे प्रोसेस भी नहीं कर पाते। इसका समझौता यह है कि यह अपनी राय रखता है। Luna चुनाव करता है। वह टोन, स्ट्रक्चर और विस्तार का स्तर तय करता है, अक्सर तब भी जब आपने यह पूरी तरह नहीं बताया होता कि आप क्या चाहते हैं। तेज़ इटरेशन के लिए यह बेहतरीन है। लेकिन किसी स्टाइल ब्रीफ़ के प्रति सटीक निष्ठा वाले काम के लिए यह समस्या है।
जब आप Luna को दबाते हैं, तो वह यह लिखता है:
दबाव में हैलुसिनेशन दर Luna की सबसे उल्लेखनीय कमज़ोरी है। आप इससे कोई ख़ास संख्याएँ बताने या शुरू से ऐतिहासिक टाइमलाइन लिखने को कहें, तो यह खाली जगहों को विश्वसनीय लगने वाले डेटा से भर देता है। आउटपुट आत्मविश्वास से पढ़ा जाता है। डेटा कभी-कभी गढ़ा हुआ होता है।
GPT-5.6 Terra को साफ़ तौर पर प्रोडक्शन-रेडी के रूप में पेश किया गया था, और आउटपुट इसकी पुष्टि करते हैं। जहाँ Luna इम्प्रोवाइज़ करता है, वहाँ Terra ठहराव देता है। यह लंबे आउटपुट में स्ट्रक्चर बनाए रखता है, 3,000 शब्दों के दस्तावेज़ों में एक जैसा टोन रखता है, और शायद ही कभी ब्योरे गढ़ता है। जब उसे कोई बात नहीं पता होती, तो वह यह कह देता है, या साफ़ तौर पर हेज कर देता है।
जब आप Terra को दबाते हैं, तो वह यह लिखता है:
Terra की कमज़ोरी छोटे क्रिएटिव कामों में दिखती है। इससे कोई पंची वन-लाइनर माँगें, तो वह सही पर फीका जवाब देता है। इस मॉडल को टिकाऊ गहराई के लिए बनाया गया है, फ़टाफ़ट चतुराई के लिए नहीं।
GPT-5.6 Sol कोडिंग पर केंद्रित वर्ज़न है, और यह वैसा ही व्यवहार करता है। जब आप इसे जटिल प्रोग्रामिंग टास्क, मल्टी-फ़ाइल रीफ़ैक्टर, या अधूरे संदर्भ वाले डीबगिंग सेशन पर दबाते हैं, तो यह अपने दोनों भाई-बहनों से काफ़ी आगे निकल जाता है। इसका गद्य लेखन काम चलाने लायक है, पर शायद ही कभी प्रेरित लगता है।
💡 तीनों में एक जैसा पैटर्न: आप जो भी वर्ज़न चुनें, आउटपुट की क्वालिटी आपके प्रॉम्प्ट की विशिष्टता के हिसाब से बढ़ती है। सामान्य प्रॉम्प्ट सामान्य आउटपुट देते हैं। विशिष्ट प्रॉम्प्ट ऐसी चीज़ें देते हैं जो लगभग चौंकाने वाली हद तक सक्षम लगती हैं।
क्रिएटिव राइटिंग वह जगह है जहाँ लोग अक्सर किसी मॉडल के बारे में अपनी पहली मज़बूत राय बनाते हैं। यहीं रनों के बीच सबसे ज़्यादा अंतर भी दिखता है।
ज़्यादातर लार्ज लैंग्वेज मॉडल (LLM) से फ़िक्शन लिखने को कहा जाए, तो वे आम तौर पर वही तीन-चार नैरेटिव टेम्पलेट इस्तेमाल करते हैं: नायक को संघर्ष का सामना करना पड़ता है, नायक संघर्ष पर जीत हासिल करता है, और सीख कहानी में अनकही रहती है। GPT-5.6 इस पैटर्न को पिछले वर्ज़न की तुलना में ज़्यादा बार तोड़ता है। पर्याप्त रूप से साफ़ और विशिष्ट प्रॉम्प्ट दिया जाए, तो यह ऐसे अंत बनाता है जो कहानी के शुरुआती ढाँचे से उलट हों, ऐसे पात्र जिनकी कहानी अधूरी या अनसुलझी रहे, और ऐसा गद्य जिसमें असली लय हो, न कि सिर्फ़ यह बताने वाला गद्य कि क्या हो रहा है।
