Gemini 4 Hydrogen, Claude Sonnet 5.5 или GPT-6.1 Terra: что выбрать для повседневного программирования

Сравниваем Hydrogen, Sonnet 5.5 и GPT-6.1 Terra по бенчмаркам Google, официальным ценам, effort по умолчанию, бесплатному доступу и 30 воспроизводимым тестовым вызовам.

Стальной столярный угольник лежит поперёк двух из трёх деревянных досок; там, где угольник касается доски, стоит маленькая оранжевая отметка карандашом.

Для повседневного программирования и небольших агентных задач возможностей хватает у всех трёх моделей, поэтому выбор определяют цена, задержка и расход токенов, а не сами способности. Начните с GPT-6.1 Terra, если важнее всего стоимость и время ответа; с Claude Sonnet 5.5 — если нужен компактный и предсказуемый вывод; с Gemini 4 Hydrogen — если нужен бесплатный уровень Google, нативный ввод видео и аудио или вам важны результаты в агентных задачах и рассуждениях из карточки модели Google. Затем проверьте выбор на выборке собственных задач.

Рекомендация опирается на три вида данных, и в статье они везде помечены отдельно:

  • Документация вендоров Google, Anthropic и OpenAI, проверенная 19 ноября 2026 года: цены, контекстные окна, лимиты вывода и effort по умолчанию.
  • Опубликованные измерения: таблица бенчмарков из карточки модели Gemini 4 Hydrogen от Google (на английском) и страницы Artificial Analysis, прочитанные в тот же день.
  • Наш собственный небольшой тест: 30 вызовов (пять задач × три модели × два прогона) через один OpenAI-совместимый эндпоинт; все проверки были написаны до первого вызова. Все 30 вызовов прошли проверку. Поэтому тест различает модели по задержке и расходу токенов, но не по правильности.

Статью публикует Ofox, и все три модели доступны для вызова через Ofox. Для теста мы взяли эндпоинт Ofox, потому что один формат запроса подходит для всех трёх моделей. Цены Ofox здесь не приводятся: актуальный тариф указан на странице каждой модели.

Быстрый выбор по типу задачи

В таблице объединены наши замеры и документация вендоров. «Наш прогон» означает два вызова на модель на задачу, поэтому цифры задержки — иллюстрация, а не уровень сервиса.

Основная нагрузкаС чего начатьПочему (и тип данных)Когда менять
Мелкие исправления багов, SQL, короткие функции по спецификацииGPT-6.1 TerraЗдесь прошла все проверки с наименьшим суммарным числом выходных токенов и наименьшей медианной задержкой; самая низкая цена по прайс-листу из трёх. На задачах SQL и кода по спецификации Sonnet был чуть быстрее (наш прогон + цены OpenAI)Ваши собственные ошибки концентрируются на правках в нескольких файлах или с длинным контекстом
Структурированное извлечение (JSON из неаккуратного текста)Terra или Sonnet 5.5Обе ответили примерно за 80–85 выходных токенов; Hydrogen на тот же результат потратила 416 и 1 145 токенов (наш прогон)Схема требует рассуждений по нескольким документам
Многошаговое планирование без инструментовСначала Terra, Sonnet 5.5 как второе мнениеВсе три нашли оптимальное расписание; Terra была быстрее всех, у Sonnet вывод среднего объёма (наш прогон)Планам нужны вызовы инструментов или длинные ограничения, которые вы ещё не проверяли
Агентные циклы и работа с репозиторием на настройках по умолчаниюHydrogen или Sonnet 5.5 — по результатам вашей оценкиВ таблице Google Hydrogen впереди на SWE-sweep и AutomationBench-AA, Sonnet — на Terminal-Bench 4.1 и OSWorld-2.1 (данные вендора)Ваши собственные агентные прогоны расходятся с цифрами вендора
Ввод видео, аудио или смешанных медиаHydrogenПринимает на вход текст, изображения, аудио и видео; Sonnet 5.5 и Terra принимают текст и изображения (карточка модели Google, обзор моделей Anthropic, страница модели Terra у OpenAI)Вы отправляете только текст и изображения
Прототипирование без бюджетаHydrogen на бесплатном уровне GoogleЕдинственная из трёх с постоянным бесплатным уровнем API; Anthropic даёт новым пользователям разовые кредиты (страницы цен Google и Anthropic)Нужна предсказуемая пропускная способность; на бесплатном уровне действуют лимиты

Если вы выбираете модель по умолчанию внутри семейства Google, а не между вендорами, прочитайте наше руководство по выбору между Gemini 4 Carbon, Hydrogen и Argon. Полная линейка трёх вендоров, от малых до флагманских моделей, — в обзоре уровней моделей Gemini 4, Claude и GPT.

