Gemini 4 Hydrogen, Claude Sonnet 5.5 ou GPT-6.1 Terra: qual usar no dia a dia da programação?
Compare Hydrogen, Sonnet 5.5 e GPT-6.1 Terra pelos benchmarks do Google, preços oficiais, effort padrão, acesso gratuito e 30 chamadas de teste que você pode repetir.
Para programação do dia a dia e pequenas tarefas de agente, os três modelos são capazes o bastante, e preço, latência e consumo de tokens pesam mais na decisão do que a capacidade bruta. Comece pelo GPT-6.1 Terra quando custo e tempo de resposta forem o mais importante; pelo Claude Sonnet 5.5 quando quiser saídas compactas e previsíveis; e pelo Gemini 4 Hydrogen quando precisar do nível gratuito do Google, de entrada nativa de vídeo e áudio ou dos resultados em tarefas de agente e raciocínio do model card do Google. Depois, confirme a escolha com uma amostra das suas próprias tarefas.
Essa recomendação se apoia em três tipos de evidência, identificados separadamente ao longo do artigo:
- Documentação dos fornecedores Google, Anthropic e OpenAI, verificada em 19 de novembro de 2026: preços, janelas de contexto, limites de saída e effort padrão.
- Medições publicadas: a tabela de benchmarks do model card do Gemini 4 Hydrogen (em inglês), do Google, e as páginas da Artificial Analysis consultadas na mesma data.
- Nosso próprio teste pequeno: 30 chamadas (cinco tarefas × três modelos × duas execuções) por um único endpoint compatível com OpenAI, com todas as verificações escritas antes da primeira chamada. As 30 passaram. Por isso, o teste diferencia os modelos por latência e uso de tokens, não por correção.
Este artigo é publicado pela Ofox, e os três modelos podem ser chamados pela Ofox. O teste usou o endpoint da Ofox porque um único formato de requisição alcançava os três modelos. Não citamos preços da Ofox aqui; a página de cada modelo mostra a tarifa atual.
Decisão rápida por tarefa
Esta tabela combina nossas execuções medidas com a documentação de cada fornecedor. “Nossa execução” significa duas chamadas por modelo por tarefa, então trate os números de latência como ilustração, não como nível de serviço.
| Se a sua carga principal é… | Comece com | Por quê (e tipo de evidência) | Troque quando |
|---|---|---|---|
| Pequenas correções de bugs, SQL, funções curtas a partir de uma especificação | GPT-6.1 Terra | Passou em todas as verificações aqui com o menor total de tokens de saída e a menor latência mediana; menor preço de tabela dos três. O Sonnet foi um pouco mais rápido nas tarefas de SQL e de código a partir de especificação (nossa execução + preços da OpenAI) | Suas próprias falhas se concentram em edições em vários arquivos ou com contexto longo |
| Extração estruturada (JSON a partir de texto bagunçado) | Terra ou Sonnet 5.5 | Os dois responderam com cerca de 80–85 tokens de saída; o Hydrogen usou 416 e 1.145 tokens para o mesmo resultado (nossa execução) | Um schema exige raciocinar sobre vários documentos |
| Planejamento em várias etapas sem ferramentas | Terra primeiro, Sonnet 5.5 como segunda opinião | Os três encontraram o cronograma ótimo; o Terra foi o mais rápido, e a saída do Sonnet teve tamanho intermediário (nossa execução) | Os planos precisam de chamadas de ferramentas ou de restrições longas que você ainda não testou |
| Loops de agente e trabalho em repositório com as configurações padrão | Hydrogen ou Sonnet 5.5, conforme a sua avaliação | Na tabela do Google, o Hydrogen fica à frente em SWE-sweep e AutomationBench-AA, e o Sonnet em Terminal-Bench 4.1 e OSWorld-2.1 (dados do fornecedor) | Suas próprias execuções de agente não batem com os números do fornecedor |
| Entradas de vídeo, áudio ou mídia mista | Hydrogen | Aceita entrada de texto, imagem, áudio e vídeo; Sonnet 5.5 e Terra aceitam entrada de texto e imagem (model card do Google, visão geral de modelos da Anthropic, página do modelo Terra da OpenAI) | Você só envia texto e imagens |
| Protótipos sem orçamento | Hydrogen no nível gratuito do Google | É o único dos três com um nível gratuito de API permanente; a Anthropic oferece créditos únicos a novos usuários (páginas de preços do Google e da Anthropic) | Você precisa de vazão previsível; o nível gratuito tem limites |
Se você está escolhendo um modelo padrão dentro da própria família do Google, e não entre fornecedores, leia nosso guia Gemini 4 Carbon vs Hydrogen vs Argon. Para a escada completa dos três fornecedores, dos modelos pequenos aos principais, veja a visão geral dos níveis de modelos Gemini 4, Claude e GPT.