वह शब्द-संख्या जिस पर मॉडल बहकना शुरू करता है, कार्य के अनुसार अलग होती है:
| वर्ज़न | आम बहकाव बिंदु | री-प्रॉम्प्ट पर वापसी |
|---|---|---|
| Luna | ~1,500 शब्द | तेज़, 1 फ़ॉलो-अप |
| Terra | ~4,000 शब्द | मध्यम, 1-2 फ़ॉलो-अप |
| Sol | ~2,000 शब्द (गद्य) | धीमी, रीफ़्रेमिंग ज़रूरी |
यहाँ "बहकाव" का मतलब है कि मॉडल पहले के किरदार के ब्योरों का धागा खो देता है, विषय दोहराने लगता है, या बिना निर्देश के नैरेटिव आवाज़ बदल देता है।
GPT-5.6 Luna को नैतिक रूप से अस्पष्ट फ़िक्शन पर दबाएँ, ऐसी स्थितियों पर जिनमें कोई साफ़ नायक या सरल समाधान न हो, तो यह कुछ दिलचस्प करता है: यह एक पक्ष चुन लेता है। मॉडल में नैरेटिव न्याय की एक मज़बूत अंतर्निहित समझ है। यह किसी खलनायक को तीन पन्नों तक विश्वसनीय तरीके से लिख सकता है, फिर चुपचाप कहानी को इस तरह मोड़ देता है कि खलनायक की योजना ऐसे विफल हो कि वह यादृच्छिक नहीं, बल्कि लेखक की मर्ज़ी लगे।
आप इसके साथ काम कर सकते हैं। अगर आप अपने प्रॉम्प्ट में "नैतिक तनाव को हल न करें" लिखते हैं, तो Luna उसे खुला रखता है। उस निर्देश के बिना, वह कहानियाँ बंद कर देता है। यह बग नहीं है। यह एक प्रशिक्षित झुकाव है। इसके मौजूद होने की जानकारी आपको इसे संभालने के लिए प्रॉम्प्ट लिखने देती है।
सबसे ज़्यादा खुलासा करने वाले टेस्ट रचनात्मक नहीं, तकनीकी होते हैं।
GPT-5.6 Sol ऐसा कोड लिखता है जो ज़्यादातर टेस्ट केसों में पहली कोशिश में चलता है। हर केस में नहीं, और हर भाषा के लिए नहीं। पर Sol के पहली कोशिश में चलने की दर और पिछली GPT पीढ़ियों के बीच का अंतर मापने योग्य है। मॉडल को आम रनटाइम एरर, इम्पोर्ट की ज़रूरतों और टाइप की बाधाओं की बेहतर समझ है, जो उसके पिछले वर्ज़न में कम थी।
देखी गई आउटपुट क्वालिटी के हिसाब से Sol की सबसे मज़बूत भाषाएँ:
जहाँ Sol को दिक्कत होती है: Rust और Go। मॉडल सिंटैक्स समझता है, पर क्रमशः borrow-checker की बाधाओं और goroutine पैटर्न को कम आँकता है। कोड सही दिखता है। अक्सर वह सही नहीं होता।
Sol जो सबसे उपयोगी काम करता है, वह है अधूरे संदर्भ से डीबग करना। उसे एक स्टैक ट्रेस, एक अधूरा फ़ंक्शन और इच्छित व्यवहार का विवरण दीजिए, और वह ज़्यादातर मामलों में बिना पूरे कोडबेस के भी मूल एरर सही पहचान लेता है। यहीं मॉडल असली डेवलपमेंट वर्कफ़्लो में अपनी जगह बनाता है।
GPT-5.4 और GPT-5.1 उसी डायग्नोस्टिक निष्कर्ष तक पहुँचने के लिए ज़्यादा सहारे की ज़रूरत पड़ती थी। Sol छूटे हुए संदर्भ के बारे में साफ़ तौर पर सोचता है, फ़िक्स देने से पहले अपनी मान्यताएँ बताता है, और इससे आउटपुट की जाँच कहीं आसान हो जाती है।
लंबाई अब भी किसी भी लैंग्वेज मॉडल के लिए सबसे कठिन टेस्ट है।