С чем сравнивает Hydrogen карточка модели Google

Соперников выбрала сама Google. Карточка модели Hydrogen, опубликованная 12 ноября 2026 года, ставит Gemini 4 Hydrogen рядом с Claude Sonnet 5.5 и GPT-6.1 Terra. Мы восстановили таблицу по снимку от 19 ноября 2026 года и сохранили пометки Google из столбца «Notes», потому что они меняют смысл каждой цифры.

КатегорияБенчмарк (пометка Google)Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
Агентное программированиеSWE-sweep13,5%3,1%5,8%
Агентное программированиеTerminal-Bench 4.1 (cheating-adjusted)57,0%63,9%нет данных
Интеллектуальная работаAgents’ Last Exam v1.1 (score)71,6%60,4%69,8%
Интеллектуальная работаAutomationBench-AA76,1%71,8%60,2%
Интеллектуальная работаVending-Bench 2 (bank balance)$14 549$11 165$9 107
Работа за компьютеромOSWorld-2.1 (offline subset)77,6%83,9%74,2%
Мультимодальное пониманиеMKA (Climb WSR accuracy)53,4%52,0%43,8%
Мультимодальное пониманиеChartography66,6%61,6%63,2%
Наука и математикаTerminal-Bench-Science 0.151,4%59,9%58,3%
РассужденияHLE-Diamond58,8%53,3%47,3%

Источник: Google DeepMind, карточка модели Gemini 4 Hydrogen, «Results as of November, 2026». Цифры предоставлены вендором, Ofox их не воспроизводил.

Таблицу стоит читать в два приёма. Hydrogen лидирует в семи строках из десяти, причём наибольший относительный разрыв — на SWE-sweep. Sonnet 5.5 лидирует в трёх: Terminal-Bench 4.1, OSWorld-2.1 и Terminal-Bench-Science. Terra не лидирует ни в одной строке и не имеет результата на Terminal-Bench 4.1. Прежде чем считать это рейтингом, учтите несколько оговорок:

  • Строки, где впереди Sonnet, относятся к работе в терминале и за компьютером. Если ваш агент в основном управляет оболочкой или рабочим столом, эти строки для вас важнее экзамена на рассуждения.
  • В снимке не указано, с какими настройками effort или мышления запускалась каждая модель, и неясно, получены ли результаты конкурентов в прогонах Google или взяты у других вендоров. Google ссылается на страницу с методологией (на английском); мы её не проверяли.
  • Результаты SWE-sweep низкие у всех трёх. Разрыв 13,5% против 3,1% велик в относительном выражении, но речь идёт о бенчмарке, который каждая модель в основном не проходит.
  • «Cheating-adjusted» и «offline subset» — это конкретные варианты подсчёта. Сравнивайте их только с цифрами, полученными тем же способом.

Google позиционирует Hydrogen как модель для «everyday coding and agentic workflows» (повседневного программирования и агентных сценариев). В карточке также перечислены известные ограничения: галлюцинации, периодические замедления или тайм-ауты и больший расход токенов на высоких уровнях мышления. Наши прогоны согласуются с пунктом про токены: Hydrogen выдавала больше всего выходных токенов на каждой задаче, хотя мы не могли увидеть, какой уровень мышления применил маршрут.

Цены, контекст, лимиты вывода и управление effort

Все цифры ниже взяты из документации самих вендоров и проверены 19 ноября 2026 года. Цены — прайс-лист уровня Standard в долларах США за миллион токенов.

Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
Нативный ID моделиgemini-4-hydrogenclaude-sonnet-5-5gpt-6.1-terra
Вход$1,50$2,00$1,00 (контекст ≤272K) / $2,00 (>272K)
Выход, включая рассуждения$7,50$10,00$5,00 (≤272K) / $7,50 (>272K)
Попадания в кэш$0,075 (только неявное кэширование)$0,10$0,05 (≤272K) / $0,10 (>272K)
Запись в кэшне указана (неявное)$2,50 (5 минут) / $4,00 (1 час)$1,25 (30 минут) / $2,50 (12 часов), ≤272K
Надбавка за длинный контекстнет: единая цена на весь 1Mнет: весь 1M по стандартной ценеесть, свыше 272K токенов
Контекстное окно1 048 576, общее для входа, мышления и выхода1M1 050 000
Максимальный вывод65 536 на синхронный запрос; длинное декодирование до 1M в фоновом режиме128K128 000
Управление effort / мышлениемthinking_level: low, medium, high (по умолчанию), xhigheffort: low, medium, high (по умолчанию), xhigh, maxreasoning effort: none, low, medium (по умолчанию), high, xhigh, max
Бесплатный уровень APIДа, с ограничением частотыНет; бесплатные кредиты для новых пользователейБесплатный уровень не указан
Цена Batch$0,75 / $3,75$1,00 / $5,00$0,50 / $2,50 (≤272K)

Источники (на английском): цены Google и руководство разработчика по Hydrogen; у Anthropic — цены, обзор моделей и руководство по effort; у OpenAI — цены и страница модели GPT-6.1 Terra.

Из таблицы следуют три практических вывода.

Значения по умолчанию не равны. У Hydrogen и Sonnet 5.5 по умолчанию стоит «high», у Terra — «medium». Если сравнивать модели, не задавая effort (как большинство и делает в первый день), Terra окажется на уровень ниже. Anthropic рекомендует начинать с medium для чётко сформулированного агентного программирования на Sonnet 5.5. Google рекомендует прогнать оценку на всех четырёх уровнях Hydrogen и выбрать самый низкий, который даёт нужное качество. Как это сделать, описано в наших руководствах по уровням effort в Sonnet 5.5 и уровням мышления Gemini 4.

Цена по прайсу — это не стоимость задачи. Ставка Hydrogen за выход на 25% ниже, чем у Sonnet, но выходные токены включают мышление. В наших прогонах Hydrogen выдала примерно в 2,7 раза больше выходных токенов, чем Sonnet, при одинаково прошедших проверку ответах, поэтому её расчётная стоимость оказалась выше. Руководство по стоимости задач на Sonnet 5.5 показывает, как учесть кэш, повторы и вывод по всей задаче.

Длинные промпты меняют цену Terra. Когда контекст превышает 272K токенов, ставки Terra за вход и выход растут до $2,00 и $7,50. Hydrogen и Sonnet 5.5 берут одинаковую цену во всём окне. Для промптов размером с репозиторий считайте стоимость по реальной длине промпта, а не по базовой ставке.

Бесплатный уровень Hydrogen

Google указывает Hydrogen как «free of charge» (бесплатно) на бесплатном уровне Gemini API и AI Studio с учётом ограничений частоты (на английском). В таблице цен Google также отмечено, что данные бесплатного уровня используются для улучшения продуктов компании, а на платном уровне — нет. Ни Anthropic, ни OpenAI не указывают бесплатного уровня API для Sonnet 5.5 или Terra. В FAQ по ценам Anthropic сказано, что новые пользователи получают бесплатные кредиты для тестирования API; это разовая пробная возможность, а не постоянный бесплатный уровень.

Бесплатный уровень относится только к собственному API Google. На запросы через Ofox или любой другой шлюз он не распространяется: их тарифицирует шлюз. Наше руководство по подключению Hydrogen API описывает оба пути, а разбор бесплатного уровня API Gemini 4 — условия и лимиты.

Независимые измерения: Artificial Analysis на настройках по умолчанию

Artificial Analysis публикует Intelligence Index, а также данные о скорости, расходе токенов и стоимости для каждой настройки effort. Основная цифра берётся при максимальной настройке модели, а большинство приложений работают иначе. В таблице ниже каждая модель показана на задокументированной настройке API по умолчанию. Значения взяты из данных, встроенных в страницы трёх моделей, 19 ноября 2026 года; они меняются, когда Artificial Analysis перезапускает оценки.