Com quem o model card do Hydrogen compara
Foi o próprio Google que escolheu esses adversários. O model card do Hydrogen, publicado em 12 de novembro de 2026, coloca o Gemini 4 Hydrogen ao lado do Claude Sonnet 5.5 e do GPT-6.1 Terra. Reconstruímos a tabela a partir de um snapshot de 19 de novembro de 2026, mantendo as indicações da coluna “Notes” do Google, porque elas mudam o que cada número significa.
| Categoria | Benchmark (indicação do Google) | Gemini 4 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra |
|---|---|---|---|---|
| Programação com agentes | SWE-sweep | 13,5% | 3,1% | 5,8% |
| Programação com agentes | Terminal-Bench 4.1 (cheating-adjusted) | 57,0% | 63,9% | não informado |
| Trabalho de conhecimento | Agents’ Last Exam v1.1 (score) | 71,6% | 60,4% | 69,8% |
| Trabalho de conhecimento | AutomationBench-AA | 76,1% | 71,8% | 60,2% |
| Trabalho de conhecimento | Vending-Bench 2 (bank balance) | US$ 14.549 | US$ 11.165 | US$ 9.107 |
| Uso do computador | OSWorld-2.1 (offline subset) | 77,6% | 83,9% | 74,2% |
| Compreensão multimodal | MKA (Climb WSR accuracy) | 53,4% | 52,0% | 43,8% |
| Compreensão multimodal | Chartography | 66,6% | 61,6% | 63,2% |
| Ciência e matemática | Terminal-Bench-Science 0.1 | 51,4% | 59,9% | 58,3% |
| Raciocínio | HLE-Diamond | 58,8% | 53,3% | 47,3% |
Fonte: Google DeepMind, model card do Gemini 4 Hydrogen, “Results as of November, 2026”. Os números são informados pelo fornecedor e não foram reproduzidos pela Ofox.
Leia a tabela em duas partes. O Hydrogen lidera em sete das dez linhas, incluindo a maior diferença relativa, no SWE-sweep. O Sonnet 5.5 lidera em três: Terminal-Bench 4.1, OSWorld-2.1 e Terminal-Bench-Science. O Terra não lidera nenhuma linha e não tem resultado no Terminal-Bench 4.1. Antes de tratar isso como ranking, considere algumas ressalvas:
- As linhas em que o Sonnet vence são de trabalho em terminal e uso do computador. Se o seu agente opera principalmente um shell ou um desktop, essas linhas importam mais para você do que uma prova de raciocínio.
- O snapshot não informa qual effort ou configuração de raciocínio cada modelo usou, nem se as pontuações dos concorrentes vieram de execuções do Google ou dos outros fornecedores. O Google indica uma página de metodologia (em inglês) com detalhes; nós não a auditamos.
- As pontuações no SWE-sweep são baixas para os três. Uma diferença de 13,5% contra 3,1% é grande em termos relativos, mas descreve um benchmark em que todos os modelos falham na maior parte das vezes.
- “Cheating-adjusted” e “offline subset” são variantes específicas de pontuação. Compare-as apenas com números que usem a mesma variante.