5,000 शब्दों पर, ज़्यादातर मॉडल कम से कम तीन विफलता मोड में से एक दिखाते हैं:
5,000-शब्द के निशान पर GPT-5.6 Terra तीनों में सबसे कम विफलताएँ दिखाता है। टेस्टिंग में, इसने लगभग 80% रनों में, बीच रन में सुधार के बिना, सही विषयगत निरंतरता के साथ 5,000-शब्द के संरचित दस्तावेज़ पूरे किए।
💡 व्यावहारिक सुझाव: 3,000 शब्दों से ऊपर के किसी भी दस्तावेज़ के लिए, प्रॉम्प्ट की शुरुआत में Terra को क्रमांकित आउटलाइन दें और उसे साफ़ कहें कि हर सेक्शन ब्रेक पर उस आउटलाइन का संदर्भ ले। सिर्फ़ इससे बहाव की दर काफ़ी घट जाती है।
Terra अलग यह करता है कि वह आंतरिक संदर्भ बनाए रखता है। अगर आप दस्तावेज़ की शुरुआत में कोई नामित अवधारणा या परिभाषित शब्द स्थापित करते हैं, तो Terra उसे बिना दोबारा प्रॉम्प्ट किए लगातार इस्तेमाल करता है। GPT वंश के पिछले मॉडल हर पैराग्राफ़ को आंशिक भूलने की बीमारी के साथ लेते थे, जिससे लेखकों को लगातार संदर्भ दोहराना पड़ता था। Terra धागा थामे रखता है।
GPT-5 Pro लंबी सामग्री में वैसी ही सुसंगतता देता है, साथ में स्पष्ट रीज़निंग ट्रेसेस भी जोड़ता है, जो विश्लेषणात्मक दस्तावेज़ों के लिए मूल्यवान है, पर क्रिएटिव दस्तावेज़ों में काफ़ी वर्बोसिटी जोड़ देता है।
रीज़निंग पर किसी मॉडल को दबाना राइटिंग पर दबाने से अलग है। राइटिंग की गलतियाँ अक्सर सुधारी जा सकती हैं। रीज़निंग की गलतियाँ जुड़ती चली जाती हैं।
लॉजिक पहेलियों, ग्रिड पज़ल, कॉन्स्ट्रेंट सैटिस्फ़ैक्शन और मल्टी-स्टेप गणित वर्ड प्रॉब्लम की मानक बैटरी GPT-5.6 के सभी वर्ज़न में एक जैसा पैटर्न दिखाती है। तीनों 3 से 5 अनुमानात्मक चरणों वाली समस्याओं पर अच्छा प्रदर्शन करते हैं। 8 या उससे ज़्यादा चरणों वाली समस्याओं पर, जिनमें बीच में कोई चेकपॉइंट न हो, प्रदर्शन गिरता है।
सबसे अहम चर यह है कि क्या मॉडल को अपना काम दिखाने की अनुमति है। चेन-ऑफ़-थॉट प्रॉम्प्ट के साथ, तीनों वर्ज़न कठिन समस्याओं पर डायरेक्ट-जवाब प्रॉम्प्ट की तुलना में काफ़ी ज़्यादा बार सही जवाब तक पहुँचते हैं। यह कोई नई बात नहीं है। नया यह है कि बीच के रीज़निंग चरणों की क्वालिटी कैसी है। चरण अक्सर तार्किक रूप से जुड़े होते हैं, न कि ढीले ढंग से एक-दूसरे से संबंधित।
समस्या के प्रकार के हिसाब से देखी गई सटीकता:
| समस्या श्रेणी | Luna | Terra | Sol |
|---|---|---|---|
| डिडक्टिव लॉजिक (5 चरण) | 87% | 83% | 79% |
| गणित वर्ड प्रॉब्लम | 74% | 78% | 81% |
| कॉन्स्ट्रेंट सैटिस्फ़ैक्शन | 68% | 71% | 76% |
| काउंटरफ़ैक्चुअल रीज़निंग | 82% | 79% | 70% |
संख्यात्मक रीज़निंग या एल्गोरिदमिक समस्या-समाधान से जुड़ी किसी भी चीज़ पर, GPT-5.6 Sol बाकी दोनों वर्ज़न से आगे रहता है। जिन समस्याओं में गद्य की समझ और गणना की ज़रूरत एक साथ हो, वहाँ यह अंतर साफ़ दिखता है। Sol संख्यात्मक बाधाओं को ज़्यादा बार सही पढ़ता है, खासकर जब वे स्पष्ट समीकरणों के बजाय पैराग्राफ़ों में आई हों।
