सबै प्रयोगकर्ताहरूका लागि Fable 5 पुनः अनलाइन आएको एक हप्ताभन्दा केही समयपछि, OpenAI ले आफ्नो अर्को पुस्ताको मोडल शृङ्खला: GPT-5.6 Sol, Terra, र Luna सार्वजनिक गर्यो। एउटै मात्र मुख्य (फ्ल्यागसिप) मोडल ल्याउनुको सट्टा, OpenAI ले यसलाई छुट्टाछुट्टै मूल्य तोकिएका तीनवटा क्षमता स्तरहरूमा विभाजन गर्यो, जसमा ‘Sol’ सबैभन्दा माथि र ‘Luna’ सबैभन्दा तल रहेका छन्। यसो गर्दा प्रत्येक स्तर आफ्नै गतिमा अगाडि बढ्न सक्ने OpenAI को तर्क छ।
Anthropic र OpenAI फ्रन्टियर एआई (frontier AI) को सर्वोच्चताका लागि बढ्दो प्रतिस्पर्धामा छन्, र तिनीहरूका मुख्य मोडलहरू बीचको अन्तर एउटा बेन्चमार्कबाट अर्को बेन्चमार्कको प्रतिस्पर्धामा साँघुरिँदै गएको छ।
क्लोड (Claude) ले वास्तविक संसारको सफ्टवेयर-इन्जिनियरिङ कार्यहरूमा नेतृत्व गरिरहेको छ, जहाँ यसको जुन महिनाको लन्चमा Fable 5 ले SWE-Bench Pro मा ८०.३% अंक ल्याएको थियो, जुन GPT-5.5 को ५८.६% भन्दा धेरै अगाडि थियो। तर, OpenAI को भर्खरै रिलिज भएको GPT-5.6 Sol ले ‘Artificial Analysis Coding Agent Index’ मा ८० अंक प्राप्त गर्दै Fable 5 लाई थोरैले पछि पारेर शीर्ष स्थान दाबी गरेको छ, त्यो पनि आधाभन्दा कम टोकन र समय प्रयोग गरेर।
उतारचढावपूर्ण यात्रा
Anthropic ले ‘Mythos’ लन्च गरेर र आफ्नो ‘Glasswing Alliance’ मा रहेका सीमित कम्पनीहरूलाई यसको प्रारम्भिक पहुँच दिएदेखि नै आफूलाई फ्रन्टियर एआईको दौडमा सबैभन्दा अगाडि राखेको छ। यसपछि उसले जीवविज्ञान, साइबर सुरक्षा, र एआई अनुसन्धानमा अतिरिक्त सुरक्षा उपायहरू (safeguards) सहितको Mythos को परिमार्जित संस्करण Fable 5 व्यापक प्रयोगकर्ताहरूका लागि उपलब्ध गराएर आफ्नो नेतृत्वलाई थप बलियो बनायो।
तर, यो गतिमा तब अवरोध आयो जब अमेरिकी सरकारसँगको निर्यात नियन्त्रण सम्बन्धी विवादका कारण Anthropic लाई ‘सप्लाई-चेन जोखिम’ (supply-chain risk) को रूपमा हेरियो। यसले गर्दा कम्पनीले १९ दिनसम्म (जुन १२ देखि जुलाई १, २०२६ सम्म) Fable 5 र Mythos 5 को पहुँच निलम्बन गर्नुपर्यो। पछि वाणिज्य मन्त्रालयले सम्बन्धित नियन्त्रणहरू हटाएपछि यसको पहुँच पुनः सुचारु भयो।
OpenAI ले Sol ले धेरै क्षेत्रमा Anthropic को फ्ल्यागसिप मोडललाई पछि पारेको दाबी स्पष्ट रूपमा गरेको छ:
-
Agents’ Last Exam (५५ वटा क्षेत्रमा लामो समयसम्म चल्ने व्यावसायिक कार्यप्रवाहको मूल्याङ्कन): Sol ले ५३.६ अंक ल्यायो, जुन Fable 5 भन्दा १३.१ अंक बढी हो।
-
Artificial Analysis Coding Agent Index: Sol ले ८० अंकको नयाँ रेकर्ड कायम गर्यो, जुन Fable 5 भन्दा करिब २.८ अंक बढी हो।
-
यसले BrowseComp (९२.२%) र OSWorld 2.0 (६२.६%) मा पनि नयाँ कीर्तिमान दाबी गरेको छ।
चित्र एकतर्फी मात्र छैन
तर, यो परिणाम एकतर्फी भने देखिँदैन। Anthropic अझै पनि SWE-Bench Pro मा धेरै अगाडि छ, जहाँ Fable 5 को ८०.३% को तुलनामा Sol ले मात्र ६४.६% प्राप्त गरेको छ—यो सबैभन्दा बढी ध्यान दिइने कोडिङ बेन्चमार्कमा करिब १५ अंकको ठूलो अन्तर हो।