Метрика Artificial AnalysisHydrogen на high (по умолчанию)Sonnet 5.5 на high (по умолчанию)Terra на medium (по умолчанию)
Intelligence Index50,841,538,2
Скорость вывода (токенов/с)164,7135,860,4
Время до первого токена ответа19,4 с9,4 с5,1 с
Выходных токенов на задачу индекса84 97858 42110 875
Время на задачу индекса8,6 мин7,2 мин3,0 мин
Стоимость задачи индекса$1,87$1,64$0,17
Основной индекс (максимальная настройка)53,9 на xhigh54,5 на max51,3 на max

Источник: страницы Hydrogen, Sonnet 5.5 и GPT-6.1 Terra на Artificial Analysis (на английском), прочитаны 19 ноября 2026 года. Стоимость задачи — собственный расчёт Artificial Analysis по прайс-листу.

На настройках по умолчанию у Hydrogen самый высокий балл и самая быстрая генерация токенов. Но на задачу она выдаёт примерно в 1,5 раза больше выходных токенов, чем Sonnet, и почти в восемь раз больше, чем Terra, а первого токена ответа у неё приходится ждать дольше всех. Terra генерирует токены медленнее всех, но ей нужно так мало токенов, что среднюю задачу она завершает менее чем за половину времени двух других моделей и примерно за десятую часть их стоимости. На максимальных настройках Sonnet 5.5 немного опережает Hydrogen по индексу. Однако Artificial Analysis зафиксировала для Sonnet на max время до первого токена ответа около 264 секунд, так что эта настройка не подходит для интерактивной работы.

Это агрегированные оценки. Наш небольшой тест, о котором дальше, показывает ту же картину на конкретных задачах.

Пять повседневных задач через один эндпоинт

Условия. 19 ноября 2026 года мы отправили каждую задачу одним пользовательским сообщением (роль user) на https://api.ofox.ai/v1/chat/completions с ID моделей google/gemini-4-hydrogen, anthropic/claude-sonnet-5.5 и openai/gpt-6.1-terra. В каждом запросе были только model, messages и max_tokens: 32000: без системного промпта, без параметров сэмплирования и без поля reasoning или effort. Мы не знаем, какой уровень effort или мышления применял каждый маршрут Ofox, когда эти поля не переданы. Он может совпадать с задокументированными у вендоров значениями API по умолчанию (high, high и medium), но в ответах это не сообщается, поэтому подтвердить мы не можем. Каждая задача выполнялась дважды на каждой модели, порядок моделей менялся между задачами и раундами. Задержка — это реальное время получения непотокового ответа нашим клиентом, включая сеть. Число токенов взято из объекта usage в каждом ответе.

Проверки. Каждая проверка была написана и сверена с эталонным ответом до первого вызова модели. Прогон засчитывается, только если проходит программная проверка; «на глаз» мы не оценивали.

ЗадачаЧто должна была сделать модельОбъективная проверка
T1 Исправить падающую функциюПочинить merge_intervals (неотсортированный вход, соприкасающиеся интервалы)Выполнить возвращённую функцию на данном тесте и четырёх скрытых случаях: пустой список, соприкасающиеся, вложенные, точечные интервалы
T2 SQL по схемеКлиенты с ≥2 оплаченными заказами за 2026 год, сумма оплат, фиксированный порядокВыполнить запрос на SQLite с тестовыми данными и точно сравнить строки; в данных есть возврат, заказ 2025 года и равенство сумм
T3 Извлечение JSONПоля счёта из неаккуратного пересланного письма с самоисправлением и европейским форматом чиселРазобрать JSON; ключи точно совпадают; значения равны ожидаемой записи (исправленная сумма 1420.5, срок оплаты вычислен из условий, PO равно null)
T4 Планирование без инструментовРасписание релиза на двух исполнителей с зависимостями и правилом общего ресурсаПроверить все правила зависимостей, исполнителей и отсутствия пересечений, затем потребовать минимальное время завершения (68 минут)
T5 Код по спецификацииretry_delay_seconds() для HTTP Retry-After: секунды или HTTP-датаДевять скрытых случаев, включая пробелы, отрицательные, неразбираемые значения и прошедшие даты

