日常のコーディングにはどれを選ぶ?Gemini 4 Hydrogen・Claude Sonnet 5.5・GPT-6.1 Terraを比較

Hydrogen、Sonnet 5.5、GPT-6.1 Terraを、Googleのベンチマーク、公式料金、デフォルトのeffort、無料枠、再現可能な30回のテスト呼び出しで比較します。

大工用の鋼製スコヤが3枚の木の板のうち2枚にまたがって置かれ、スコヤと板が接する位置に小さなオレンジ色の鉛筆の印があります。

日常のコーディングや小規模なエージェントタスクでは、3モデルとも十分な能力があり、性能そのものより料金・レイテンシ・トークンの使い方が選択を左右します。コストと応答時間を最優先するならGPT-6.1 Terra、簡潔で予測しやすい出力が欲しいならClaude Sonnet 5.5から始めてください。Googleの無料枠、動画・音声のネイティブ入力、あるいはGoogleのモデルカードにあるエージェント系・推論系の結果を重視するならGemini 4 Hydrogenです。 そのうえで、自分のタスクのサンプルで選択を確かめてください。

この推奨は3種類の根拠に基づいており、本文ではそれぞれを区別して示します。

  • ベンダーのドキュメント:Google、Anthropic、OpenAIの公式ドキュメント(2026年11月19日に確認)。料金、コンテキストウィンドウ、出力上限、デフォルトのeffortです。
  • 公開されている測定結果:GoogleのGemini 4 Hydrogenモデルカード(英語)にあるベンチマーク表と、同じ日に確認したArtificial Analysisのページです。
  • 私たち自身の小規模テスト:1つのOpenAI互換エンドポイント経由で30回呼び出しました(5タスク×3モデル×2回)。判定はすべて最初の呼び出しの前に書いています。30回すべてが合格しました。そのため、このテストで差が出たのは正答率ではなく、レイテンシとトークン使用量です。

この記事はOfoxが公開しており、3モデルともOfox経由で呼び出せます。テストにOfoxのエンドポイントを使ったのは、1つのリクエスト形式で3モデルすべてを呼び出せるためです。ここではOfoxの料金は引用しません。現在の料金は各モデルページで確認してください。

タスク別の早見表

この表は、私たちの実測と各ベンダーのドキュメントを組み合わせたものです。「私たちの実測」はモデル・タスクごとに2回の呼び出しを指します。レイテンシの数値はあくまで一例であり、サービス水準(SLA)を示すものではありません。

主なワークロード最初に試すモデル理由(と根拠の種類)切り替えるタイミング
小さなバグ修正、SQL、仕様から短い関数を書くGPT-6.1 Terra今回のすべての判定に合格し、出力トークンの合計が最少、レイテンシの中央値が最小でした。3モデルの中で定価も最安です。SQLと仕様からのコード作成ではSonnetのほうがわずかに速い結果でした(私たちの実測+OpenAIの料金)自分の失敗例が複数ファイルの編集や長いコンテキストの編集に集中している
構造化抽出(乱雑なテキストからJSON)TerraまたはSonnet 5.5どちらも約80〜85の出力トークンで回答しました。Hydrogenは同じ結果に416と1,145トークンを使いました(私たちの実測)スキーマが複数の文書にまたがる推論を必要とする
ツールを使わない多段階の計画まずTerra、セカンドオピニオンにSonnet 5.53モデルとも最適なスケジュールを見つけました。Terraが最速で、Sonnetの出力量は中程度でした(私たちの実測)計画にツール呼び出しや、まだテストしていない長い制約が必要になる
デフォルト設定でのエージェントループやリポジトリ作業HydrogenかSonnet 5.5を自分の評価で選ぶGoogleの表では、SWE-sweepとAutomationBench-AAでHydrogenが、Terminal-Bench 4.1とOSWorld-2.1でSonnetが上回っています(ベンダー公表値)自分のエージェント実行の結果がベンダーの数値と一致しない
動画・音声・複合メディアの入力Hydrogenテキスト、画像、音声、動画の入力に対応しています。Sonnet 5.5とTerraはテキストと画像の入力を受け付けます(Googleのモデルカード、Anthropicのモデル概要、OpenAIのTerraモデルページ)テキストと画像しか送らない
予算ゼロでのプロトタイピングGoogleの無料枠でHydrogen3つの中で常設の無料API枠があるのはこれだけです。Anthropicは新規ユーザーに1回限りのクレジットを提供しています(GoogleとAnthropicの料金ページ)予測可能なスループットが必要になる。無料枠には制限があります