O Google posiciona o Hydrogen como seu modelo para “everyday coding and agentic workflows” (programação do dia a dia e fluxos com agentes). O model card também lista limitações conhecidas: alucinações, lentidão ou timeouts ocasionais e maior uso de tokens em níveis de raciocínio mais altos. Nossas execuções são coerentes com o ponto sobre tokens: o Hydrogen usou mais tokens de saída em todas as tarefas, embora não tenhamos conseguido ver qual nível de raciocínio a rota aplicou.
Preços, contexto, limites de saída e controle de effort
Todos os números abaixo vêm da documentação de cada fornecedor, verificada em 19 de novembro de 2026. Os preços são de tabela do nível Standard, em dólares americanos por um milhão de tokens.
| Gemini 4 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra | |
|---|---|---|---|
| ID nativo do modelo | gemini-4-hydrogen | claude-sonnet-5-5 | gpt-6.1-terra |
| Entrada | US$ 1,50 | US$ 2,00 | US$ 1,00 (contexto ≤272K) / US$ 2,00 (>272K) |
| Saída, incluindo raciocínio | US$ 7,50 | US$ 10,00 | US$ 5,00 (≤272K) / US$ 7,50 (>272K) |
| Acertos de cache | US$ 0,075 (só cache implícito) | US$ 0,10 | US$ 0,05 (≤272K) / US$ 0,10 (>272K) |
| Gravação em cache | não informado (implícito) | US$ 2,50 (5 minutos) / US$ 4,00 (1 hora) | US$ 1,25 (30 minutos) / US$ 2,50 (12 horas), ≤272K |
| Adicional por contexto longo | nenhum: preço único em todo o 1M | nenhum: 1M completo no preço padrão | sim, acima de 272K tokens |
| Janela de contexto | 1.048.576, compartilhada por entrada, raciocínio e saída | 1M | 1.050.000 |
| Saída máxima | 65.536 por requisição síncrona; decodificação longa até 1M no modo em segundo plano | 128K | 128.000 |
| Controle de effort / raciocínio | thinking_level: low, medium, high (padrão), xhigh | effort: low, medium, high (padrão), xhigh, max | reasoning effort: none, low, medium (padrão), high, xhigh, max |
| Nível gratuito de API | Sim, com limites de taxa | Não; créditos gratuitos para novos usuários | Nenhum nível gratuito informado |
| Preço em Batch | US$ 0,75 / US$ 3,75 | US$ 1,00 / US$ 5,00 | US$ 0,50 / US$ 2,50 (≤272K) |
Fontes (todas em inglês): preços do Google e o guia para desenvolvedores do Hydrogen; da Anthropic, preços, visão geral de modelos e guia de effort; da OpenAI, preços e a página do modelo GPT-6.1 Terra.
Três consequências práticas saem dessa tabela.
Os padrões não são iguais. Hydrogen e Sonnet 5.5 usam por padrão a configuração “high”, enquanto o Terra usa “medium”. Comparar modelos sem definir o effort, como a maioria faz no primeiro dia, coloca o Terra um nível abaixo. A Anthropic recomenda começar com medium no Sonnet 5.5 para programação com agentes bem especificada. O Google recomenda rodar avaliações nos quatro níveis do Hydrogen e escolher o mais baixo que atenda ao seu padrão de qualidade. Nossos guias sobre os níveis de effort do Sonnet 5.5 (em inglês) e os níveis de raciocínio do Gemini 4 mostram como fazer essas comparações.
Preço de tabela não é custo da tarefa. A tarifa de saída do Hydrogen é 25% menor que a do Sonnet, mas os tokens de saída incluem o raciocínio. Nas nossas execuções, o Hydrogen produziu cerca de 2,7 vezes mais tokens de saída que o Sonnet para respostas igualmente aprovadas, então o custo estimado dele ficou maior. O guia de custo por tarefa do Sonnet 5.5 (em inglês) mostra como considerar cache, novas tentativas e saída ao longo de uma tarefa inteira.