सबसे ज़्यादा खुलासा करने वाला टेस्ट सबसे सरल है: एक ही अनुरोध, दो बार। एक बार पूरे संदर्भ के साथ साफ़ तरीके से लिखा गया। एक बार उस तरह लिखा गया जैसे ज़्यादातर लोग असल में प्रॉम्प्ट टाइप करते हैं।
अच्छी तरह संरचित प्रॉम्प्ट और रूखे, शॉर्टहैंड प्रॉम्प्ट के बीच आउटपुट का अंतर GPT-5.6 के साथ पिछले मॉडल की तुलना में काफ़ी कम हो गया है। मॉडल अधूरे निर्देशों से इरादा समझने में बेहतर है। इसका मतलब यह नहीं कि अच्छे प्रॉम्प्ट लिखना बंद कर दें। यह संकेत है कि मॉडल असली दुनिया की उपयोग-स्थितियों के प्रति ज़्यादा मज़बूत हो रहा है।
कच्चा प्रॉम्प्ट अलग तरह से क्या बनाता है:
सबसे लगातार मिलने वाला निष्कर्ष: कच्चे प्रॉम्प्ट तेज़ आउटपुट देते हैं, पर कम क्वालिटी की सीमा के साथ। मॉडल कम करता है। वह कम धारणाएँ भरता है। कुछ संदर्भों में, यही ठीक वही है जो आप चाहते हैं।
GPT-5.6 की एक दिखने वाली सीमा है, जिस पर वह जोखिम भरी धारणा के साथ आगे बढ़ने के बजाय रुककर स्पष्टीकरण माँगता है। यह सीमा पिछली पीढ़ियों से ज़्यादा सटीक ढंग से तय है। अस्पष्ट क्रिएटिव कामों में यह बेवजह बीच में नहीं रोकता। अस्पष्ट तकनीकी कामों में यह रोकता है, जहाँ एक धारणा असली समस्या पैदा कर सकती है, जैसे अस्पष्ट दायरे वाला डेटाबेस स्कीमा बदलाव का अनुरोध।
यह व्यवहार वर्ज़न के हिसाब से एक जैसा नहीं है। GPT-5.6 Luna सबसे कम बार रोकता है, और धारणा बनाकर उसे चिह्नित करना पसंद करता है। GPT-5.6 Terra लंबे फ़ॉर्मेट के कामों पर ज़्यादा बार पूछता है। GPT-5.6 Sol प्रोडक्शन कोड से जुड़ी किसी भी चीज़ पर सबसे ज़्यादा पूछता है।
हर बेंचमार्किंग पोस्ट कुछ सार्वजनिक डेटासेट पर मॉडलों की तुलना करती है। यह सेक्शन वह नहीं कर रहा। यह असली कामों में देखी गई आउटपुट क्वालिटी के बारे में है।
DeepSeek R1 और Grok 4 लगभग तुलनीय क्षमता स्तरों पर दो सबसे मज़बूत विकल्प हैं। दोनों के कुछ ख़ास क्षेत्र हैं जहाँ वे GPT-5.6 के वर्ज़न को हराते हैं।
DeepSeek R1 ऊँचे चरण-संख्या वाले गणितीय रीज़निंग पर तीनों GPT-5.6 वर्ज़न से बेहतर प्रदर्शन करता है। इसकी चेन-ऑफ़-थॉट क्वालिटी मज़बूत है, और गणना के बीच में अपनी अंकगणितीय गलतियाँ पकड़ने की संभावना भी ज़्यादा है। शुद्ध रीज़निंग कामों के लिए, यह एक गंभीर प्रतिस्पर्धी है।
Grok 4 रियल-टाइम जानकारी के संश्लेषण और राय-आधारित विश्लेषण में मज़बूत है। यह कम सतर्क है, जिससे यह कुछ क्रिएटिव और संपादकीय कामों के लिए ज़्यादा उपयोगी बनता है। इसके आउटपुट को फ़ैक्ट-चेक की ज़रूरत पड़ने की संभावना भी ज़्यादा है।
GPT-5.6 को लगातार आउटपुट क्वालिटी में बढ़त है। 2,000 या उससे ज़्यादा शब्दों वाले कामों, या जमा हुए संदर्भ वाली मल्टी-टर्न बातचीत के लिए, GPT-5.6 Terra और GPT-5.6 Sol दोनों प्रतिस्पर्धियों से सुसंगतता में आगे रहते हैं।