Результаты

ЗадачаHydrogen: прошла, задержка, выходные токеныSonnet 5.5: прошла, задержка, выходные токеныTerra: прошла, задержка, выходные токены
T1 исправление функции2/2 · 4,3 с, 4,5 с · 551, 6032/2 · 4,2 с, 4,2 с · 270, 2822/2 · 1,9 с, 2,9 с · 106, 144
T2 SQL2/2 · 8,2 с, 7,0 с · 1 160, 9012/2 · 3,4 с, 3,1 с · 190, 1902/2 · 3,7 с, 4,7 с · 311, 333
T3 извлечение JSON2/2 · 3,6 с, 8,5 с · 416, 1 1452/2 · 3,1 с, 3,3 с · 85, 852/2 · 4,2 с, 2,1 с · 83, 79
T4 планирование2/2 · 9,3 с, 10,3 с · 1 318, 1 3732/2 · 9,1 с, 8,3 с · 755, 8402/2 · 3,9 с, 3,6 с · 224, 265
T5 код по спецификации2/2 · 14,9 с, 23,8 с · 2 154, 3 5322/2 · 9,9 с, 9,1 с · 1 132, 1 0132/2 · 10,7 с, 10,6 с · 941, 1 001
Итого по 10 вызовам каждой моделиHydrogenSonnet 5.5Terra
Прошло10/1010/1010/10
Медианная задержка8,4 с4,2 с3,8 с
Самый медленный вызов23,8 с9,9 с10,7 с
Входные токены (по отчёту)2 3722 8741 916
Выходные токены (по отчёту)13 1534 8423 487
Расчётная стоимость по официальному прайсу$0,102$0,054$0,019

Измерено 19 ноября 2026 года, n = 2 на ячейку. Строка стоимости — наш расчёт по токенам из ответов и прайс-листам вендоров уровня Standard, а не счёт; Ofox тарифицирует по ставке, указанной на странице каждой модели. Все 30 вызовов вместе обошлись бы примерно в $0,18 по прайс-листу.

Что показали прогоны:

  1. По правильности модели на этих задачах не различались. Каждая модель в обоих прогонах прошла все скрытые случаи, включая европейский десятичный формат, исправленную сумму счёта и конфликт C/D в расписании. Для повседневных задач такого масштаба это полезный вывод, но о более сложной работе он ничего не говорит.
  2. Hydrogen, вызванная через маршрут без заданного уровня мышления, тратила больше всего токенов на каждой задаче. Большая часть её вывода приходилась на рассуждения: например, 3 361 из 3 532 выходных токенов в более медленном прогоне T5. У неё же был самый большой разброс между прогонами (T3: 3,6 с и 8,5 с на один и тот же промпт). Это согласуется с предупреждением Google о том, что более высокие уровни мышления расходуют больше токенов.
  3. Sonnet 5.5 была самой стабильной. На каждой задаче её два прогона отличались меньше чем на секунду, а ответ JSON оба раза занял 85 токенов. На трёх самых коротких задачах в объекте usage не было разбивки по токенам рассуждений, поэтому мы не можем сказать, сколько токенов она там потратила на рассуждения.
  4. Terra была самой дешёвой на всех пяти задачах и имела наименьшую медианную задержку. Она была явно быстрее всех на исправлении бага и планировании и примерно наравне с Sonnet на извлечении; на SQL и коде по спецификации Sonnet была быстрее. Короткий вывод Terra компенсирует самую низкую из трёх скорость генерации токенов по данным Artificial Analysis.

Очевидный следующий шаг — перезапустить Hydrogen на medium или low, а Sonnet на medium. Здесь мы этого не делали, потому что сопоставление поля effort для каждого маршрута Ofox нужно проверять отдельно. Считайте цифры Hydrogen измерением той настройки, которую маршрут применил без явного указания, а не её лучшего соотношения цены и качества.