Prompts longos mudam o preço do Terra. Acima de 272K tokens de contexto, as tarifas de entrada e saída do Terra sobem para US$ 2,00 e US$ 7,50. Hydrogen e Sonnet 5.5 cobram a mesma tarifa em toda a janela. Para prompts do tamanho de um repositório, calcule o custo com o tamanho real do seu prompt em vez da tarifa de referência.
O nível gratuito do Hydrogen
O Google lista o Hydrogen como “free of charge” (gratuito) no nível gratuito da Gemini API e do AI Studio, sujeito a limites de taxa (em inglês). A tabela de preços do Google também indica que os dados do nível gratuito são usados para melhorar os produtos da empresa, o que não acontece no nível pago. Nem a Anthropic nem a OpenAI listam um nível gratuito de API para o Sonnet 5.5 ou o Terra. O FAQ de preços da Anthropic diz que novos usuários recebem créditos gratuitos para testar a API, o que é uma avaliação única, não um nível gratuito contínuo.
Esse nível gratuito vale apenas para a API do próprio Google. Ele não cobre requisições enviadas pela Ofox ou por qualquer outro gateway; essas são cobradas pelo gateway. Nosso guia de configuração da API do Hydrogen mostra os dois caminhos, e o guia do nível gratuito da API do Gemini 4 explica requisitos e limites.
Medições independentes: Artificial Analysis no padrão de cada modelo
A Artificial Analysis publica um Intelligence Index, além de dados de velocidade, uso de tokens e custo para cada configuração de effort. O número de destaque usa a configuração mais alta de cada modelo, que não é o que a maioria das aplicações usa. A tabela abaixo lê cada modelo no padrão documentado da API. Tiramos os valores dos dados incorporados às páginas dos três modelos em 19 de novembro de 2026; eles mudam quando a Artificial Analysis refaz as avaliações.
| Métrica da Artificial Analysis | Hydrogen em high (padrão) | Sonnet 5.5 em high (padrão) | Terra em medium (padrão) |
|---|---|---|---|
| Intelligence Index | 50,8 | 41,5 | 38,2 |
| Velocidade de saída (tokens/s) | 164,7 | 135,8 | 60,4 |
| Tempo até o primeiro token da resposta | 19,4 s | 9,4 s | 5,1 s |
| Tokens de saída por tarefa do índice | 84.978 | 58.421 | 10.875 |
| Tempo por tarefa do índice | 8,6 min | 7,2 min | 3,0 min |
| Custo por tarefa do índice | US$ 1,87 | US$ 1,64 | US$ 0,17 |
| Índice de destaque (configuração mais alta) | 53,9 em xhigh | 54,5 em max | 51,3 em max |
Fonte: páginas do Hydrogen, do Sonnet 5.5 e do GPT-6.1 Terra na Artificial Analysis (em inglês), consultadas em 19 de novembro de 2026. O custo por tarefa é um cálculo da própria Artificial Analysis com preços de tabela.
Nas configurações padrão, o Hydrogen tem a maior pontuação e gera tokens mais rápido. Ele também produz cerca de 1,5 vez os tokens de saída do Sonnet e quase oito vezes os do Terra por tarefa, e tem a maior espera até o primeiro token da resposta. O Terra é o que gera tokens mais devagar, mas precisa de tão poucos que termina uma tarefa média em menos da metade do tempo dos outros dois, por cerca de um décimo do custo. Nas configurações mais altas, o Sonnet 5.5 fica ligeiramente à frente do Hydrogen no índice. No entanto, a Artificial Analysis mediu cerca de 264 segundos até o primeiro token da resposta para o Sonnet em max, então essa configuração não serve para trabalho interativo.
Essas são avaliações agregadas. Nosso pequeno teste, a seguir, mostra o mesmo padrão em tarefas concretas.