ベンダーをまたがずにGoogleのモデル群の中でデフォルトを選ぶ場合は、Gemini 4 Carbon・Hydrogen・Argonの選び方をご覧ください。3社の小型からフラッグシップまでのラインナップ全体は、Gemini 4・Claude・GPTのモデル階層の概要で整理しています。

GoogleのHydrogenモデルカードは何と比べているか

この対戦相手を選んだのはGoogle自身です。2026年11月12日に公開されたHydrogenのモデルカードは、Gemini 4 HydrogenをClaude Sonnet 5.5、GPT-6.1 Terraと並べて掲載しています。私たちは2026年11月19日に取得したスナップショットから表を作り直し、Googleの「Notes」の注記を残しました。注記によって各数値の意味が変わるためです。

カテゴリベンチマーク(Googleの注記)Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
エージェント型コーディングSWE-sweep13.5%3.1%5.8%
エージェント型コーディングTerminal-Bench 4.1 (cheating-adjusted)57.0%63.9%記載なし
知的作業Agents’ Last Exam v1.1 (score)71.6%60.4%69.8%
知的作業AutomationBench-AA76.1%71.8%60.2%
知的作業Vending-Bench 2 (bank balance)$14,549$11,165$9,107
コンピューター操作OSWorld-2.1 (offline subset)77.6%83.9%74.2%
マルチモーダル理解MKA (Climb WSR accuracy)53.4%52.0%43.8%
マルチモーダル理解Chartography66.6%61.6%63.2%
科学・数学Terminal-Bench-Science 0.151.4%59.9%58.3%
推論HLE-Diamond58.8%53.3%47.3%

出典:Google DeepMind、Gemini 4 Hydrogenモデルカード「Results as of November, 2026」。ベンダー公表値であり、Ofoxは再現していません。

この表は2つに分けて読んでください。Hydrogenは10行中7行で首位で、相対的な差が最も大きいのはSWE-sweepです。Sonnet 5.5はTerminal-Bench 4.1、OSWorld-2.1、Terminal-Bench-Scienceの3行で首位です。Terraが首位の行はなく、Terminal-Bench 4.1の記載もありません。ランキングとして扱う前に、次の点に注意してください。

  • Sonnetが上回る行は、ターミナル操作とコンピューター操作の作業です。 エージェントが主にシェルやデスクトップを操作するなら、推論試験よりこれらの行のほうが参考になります。
  • スナップショットには、各モデルがどのeffortや思考設定を使ったかが書かれていません。 競合モデルのスコアがGoogle自身の実行によるものか、他ベンダーの公表値かも不明です。Googleは詳細として評価方法のページ(英語)を示していますが、私たちは監査していません。
  • SWE-sweepのスコアは3モデルとも低い値です。 13.5%対3.1%は相対的には大きな差ですが、どのモデルも大半の問題に失敗しているベンチマークです。
  • 「cheating-adjusted」と「offline subset」は特定の採点方式です。 同じ方式の数値とだけ比べてください。

GoogleはHydrogenを「everyday coding and agentic workflows」(日常のコーディングとエージェント型ワークフロー)向けのモデルと位置づけています。モデルカードには既知の制限として、ハルシネーション、ときどき遅くなったりタイムアウトしたりすること、思考レベルが高いほどトークン使用量が増えることも挙げられています。トークンの点は私たちの実測とも一致しました。Hydrogenはすべてのタスクで出力トークンが最多でした。ただし、ルートがどの思考レベルを適用したかは確認できていません。

料金、コンテキスト、出力上限、effortの設定

以下の数値はすべて各ベンダー自身のドキュメントによるもので、2026年11月19日に確認しました。料金はStandardティアの定価で、単位は100万トークン当たりの米ドルです。

Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
ネイティブのモデルIDgemini-4-hydrogenclaude-sonnet-5-5gpt-6.1-terra
入力$1.50$2.00$1.00(コンテキスト≤272K)/$2.00(>272K)
出力(推論を含む)$7.50$10.00$5.00(≤272K)/$7.50(>272K)
キャッシュヒット$0.075(暗黙的キャッシュのみ)$0.10$0.05(≤272K)/$0.10(>272K)
キャッシュ書き込み記載なし(暗黙的)$2.50(5分)/$4.00(1時間)$1.25(30分)/$2.50(12時間)、≤272K
長いコンテキストの割増なし:1M全体で均一なし:1M全体を標準料金であり、272Kトークン超
コンテキストウィンドウ1,048,576(入力・思考・出力で共有)1M1,050,000
最大出力同期リクエストで65,536。バックグラウンドモードの長いデコードで最大1M128K128,000
effort/思考の設定thinking_level:low、medium、high(デフォルト)、xhigheffort:low、medium、high(デフォルト)、xhigh、maxreasoning effort:none、low、medium(デフォルト)、high、xhigh、max
無料API枠あり(レート制限付き)なし。新規ユーザーには無料クレジット無料枠の記載なし
Batch料金$0.75/$3.75$1.00/$5.00$0.50/$2.50(≤272K)

出典(いずれも英語):Googleの料金とHydrogen開発者ガイド、Anthropicの料金・モデル概要・effortガイド、OpenAIの料金とGPT-6.1 Terraモデルページ。

この表から、実務上の帰結が3つあります。

デフォルトは揃っていません。 HydrogenとSonnet 5.5のデフォルトはそれぞれの「high」ですが、Terraは「medium」です。初日にありがちなようにeffortを設定せずに比べると、Terraだけ1段階低い設定で比べることになります。Anthropicは、仕様が明確なエージェント型コーディングではSonnet 5.5をmediumから始めるよう推奨しています。Googleは、Hydrogenの4つのレベルすべてで評価を実行し、品質基準を満たす最も低いレベルを選ぶよう推奨しています。これらの比較の進め方は、Sonnet 5.5のeffortレベルとGemini 4の思考レベルのガイドで解説しています。

定価はタスクコストではありません。 Hydrogenの出力単価はSonnetより25%低いものの、出力トークンには思考が含まれます。私たちの実測では、同じく合格した回答に対してHydrogenの出力トークンはSonnetの約2.7倍で、推定コストはHydrogenのほうが高くなりました。Sonnet 5.5のタスクコストガイドでは、キャッシュ、リトライ、出力をタスク全体で計算する方法を説明しています。

長いプロンプトではTerraの料金が変わります。 コンテキストが272Kトークンを超えると、Terraの入力・出力単価は$2.00と$7.50に上がります。HydrogenとSonnet 5.5はウィンドウ全体で同じ料金です。リポジトリ規模のプロンプトでは、表示上の基本単価ではなく実際のプロンプト長でコストを計算してください。

Hydrogenの無料枠

Googleは、Gemini APIとAI Studioの無料枠でHydrogenを「free of charge」(無料)としていますが、レート制限(英語)が適用されます。Googleの料金表には、無料枠のデータは同社製品の改善に使われ、有料枠ではそうならないことも明記されています。AnthropicもOpenAIも、Sonnet 5.5やTerraの無料API枠は掲載していません。Anthropicの料金FAQによると、新規ユーザーはAPIを試すための無料クレジットを受け取れますが、これは1回限りのトライアルであり、継続的な無料枠ではありません。

この無料枠はGoogle自身のAPIだけが対象です。Ofoxやその他のゲートウェイ経由のリクエストには適用されず、そちらはゲートウェイ側で課金されます。Hydrogen APIのセットアップガイドでは両方の経路を説明し、Gemini 4の無料API枠の解説では対象条件と制限を扱っています。