Как повторить самому

Промпты ниже — точный текст, который мы отправляли. Замените эндпоинт и ID моделей на те, что у вашего провайдера, оставьте большой max_tokens и запустите те же проверки. Сохраняйте сырой ответ, чтобы потом изучить usage.

import json, os, time, urllib.request

def ask(model: str, prompt: str) -> tuple[str, dict, float]:
    body = {"model": model, "messages": [{"role": "user", "content": prompt}], "max_tokens": 32000}
    req = urllib.request.Request(
        "https://api.ofox.ai/v1/chat/completions",
        data=json.dumps(body).encode(),
        headers={"Authorization": "Bearer " + os.environ["OFOX_API_KEY"],
                 "Content-Type": "application/json"},
    )
    t0 = time.monotonic()
    resp = json.load(urllib.request.urlopen(req, timeout=600))
    return resp["choices"][0]["message"]["content"], resp.get("usage", {}), time.monotonic() - t0

Базовый URL и формат запроса соответствуют справочнику Ofox по Chat Completions. Запускайте проверки на Python 3.10 или новее: две модели вернули аннотации типов вроде str | None, которые Python 3.9 не может вычислить без импорта из __future__.

Промпты приведены на английском — в том виде, в каком были отправлены.

Промпт T1

This function fails its test. Fix the function. Return only the corrected function in one ```python block.

```python
def merge_intervals(intervals):
    """Merge overlapping or touching closed intervals [start, end].
    Input may be unsorted. Return a new sorted list of [start, end] lists."""
    merged = []
    for start, end in intervals:
        if merged and start < merged[-1][1]:
            merged[-1][1] = end
        else:
            merged.append([start, end])
    return merged
```

Failing test:

```python
def test_merge():
    assert merge_intervals([[5, 7], [1, 3], [2, 4]]) == [[1, 4], [5, 7]]
```

Скрытые случаи: [] → [], [[1,3],[3,5]] → [[1,5]], [[1,10],[2,3]] → [[1,10]], [[4,4],[1,2]] → [[1,2],[4,4]].

Промпт T2 (тестовые данные для проверки: пять клиентов и двенадцать заказов, включая возвращённый заказ, заказ декабря 2025 года и трёх клиентов с одинаковой суммой 2 000 центов; ожидаемые строки — ana@, cy@ и di@example.com, у каждого 2000)

SQLite schema:

```sql
CREATE TABLE customers (id INTEGER PRIMARY KEY, email TEXT NOT NULL);
CREATE TABLE orders (id INTEGER PRIMARY KEY, customer_id INTEGER NOT NULL REFERENCES customers(id),
  status TEXT NOT NULL,          -- 'paid', 'refunded' or 'pending'
  created_at TEXT NOT NULL,      -- ISO 8601 UTC, e.g. '2026-03-01T09:30:00Z'
  amount_cents INTEGER NOT NULL);
```

Write one SQLite query that returns, for every customer with at least 2 orders whose status is 'paid' and whose created_at falls in calendar year 2026 (UTC), two columns: email and total_paid_cents (the sum of amount_cents over those same orders). Order by total_paid_cents descending, then email ascending. Return only the query in one ```sql block.

Промпт T3

Extract the invoice details from the message below. Reply with only a JSON object with exactly these keys:
"vendor" (string), "invoice_number" (string), "issue_date" (YYYY-MM-DD), "due_date" (YYYY-MM-DD or null), "currency" (ISO 4217 code), "total" (number), "po_number" (string or null).
Use the corrected values if the message corrects itself. Compute due_date if the payment terms make it determinable. Do not guess values that are missing.

---
fwd: pls process asap!!
> From: billing@northwind-supplies.example
> Hi team, attached is inv. NW-2026-0419 from Northwind Supplies Ltd, dated 3 Nov 2026.
> Amount due: EUR 1.240,50 (incl. VAT). Payment terms: 30 days from invoice date.
> Sorry, correction: the total should read EUR 1.420,50, the first figure had a typo.
> PO: we don't have one from you yet, please send it.
--
Sent from my phone
---

Ожидается: NW-2026-0419, дата выставления 2026-11-03, срок оплаты 2026-12-03, EUR, сумма 1420.5, PO null.