Rodamos cinco tarefas do dia a dia por um único endpoint
Configuração. Em 19 de novembro de 2026, enviamos cada tarefa como uma única mensagem com papel user para https://api.ofox.io/v1/chat/completions, com os IDs de modelo google/gemini-4-hydrogen, anthropic/claude-sonnet-5.5 e openai/gpt-6.1-terra. Cada requisição continha apenas model, messages e max_tokens: 32000: sem prompt de sistema, sem parâmetros de amostragem e sem campo de reasoning ou effort. Não sabemos qual effort ou nível de raciocínio cada rota da Ofox aplicou quando nenhum é enviado. Pode coincidir com o padrão de API documentado pelo fornecedor (high, high e medium), mas as respostas não informam isso, então não podemos confirmar. Cada tarefa rodou duas vezes por modelo, com a ordem dos modelos alternada entre tarefas e rodadas. A latência é o tempo real até uma resposta sem streaming chegar ao nosso cliente, portanto inclui o tempo de rede. As contagens de tokens vêm do objeto usage retornado em cada resposta.
Verificações. Todas as verificações foram escritas e validadas contra uma resposta de referência antes da primeira chamada aos modelos. Uma execução só passa se a verificação do programa passar; não avaliamos a olho.
| Tarefa | O que o modelo precisava fazer | Verificação objetiva |
|---|---|---|
| T1 Corrigir uma função que falha | Consertar merge_intervals (entrada fora de ordem, intervalos que se tocam) | Executar a função retornada no teste dado e em quatro casos reservados: lista vazia, intervalos que se tocam, aninhados e pontuais |
| T2 SQL a partir de um schema | Clientes com ≥2 pedidos pagos em 2026, total pago, ordenação fixa | Rodar a consulta em dados SQLite pré-carregados e comparar as linhas exatamente; os dados incluem um reembolso, um pedido de 2025 e um empate |
| T3 Extração de JSON | Campos de fatura de um e-mail encaminhado bagunçado, com autocorreção e formato numérico europeu | Fazer o parse do JSON; chaves exatas; valores iguais ao registro esperado (total corrigido 1420.5, vencimento calculado pelas condições de pagamento, PO null) |
| T4 Planejamento sem ferramentas | Cronograma de release com duas pessoas, dependências e uma regra de recurso compartilhado | Validar todas as regras de dependência, de pessoas e de não sobreposição e então exigir o tempo mínimo de conclusão (68 minutos) |
| T5 Código a partir de especificação | retry_delay_seconds() para HTTP Retry-After, em segundos ou HTTP-date | Nove casos reservados, incluindo espaços em branco, valores negativos, não interpretáveis e datas passadas |
Resultados
| Tarefa | Hydrogen: aprovação, latência, tokens de saída | Sonnet 5.5: aprovação, latência, tokens de saída | Terra: aprovação, latência, tokens de saída |
|---|---|---|---|
| T1 corrigir função | 2/2 · 4,3 s, 4,5 s · 551, 603 | 2/2 · 4,2 s, 4,2 s · 270, 282 | 2/2 · 1,9 s, 2,9 s · 106, 144 |
| T2 SQL | 2/2 · 8,2 s, 7,0 s · 1.160, 901 | 2/2 · 3,4 s, 3,1 s · 190, 190 | 2/2 · 3,7 s, 4,7 s · 311, 333 |
| T3 extração de JSON | 2/2 · 3,6 s, 8,5 s · 416, 1.145 | 2/2 · 3,1 s, 3,3 s · 85, 85 | 2/2 · 4,2 s, 2,1 s · 83, 79 |
| T4 planejamento | 2/2 · 9,3 s, 10,3 s · 1.318, 1.373 | 2/2 · 9,1 s, 8,3 s · 755, 840 | 2/2 · 3,9 s, 3,6 s · 224, 265 |
| T5 código a partir de especificação | 2/2 · 14,9 s, 23,8 s · 2.154, 3.532 | 2/2 · 9,9 s, 9,1 s · 1.132, 1.013 | 2/2 · 10,7 s, 10,6 s · 941, 1.001 |
| Totais em 10 chamadas cada | Hydrogen | Sonnet 5.5 | Terra |
|---|---|---|---|
| Aprovadas | 10/10 | 10/10 | 10/10 |
| Latência mediana | 8,4 s | 4,2 s | 3,8 s |
| Chamada mais lenta | 23,8 s | 9,9 s | 10,7 s |
| Tokens de entrada (informados) | 2.372 | 2.874 | 1.916 |
| Tokens de saída (informados) | 13.153 | 4.842 | 3.487 |
| Custo estimado pelos preços oficiais de tabela | US$ 0,102 | US$ 0,054 | US$ 0,019 |
Medido em 19 de novembro de 2026, n = 2 por célula. A linha de custo é um cálculo nosso a partir dos tokens informados e dos preços de tabela Standard de cada fornecedor, não uma fatura; a Ofox cobra pela tarifa mostrada na página de cada modelo. As 30 chamadas somadas ficaram em cerca de US$ 0,18 pelos preços de tabela.