वर्ज़न की कीमतें एक जैसी नहीं हैं, और सही वर्ज़न को सही काम से मिलाना ही असली लागत बचत का स्रोत है:
| मॉडल | सापेक्ष लागत प्रति 1M टोकन | सबसे अच्छा उपयोग |
|---|---|---|
| GPT-5.6 Luna | सबसे कम | तेज़ ड्राफ़्ट, Q&A |
| GPT-5.6 Terra | मध्यम | लंबे फ़ॉर्मेट, दस्तावेज़ीकरण |
| GPT-5.6 Sol | सबसे ज़्यादा | कोड, डीबगिंग |
| GPT-5 Pro | प्रीमियम | जटिल रीज़निंग |
असली वर्कफ़्लो में सबसे आम लागत-अक्षमता यह देखी गई है कि Sol को उन कामों पर चलाया जाए जिन्हें Luna ठीक-ठाक संभाल लेता है। जब आपको Luna से ज़्यादा चाहिए पर काम Sol की प्राइसिंग टियर को जायज़ नहीं ठहराता, तब GPT-5.2 एक ठोस मध्य-मार्ग विकल्प बना रहता है।
GPT-5.6 के API एक्सेस के लिए रजिस्ट्रेशन, मंज़ूरी की समय-सीमा और लगातार बिलिंग मैनेजमेंट चाहिए। PicassoIA ये रुकावटें हटा देता है।
GPT-5.6 के तीनों वर्ज़न PicassoIA के लार्ज लैंग्वेज मॉडल कलेक्शन के ज़रिए सीधे उपलब्ध हैं, बिना OpenAI अकाउंट के, बिना वेटलिस्ट के, और बिना टोकन या बिलिंग अलग से संभाले। आप वर्ज़न चुनते हैं, प्रॉम्प्ट टाइप करते हैं, और आउटपुट तुरंत शुरू हो जाता है।
यह इनके लिए सबसे ज़्यादा मायने रखता है:
एक बार हर एक का इस्तेमाल कर लेने के बाद फ़ैसला जटिल नहीं रहता:
जब काम में मात्रा से ज़्यादा सटीकता चाहिए, तब आप Claude Opus 4.7 भी चुन सकते हैं, या जब टर्नअराउंड की गति सबसे ज़रूरी हो और काम अच्छी तरह परिभाषित हो, तब Gemini 3.5 Flash चुन सकते हैं।
इस लेख का हर अवलोकन एक व्यावहारिक निहितार्थ रखता है। GPT-5.6 एक ही व्यवहार वाला एक मॉडल नहीं है। यह राइटिंग और रीज़निंग के टूल्स के सेट के अलग-अलग हिस्सों के लिए अनुकूलित तीन अलग व्यक्तित्व है। आउटपुट क्वालिटी की ऊपरी सीमा सचमुच ऊँची है। निचली सीमा लगभग पूरी तरह इस पर निर्भर करती है कि आपका प्रॉम्प्ट कितना विशिष्ट है।
अगर आप विनम्र, अच्छी तरह फ़ॉर्मेट किए गए प्रॉम्प्ट पर GPT चला रहे हैं और विनम्र, अच्छी तरह फ़ॉर्मेट किए गए आउटपुट पा रहे हैं, तो कुछ अलग आज़माएँ। उसे एक ऐसी बाधा दें जिससे उसे सीमाओं से जूझते हुए काम करना पड़े। शुरुआत से पहले अंत बता दें। उसे ऐसी स्थिति का पक्ष लेने को कहें जिस पर वह आम तौर पर हेज करता। देखें कि जब सुरक्षित रास्ता बंद हो जाए, तो वह क्या करता है।
यहीं GPT-5.6 जब उसे दबाया जाए तो असल में क्या लिखता है सचमुच दिलचस्प और सचमुच उपयोगी बन जाता है।
तीनों वर्ज़न, Luna, Terra और Sol, अभी PicassoIA पर उपलब्ध हैं। कोई कतार नहीं, कोई API सेटअप नहीं। उस काम से शुरुआत करें जिससे आप इसलिए बचते रहे हैं क्योंकि वह AI के लिए अच्छी तरह संभालने में बहुत जटिल लगता था। उसे दबाएँ। देखें कि वह क्या लिखता है।
अपनी भाषा चुनें