Промпт T4

Plan a release. Steps and durations (minutes):
A build=10, B unit tests=15, C integration tests=20, D database migration=12, E deploy canary=8, F smoke test=5, G full rollout=10, H notify customers=3.
Rules:
1. B and C need A finished. D needs B finished.
2. E needs C and D finished. F needs E finished. G needs F finished.
3. H must start only after G finished.
4. Two workers are available; a worker does one step at a time and a step is never split.
5. D must not run at the same time as C (they share the staging database).
Find a schedule with the smallest possible finish time. Reply with only a JSON object {"steps": [{"id": "A", "start": 0}, ...]} listing all eight steps with integer start minutes.

Оптимум — 68 минут: C выполняется с 10-й по 30-ю минуту, поэтому D должна ждать до 30-й.

Промпт T5

Write a Python function `retry_delay_seconds(header: str | None, now: datetime.datetime) -> float | None` for an HTTP client.
- `header` is the raw Retry-After header value (may be None, may have surrounding whitespace).
- If it is a non-negative integer number of seconds, return it as a float.
- If it is an HTTP-date (IMF-fixdate, e.g. "Wed, 21 Oct 2026 07:28:00 GMT"), return the seconds from `now` (timezone-aware UTC) until that date; return 0.0 if the date is in the past.
- Return None for None, empty, negative or unparseable values.
Use only the standard library. Return only the code (imports plus the function) in one ```python block.

При now = 2026-10-21 07:00:00 UTC скрытые случаи такие: "120" → 120.0, " 7 " → 7.0, "0" → 0.0; None, "", "-5" и "soon" → None; "Wed, 21 Oct 2026 07:28:00 GMT" → 1680.0; дата на день раньше → 0.0.

Ограничения сравнения

  • Маленькая выборка. Два прогона на ячейку показывают направление, а не устойчивые доли. Модель, прошедшая 2/2, может провалиться на третьем прогоне.
  • Простые задачи. Все 30 вызовов прошли, поэтому по этим задачам нельзя ранжировать модели по правильности. Прежде чем доверять какому-либо рейтингу, проверьте собственные проблемные случаи, особенно правки в нескольких файлах и длинный контекст.
  • Один маршрут. Мы измеряли через OpenAI-совместимый эндпоинт Ofox из одной точки расположения клиента. Нативные API, другие регионы, потоковая передача и время суток могут изменить задержку. В каталоге Ofox указано, что вызов инструментов у Terra идёт через Responses API, поэтому для тестов агентов с инструментами на Terra нужен этот эндпоинт, а не приведённый выше вызов Chat Completions.
  • Без инструментов, изображений и длинного контекста. Ни одна задача не задействовала вызов функций, работу за компьютером, мультимодальный ввод или промпты длиннее нескольких сотен токенов. Именно в этих областях таблица Google показывает самые большие различия.
  • Effort неизвестен и не выровнен. Мы не задавали effort, а то, какой effort применил каждый маршрут Ofox, в ответах не видно. Если маршруты следуют задокументированным значениям по умолчанию вендоров, Terra работала на уровень ниже двух других моделей. В любом случае наши результаты измеряют, как каждая модель отвечает на запрос без поля effort, а не сравнение при одинаковом effort.

Если вызов завершился ошибкой

Если тестовый вызов вернул ошибку вместо ответа, причина обычно в маршруте или параметре, а не в способностях модели. Для Hydrogen смотрите руководство по ошибкам API Gemini 4. При многоходовом использовании инструментов проверьте также исправление ошибки с отсутствующей thought signature. Для Sonnet 5.5 руководство по ошибкам 400 после миграции на Sonnet 5.5 разбирает запросы, отклонённые после обновления, например с отключённым thinking или принудительным вызовом инструмента. Для вызова инструментов в GPT-6.1 см. исправление вызова инструментов через Responses API: статья написана для Sol, но охватывает тот же формат запроса. Ответы 429 повторяйте с экспоненциальной задержкой, как описано в нашем руководстве по ошибке 429 и повторам. В документации Ofox по обработке ошибок и лимитам запросов перечислены собственные коды шлюза и лимиты по умолчанию.

Связанные сравнения и руководства по настройке

Документация