O que as execuções mostram:
- A correção não separou os modelos nessas tarefas. Cada modelo passou em todos os casos reservados nas duas execuções, incluindo o formato decimal europeu, o total corrigido da fatura e o conflito de cronograma entre C e D. É uma constatação útil sobre tarefas cotidianas desse tamanho, mas não diz nada sobre trabalhos mais difíceis.
- O Hydrogen, roteado sem nível de raciocínio definido, gastou mais tokens em todas as tarefas. A maior parte da saída era raciocínio: por exemplo, 3.361 de 3.532 tokens de saída na execução mais lenta da T5. Ele também teve a maior variação entre execuções (T3: 3,6 s e 8,5 s para o mesmo prompt). Isso bate com o aviso do Google de que níveis de raciocínio mais altos usam mais tokens.
- O Sonnet 5.5 foi o mais consistente. As duas execuções ficaram a menos de um segundo uma da outra em todas as tarefas, e a resposta em JSON teve 85 tokens nas duas vezes. Nas três tarefas mais curtas, o objeto usage não trazia o detalhamento dos tokens de raciocínio, então não sabemos quanto ele raciocinou nelas.
- O Terra foi o mais barato nas cinco tarefas e teve a menor latência mediana. Foi claramente o mais rápido na correção do bug e no planejamento, e ficou praticamente empatado com o Sonnet na extração; o Sonnet foi mais rápido em SQL e em código a partir de especificação. A saída curta do Terra compensa a menor velocidade de geração de tokens dos três nos dados da Artificial Analysis.
O próximo passo óbvio é rodar de novo o Hydrogen em medium ou low e o Sonnet em medium. Não fizemos isso aqui porque o mapeamento do campo de effort em cada rota da Ofox precisa de uma verificação própria. Trate os números do Hydrogen como a medição da configuração que a rota aplicou quando nenhuma foi enviada, e não da sua melhor relação entre custo e qualidade.
Rode você mesmo
Os prompts abaixo são exatamente o texto que enviamos. Troque o endpoint e os IDs de modelo pelos do seu provedor, mantenha max_tokens alto e rode as mesmas verificações. Salve a resposta bruta para poder inspecionar o usage depois.
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
A URL base e o formato da requisição seguem a referência de Chat Completions da Ofox. Rode as verificações com Python 3.10 ou mais recente: dois modelos devolveram anotações de tipo como str | None, que o Python 3.9 não consegue avaliar sem um import de __future__.
Os prompts aparecem em inglês, exatamente como foram enviados.
Prompt da 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]]
```
Casos reservados: [] → [], [[1,3],[3,5]] → [[1,5]], [[1,10],[2,3]] → [[1,10]], [[4,4],[1,2]] → [[1,2],[4,4]].
Prompt da T2 (dados de teste da verificação: cinco clientes e doze pedidos, incluindo um pedido reembolsado, um pedido de dezembro de 2025 e três clientes empatados em 2.000 centavos; as linhas esperadas são ana@, cy@ e di@example.com, cada uma com 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.
Prompt da 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
---
Esperado: NW-2026-0419, emissão 2026-11-03, vencimento 2026-12-03, EUR, total 1420.5, PO null.