独立した測定:各モデルのデフォルト設定でのArtificial Analysis

Artificial Analysisは、effort設定ごとにIntelligence Indexと、速度・トークン使用量・コストのデータを公開しています。代表値は各モデルの最上位設定によるもので、多くのアプリケーションが実際に使う設定ではありません。下の表では、各モデルのドキュメントに記載されたAPIのデフォルト設定での値を示します。値は2026年11月19日に3つのモデルページに埋め込まれていたデータから取得しました。Artificial Analysisが評価をやり直すと変わります。

Artificial Analysisの指標Hydrogen high(デフォルト)Sonnet 5.5 high(デフォルト)Terra medium(デフォルト)
Intelligence Index50.841.538.2
出力速度(トークン/秒)164.7135.860.4
最初の回答トークンまでの時間19.4秒9.4秒5.1秒
指数タスク1件当たりの出力トークン84,97858,42110,875
指数タスク1件当たりの時間8.6分7.2分3.0分
指数タスク1件当たりのコスト$1.87$1.64$0.17
代表値(最上位設定)53.9(xhigh)54.5(max)51.3(max)

出典:Artificial AnalysisのHydrogen、Sonnet 5.5、GPT-6.1 Terraの各ページ(英語)、2026年11月19日に確認。タスク当たりのコストは、Artificial Analysisが定価で独自に計算したものです。

デフォルト設定では、Hydrogenのスコアが最も高く、トークンの生成も最速です。一方で、タスク当たりの出力トークンはSonnetの約1.5倍、Terraの8倍近くに達し、最初の回答トークンまでの待ち時間も最長です。Terraはトークン生成が最も遅いものの、必要なトークンが非常に少ないため、平均的なタスクを他の2モデルの半分未満の時間で、約10分の1のコストで終えます。最上位設定では、Sonnet 5.5が指数でHydrogenをわずかに上回ります。ただし、Artificial AnalysisはSonnetのmaxで最初の回答トークンまで約264秒と測定しており、この設定は対話的な作業には向きません。

これらは集計された評価です。次に示す小規模テストでも、具体的なタスクで同じ傾向が見られました。

日常的な5つのタスクを1つのエンドポイントで実行

セットアップ。 2026年11月19日、各タスクを1件のuserメッセージとしてhttps://api.ofox.io/v1/chat/completionsに送りました。モデルIDはgoogle/gemini-4-hydrogen、anthropic/claude-sonnet-5.5、openai/gpt-6.1-terraです。各リクエストに含めたのはmodel、messages、max_tokens: 32000だけで、システムプロンプト、サンプリングパラメーター、reasoningやeffortのフィールドはありません。何も送らなかった場合にOfoxの各ルートがどのeffortや思考レベルを適用したのか、私たちには分かりません。 ベンダーが文書化しているAPIのデフォルト(high、high、medium)と一致する可能性はありますが、レスポンスには報告されないため確認できません。各タスクはモデルごとに2回実行し、モデルの順序はタスクとラウンドごとに入れ替えました。レイテンシは、クライアント側で非ストリーミングのレスポンスを受け取るまでの実時間で、ネットワーク時間を含みます。トークン数は各レスポンスのusageオブジェクトから取っています。

判定方法。 すべての判定は、最初のモデル呼び出しの前に書き、参照解答で検証しました。プログラムの判定に通った場合だけを合格とし、目視では採点していません。

タスクモデルがすること客観的な判定
T1 失敗する関数の修正merge_intervalsを修正する(未ソートの入力、端が接する区間)返された関数を、与えたテストと4つの非公開ケース(空リスト、接する区間、入れ子、点区間)で実行
T2 スキーマからSQL2026年の支払済み注文が2件以上の顧客、支払総額、固定の並び順シード済みのSQLiteデータでクエリを実行し、行を完全一致で比較。データには返金、2025年の注文、同点が含まれる
T3 JSON抽出自己訂正とヨーロッパ式の数値表記を含む、乱雑な転送メールから請求書の項目を取り出すJSONをパース。キーが完全一致し、値が期待レコードと一致すること(訂正後の合計1420.5、支払条件から計算した期日、POはnull)
T4 ツールなしの計画依存関係と共有リソースのルールがある、作業者2人のリリーススケジュール依存関係・作業者・重複禁止のルールをすべて検証し、最短完了時間(68分)を要求
T5 仕様からコードHTTP Retry-After用のretry_delay_seconds()(秒数またはHTTP日付)空白、負の値、解析不能、過去の日付を含む9つの非公開ケース