स्वतन्त्र पर्यवेक्षकहरूका अनुसार, ‘Terminal-Bench’ र ‘SWE-Bench Pro’ ले फरक-फरक प्रकारका कामहरूको मूल्याङ्कन गर्छन्:
-
टर्मिनल अटोमेसन (Terminal automation): यसले Sol को ‘Codex-style harness’ लाई बढी फाइदा पुर्याउँछ।
-
पूर्ण-कोडबेस समस्या समाधान (Whole-codebase issue resolution): यसले अझै पनि क्लोड (Claude) लाई नै बढी सघाउँछ।
यी दुई कम्पनीले कसरी आ-आफ्नो जितको दाबी गर्न सक्छन् भन्ने बुझ्नका लागि यी दुई टेस्टलाई एउटै उम्मेदवारको फरक-फरक अन्तर्वार्ताको रूपमा लिन सकिन्छ:
SWE-Bench Pro भनेको कसैलाई पुरानो ठेकेदारले आधा छोडेको घर दिएर, अरू कुनै कोठा नबिगारी वा नचुहिने बनाई ठ्याक्कै कहाँ गल्ती छ भनी पत्ता लगाएर त्यसलाई मात्र मर्मत गर्न भन्नु जस्तै हो। यसले सावधानीपूर्वक पढ्न सक्ने, ठूलो र अपरिचित प्रणालीमा काम गर्न सक्ने र निश्चित बग (bug) लाई सही रूपमा सुधार्न सक्ने मोडललाई पुरस्कृत गर्दछ।
अर्कोतर्फ, Terminal-Bench 2.1 कुनै एउटा निश्चित कुरा सुधार्ने भन्दा पनि पूरा घरको व्यवस्थापन गर्ने क्षमतासँग सम्बन्धित छ। यसमा कम्प्युटरको कन्ट्रोल प्यानल चलाउने, सफ्टवेयर इन्स्टल गर्ने, सर्भर कन्फिगर गर्ने, बहु-चरणीय कामहरू गर्ने र बिचमा समस्या आउँदा त्यसलाई समाधान गर्ने जस्ता व्यापक परीक्षणहरू सामेल हुन्छन्।
एउटा मोडल विस्तृत रूपमा बग सुधार्नमा उत्कृष्ट हुन सक्छ तर समग्र अपरेटरको रूपमा कमजोर हुन सक्छ, र यसको विपरीत पनि हुन सक्छ। यही कारणले गर्दा Fable 5 “कुनै एउटा कुरा ठ्याक्कै सुधार्ने” टेस्टमा अगाडि छ भने GPT-5.6 Sol “सबै भद्रगोल कार्यप्रवाह सम्हाल्ने” टेस्टमा अगाडि देखिन्छ।
टुलकिट (Toolkit) को भूमिका
यसमा अर्को एउटा पाटो पनि छ; यी स्कोरहरूले एआई मोडलको मात्र नभई त्यसलाई काम गर्न दिइएको टुलकिट (औजार) को पनि परीक्षण गरिरहेका हुन्छन्।
OpenAI ले आफ्ना मोडलहरूको मूल्याङ्कन आफ्नै इन-हाउस “Codex” टुलकिट प्रयोग गरेर गरेको छ, जुन यसका मोडलहरूले कसरी काम गर्न रुचाउँछन् भन्ने कुरासँग मेल खाने गरी ट्युन गरिएको हुन्छ। यो कुनै कामदारलाई मानक उपकरण भाडामा दिनुको सट्टा उसकै बानी परेको आफ्नै औजारहरू प्रयोग गर्न दिनु जस्तै हो। यदि यस पक्षलाई विचार गर्ने हो र GPT-5.6 Sol लाई तटस्थ वातावरणमा राख्ने हो भने Fable 5 सँगको यसको अन्तर अझ साँघुरो हुन सक्छ।
व्यापक उत्पादन प्रतिस्पर्धा
GPT-5.6 मोडल शृङ्खला बाहेक, OpenAI ले ChatGPT Work को पनि घोषणा गरेको छ। यो GPT-5.6 मा निर्मित एउटा एजेन्टिक मोड (agentic mode) हो जसले इमेलहरू पढ्न, पाठ संक्षेप गर्न, प्रेजेन्टेसनहरू बनाउन, र नयाँ “Sites” फिचर मार्फत छरिएका विचारहरूलाई चार्ट वा ड्यासबोर्डमा व्यवस्थित गर्नुका साथै नियमित कार्यहरू सञ्चालन गर्न सक्छ।
यो उत्पादन सिधै Claude Cowork को प्रतिस्पर्धी हो, जसले प्रयोगकर्ताहरूका लागि यस्तै बहु-चरणीय कार्यहरू गर्न सक्छ। यद्यपि, यी दुई बीच प्लगइन इकोसिस्टम र आफ्ना निर्माताका कोडिङ टुलहरू (OpenAI को लागि Codex र Anthropic को लागि Claude Code) सँगको आबद्धतामा भिन्नता छ।