Prompt da 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.
O ótimo é 68 minutos: C roda do minuto 10 ao 30, então D precisa esperar até o minuto 30.
Prompt da 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.
Com now = 2026-10-21 07:00:00 UTC, os casos reservados são: "120" → 120.0, " 7 " → 7.0, "0" → 0.0; None, "", "-5" e "soon" → None; "Wed, 21 Oct 2026 07:28:00 GMT" → 1680.0; uma data um dia antes → 0.0.
Limites desta comparação
- Amostra pequena. Duas execuções por célula mostram uma direção, não taxas estáveis. Um modelo que passou 2/2 ainda pode falhar na terceira execução.
- Tarefas fáceis. As 30 chamadas passaram, então essas tarefas não conseguem ordenar os modelos por correção. Use seus próprios casos de falha, principalmente edições em vários arquivos e contextos longos, antes de confiar em qualquer ranking.
- Uma única rota. Medimos pelo endpoint compatível com OpenAI da Ofox, a partir de um único local de cliente. APIs nativas, outras regiões, streaming e o horário do dia podem mudar a latência. O catálogo da Ofox informa que o tool calling do Terra usa a Responses API, então testes de agentes com ferramentas no Terra precisam desse endpoint, e não da chamada de Chat Completions acima.
- Sem ferramentas, sem imagens, sem contexto longo. Nenhuma tarefa usou function calling, uso do computador, entrada multimodal ou prompts com mais de algumas centenas de tokens. São exatamente as áreas em que a tabela do Google mostra as maiores diferenças.
- Effort desconhecido e não igualado. Não definimos o effort, e o effort que cada rota da Ofox aplicou não aparece nas respostas. Se as rotas seguirem os padrões documentados pelos fornecedores, o Terra rodou um nível abaixo dos outros dois. De qualquer forma, nossos resultados medem como cada modelo responde a uma requisição sem campo de effort, e não uma comparação com effort igual.
Quando uma chamada falha
Se uma chamada de teste retornar erro em vez de resposta, a causa geralmente está na rota ou em um parâmetro, não na capacidade do modelo. Para o Hydrogen, confira o guia de erros da API do Gemini 4. Em uso de ferramentas com vários turnos, confira também a correção para thought signature ausente (em inglês). Para o Sonnet 5.5, o guia de erros 400 após a migração para o Sonnet 5.5 (em inglês) trata de requisições rejeitadas depois de uma atualização, como thinking desativado e uso forçado de ferramenta. Para tool calls no GPT-6.1, veja a correção de tool calling pela Responses API (em inglês), escrita para o Sol, mas cobrindo o mesmo formato de requisição. Repita respostas 429 com backoff, como descrito no nosso guia de novas tentativas para o erro 429 (em inglês). A documentação da Ofox sobre tratamento de erros e limites de taxa lista os códigos próprios do gateway e os limites padrão.
Comparações e guias de configuração relacionados
- Um nível abaixo: Gemini 4 Hydrogen vs Claude Haiku 5.5 vs GPT-6 Luna.
- Um nível acima: Gemini 4 Neon vs Claude Opus 5.5 vs GPT-6.2 Sol.
- Hydrogen em um agente de programação: use o Hydrogen no Cline e no OpenCode; migrando do Flash: migração do Gemini 3.8 Flash para o Hydrogen.
- Sonnet 5.5 contra o modelo maior da OpenAI: GPT-6.1 Sol vs Claude Sonnet 5.5 (em inglês).
- Sonnet 5.5 na prática: configuração no Claude Code (em inglês) e Sonnet 5.5 vs Opus 5.5 para programação (em inglês).
Documentação relacionada
- Referência da Chat Completions API da Ofox
- Tratamento de erros e limites de taxa da Ofox
- Integrações da Ofox com ferramentas
- Páginas dos modelos com os preços atuais da Ofox: Gemini 4 Hydrogen, Claude Sonnet 5.5, GPT-6.1 Terra