結果

タスクHydrogen:合格・レイテンシ・出力トークンSonnet 5.5:合格・レイテンシ・出力トークンTerra:合格・レイテンシ・出力トークン
T1 関数の修正2/2 · 4.3秒、4.5秒 · 551、6032/2 · 4.2秒、4.2秒 · 270、2822/2 · 1.9秒、2.9秒 · 106、144
T2 SQL2/2 · 8.2秒、7.0秒 · 1,160、9012/2 · 3.4秒、3.1秒 · 190、1902/2 · 3.7秒、4.7秒 · 311、333
T3 JSON抽出2/2 · 3.6秒、8.5秒 · 416、1,1452/2 · 3.1秒、3.3秒 · 85、852/2 · 4.2秒、2.1秒 · 83、79
T4 計画2/2 · 9.3秒、10.3秒 · 1,318、1,3732/2 · 9.1秒、8.3秒 · 755、8402/2 · 3.9秒、3.6秒 · 224、265
T5 仕様からコード2/2 · 14.9秒、23.8秒 · 2,154、3,5322/2 · 9.9秒、9.1秒 · 1,132、1,0132/2 · 10.7秒、10.6秒 · 941、1,001
各10回の合計HydrogenSonnet 5.5Terra
合格10/1010/1010/10
レイテンシの中央値8.4秒4.2秒3.8秒
最も遅い呼び出し23.8秒9.9秒10.7秒
入力トークン(報告値)2,3722,8741,916
出力トークン(報告値)13,1534,8423,487
公式定価での推定コスト$0.102$0.054$0.019

2026年11月19日に測定、各セルn = 2。コストの行は、報告されたトークン数と各ベンダーのStandard定価から私たちが計算したもので、請求額ではありません。Ofoxは各モデルページに表示された料金で課金します。30回の呼び出しの合計は定価で約$0.18でした。

実測から分かったこと:

  1. これらのタスクでは、正答率でモデルの差は出ませんでした。 どのモデルも2回とも非公開ケースすべてに合格しました。ヨーロッパ式の小数表記、訂正後の請求額、C/Dのスケジュールの衝突も含みます。この規模の日常タスクについては有用な結果ですが、より難しい作業については何も言えません。
  2. 思考レベルを指定しないルート経由では、Hydrogenがすべてのタスクで最も多くのトークンを使いました。 出力の大半は推論でした。たとえばT5の遅いほうの実行では、3,532出力トークンのうち3,361が推論です。2回の実行間のばらつきも最大でした(T3では同じプロンプトで3.6秒と8.5秒)。思考レベルが高いほどトークンが増えるというGoogleの注意書きと一致します。
  3. Sonnet 5.5が最も安定していました。 どのタスクでも2回の差は1秒以内で、JSONの回答は2回とも85トークンでした。最も短い3つのタスクでは、usageオブジェクトに推論トークンの内訳がなかったため、そこでどれだけ思考したかは分かりません。
  4. Terraは5つのタスクすべてで最安で、レイテンシの中央値も最小でした。 バグ修正と計画では明らかに最速で、抽出ではSonnetとほぼ同等でした。SQLと仕様からのコード作成ではSonnetのほうが速い結果でした。Artificial Analysisのデータでは、Terraのトークン生成速度は3モデルで最も遅いのですが、出力の短さがそれを補っています。

自然な次の一手は、Hydrogenをmediumかlow、Sonnetをmediumにして再実行することです。今回それを行っていないのは、各ルートのeffortフィールドがOfoxでどう対応づけられるかを別途検証する必要があるためです。Hydrogenの数値は、最もコストと品質のバランスがよい設定ではなく、何も指定しなかったときにルートが適用した設定での測定値として扱ってください。

自分で再実行する

以下のプロンプトは、実際に送信したテキストそのものです。エンドポイントとモデルIDを利用中のプロバイダーのものに置き換え、max_tokensを大きめに保ち、同じ判定を実行してください。後でusageを確認できるよう、生のレスポンスを保存しておくことをお勧めします。

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.io/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

ベースURLとリクエストの形式は、OfoxのChat Completionsリファレンスに従っています。判定はPython 3.10以降で実行してください。2つのモデルがstr | Noneのような型ヒントを返しており、Python 3.9では__future__インポートなしでは評価できません。

プロンプトは送信したときの英語のまま掲載しています。

T1のプロンプト

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]]
```

非公開ケース:[] → []、[[1,3],[3,5]] → [[1,5]]、[[1,10],[2,3]] → [[1,10]]、[[4,4],[1,2]] → [[1,2],[4,4]]。

T2のプロンプト(判定用のシードデータ:顧客5人と注文12件。返金済みの注文、2025年12月の注文、2,000セントで並ぶ3人の顧客を含みます。期待される行はana@、cy@、di@example.comで、いずれも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.

T3のプロンプト

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
---

期待値:NW-2026-0419、発行日2026-11-03、期日2026-12-03、EUR、合計1420.5、PO null。

T4のプロンプト

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.

最適解は68分です。Cが10分から30分まで実行されるため、Dは30分まで待つ必要があります。

T5のプロンプト

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.

now = 2026-10-21 07:00:00 UTCのとき、非公開ケースは次のとおりです。"120" → 120.0、" 7 " → 7.0、"0" → 0.0、None・""・"-5"・"soon" → None、"Wed, 21 Oct 2026 07:28:00 GMT" → 1680.0、その1日前の日付 → 0.0。

この比較の限界

  • サンプルが小さい。 1セル2回の実行で分かるのは傾向であり、安定した率ではありません。2/2で合格したモデルでも、3回目には失敗する可能性があります。
  • タスクが易しい。 30回すべてが合格したため、これらのタスクでは正答率でモデルを順位づけできません。順位を判断する前に、自分の失敗例、特に複数ファイルの編集と長いコンテキストで試してください。
  • ルートが1つだけ。 測定はOfoxのOpenAI互換エンドポイント経由、1か所のクライアントからです。ネイティブAPI、他のリージョン、ストリーミング、時間帯によってレイテンシは変わり得ます。Ofoxのカタログには、Terraのツール呼び出しはResponses APIを使うと記載されています。そのため、Terraでツールを使うエージェントをテストするには、上のChat Completionsの呼び出しではなく、そちらのエンドポイントが必要です。
  • ツール、画像、長いコンテキストはなし。 どのタスクも関数呼び出し、コンピューター操作、マルチモーダル入力、数百トークンを超えるプロンプトを使っていません。Googleの表で最も大きな差が出ているのは、まさにこれらの領域です。
  • effortは不明で、揃ってもいない。 私たちはeffortを設定しておらず、Ofoxの各ルートが適用したeffortはレスポンスからは見えません。ルートがベンダーの文書化されたデフォルトに従っているなら、Terraは他の2モデルより1段階低い設定で動いたことになります。いずれにしても、今回の結果が測っているのは、effortフィールドのないリクエストに各モデルがどう応えるかであり、effortを揃えた比較ではありません。

呼び出しが失敗したとき

テストの呼び出しが回答ではなくエラーを返した場合、原因はたいていモデルの能力ではなく、ルートかパラメーターです。HydrogenならGemini 4 APIエラーガイドを確認してください。複数ターンのツール使用では、thought signatureが欠けている場合の修正方法も確認してください。Sonnet 5.5については、Sonnet 5.5移行時の400エラーガイドが、thinkingの無効化やツール使用の強制など、アップグレード後に拒否されるリクエストを扱っています。GPT-6.1のツール呼び出しはResponses APIのツール呼び出し修正ガイドをご覧ください。Sol向けに書かれていますが、同じリクエスト形式を扱っています。429レスポンスは、429リトライガイドのとおりバックオフしてリトライしてください。Ofoxのエラー処理とレート制限のドキュメントに、ゲートウェイ独自のコードとデフォルトの上限が載っています。

関連する比較とセットアップガイド

関連ドキュメント