日常写代码选哪个?Gemini 4 Hydrogen、Claude Sonnet 5.5 和 GPT-6.1 Terra 对比

对比 Hydrogen、Sonnet 5.5 和 GPT-6.1 Terra:Google 公布的基准、官方价格、默认 effort、免费额度,以及 30 次可复现的实测调用。

木工钢直角尺横搭在三块木板中的两块上,直角尺与木板相接处有一小道橙色铅笔记号。

日常写代码和小型 Agent 任务,这三个模型的能力都够用,价格、延迟和 token 消耗习惯比能力本身更能决定该选哪个。成本和响应速度最重要时,先试 GPT-6.1 Terra;想要简短、可预期的输出,先试 Claude Sonnet 5.5;需要 Google 的免费额度、原生视频和音频输入,或者看重 Google 模型卡上的 Agent 与推理成绩,就选 Gemini 4 Hydrogen。 选定之后,再用自己的一批任务验证。

这个建议来自三类证据,全文分开标注:

  • 厂商文档:Google、Anthropic、OpenAI 的官方文档,核对日期为 2026 年 11 月 19 日。内容包括价格、上下文窗口、输出上限和默认 effort。
  • 已发表的测量结果:Google 的 Gemini 4 Hydrogen 模型卡(英文)中的基准表,以及同日读取的 Artificial Analysis 页面。
  • 我们自己的小规模测试:通过同一个 OpenAI 兼容端点发出 30 次调用(5 个任务 × 3 个模型 × 2 轮),所有检查程序都在第一次调用前写好。30 次全部通过,所以这次测试只能在延迟和 token 用量上区分模型,不能区分正确率。

本文由 Ofox 发布,三个模型都能通过 Ofox 调用。测试走 Ofox 的端点,是因为一种请求格式就能调到三个模型。本文不引用 Ofox 价格,当前费率以各模型页为准。

按任务快速选择

下表把我们的实测和各厂商文档放在一起。“我们的实测”指每个模型每个任务调用两次,延迟数字只作示意,不代表服务水平。

主要工作负载先试理由(及证据类型)何时换
小 bug 修复、SQL、按规格写短函数GPT-6.1 Terra本次所有检查都通过,输出 token 总数最少,延迟中位数最低;三者中标价最低。SQL 和按规格写代码两项上 Sonnet 稍快(我们的实测 + OpenAI 定价)自己的失败案例集中在多文件修改或长上下文修改
结构化抽取(从杂乱文本中提取 JSON)Terra 或 Sonnet 5.5两者都用约 80–85 个输出 token 作答;Hydrogen 得出同样结果用了 416 和 1,145 个 token(我们的实测)schema 需要跨多份文档推理
不用工具的多步规划先用 Terra,Sonnet 5.5 作第二意见三者都找到了最优排期;Terra 最快,Sonnet 的输出长度居中(我们的实测)规划需要调用工具,或约束很长且你还没测过
默认设置下的 Agent 循环和代码仓库任务Hydrogen 或 Sonnet 5.5,用自己的评测决定Google 的表中 Hydrogen 在 SWE-sweep 和 AutomationBench-AA 领先,Sonnet 在 Terminal-Bench 4.1 和 OSWorld-2.1 领先(厂商自报)自己的 Agent 运行结果与厂商数字不一致
视频、音频或混合媒体输入Hydrogen支持文本、图像、音频和视频输入;Sonnet 5.5 和 Terra 接受文本和图像输入(Google 模型卡、Anthropic 模型概览、OpenAI 的 Terra 模型页)你只发送文本和图像
零预算做原型用 Google 免费层的 Hydrogen三者中唯一有长期免费 API 层的;Anthropic 给新用户一次性试用额度(Google 和 Anthropic 定价页)你需要稳定可预期的吞吐量;免费层有限额

如果你是在 Google 自家模型里选默认模型,而不是跨厂商比较,请看我们的 Gemini 4 Carbon、Hydrogen、Argon 选择指南。三家从小模型到旗舰模型的完整梯队,见 Gemini 4、Claude、GPT 模型档位总览。

Google 的 Hydrogen 模型卡比了什么

对手是 Google 自己挑的。2026 年 11 月 12 日发布的 Hydrogen 模型卡,把 Gemini 4 Hydrogen 和 Claude Sonnet 5.5、GPT-6.1 Terra 列在一起。我们根据 2026 年 11 月 19 日的快照重建了这张表,并保留了 Google 的 “Notes” 标注,因为这些标注会改变每个数字的含义。

类别基准(Google 的标注)Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
Agent 编程SWE-sweep13.5%3.1%5.8%
Agent 编程Terminal-Bench 4.1 (cheating-adjusted)57.0%63.9%未列出
知识工作Agents’ Last Exam v1.1 (score)71.6%60.4%69.8%
知识工作AutomationBench-AA76.1%71.8%60.2%
知识工作Vending-Bench 2 (bank balance)$14,549$11,165$9,107
计算机操作OSWorld-2.1 (offline subset)77.6%83.9%74.2%
多模态理解MKA (Climb WSR accuracy)53.4%52.0%43.8%
多模态理解Chartography66.6%61.6%63.2%
科学与数学Terminal-Bench-Science 0.151.4%59.9%58.3%
推理HLE-Diamond58.8%53.3%47.3%

来源:Google DeepMind,Gemini 4 Hydrogen 模型卡,“Results as of November, 2026”。以上为厂商自报数字,Ofox 未复现。

这张表要分两部分看。Hydrogen 在十行中的七行领先,其中 SWE-sweep 的相对差距最大。Sonnet 5.5 领先三行:Terminal-Bench 4.1、OSWorld-2.1 和 Terminal-Bench-Science。Terra 在这张表里没有领先的行,也没有 Terminal-Bench 4.1 成绩。把它当排名之前,先注意几点:

  • Sonnet 领先的几行都是终端和计算机操作类任务。 如果你的 Agent 主要操作 shell 或桌面,这几行比推理考试更有参考价值。
  • 快照没有说明每个模型用了什么 effort 或思考设置,也没说竞品分数来自 Google 自己跑的还是其他厂商公布的。Google 给出了一个方法说明页(英文),我们没有逐项核查。
  • 三个模型的 SWE-sweep 分数都很低。 13.5% 对 3.1% 的相对差距很大,但这个基准上每个模型大多数题都没做出来。
  • “cheating-adjusted” 和 “offline subset” 是特定的计分变体。 只能和用同一变体的数字比较。

Google 把 Hydrogen 定位为面向 “everyday coding and agentic workflows”(日常编程和 Agent 工作流)的模型。模型卡也列出了已知局限:幻觉、偶尔变慢或超时,以及思考档位越高 token 用量越大。我们的实测与 token 这一点相符:Hydrogen 在每个任务上的输出 token 都最多,不过我们看不到路由实际用了哪个思考档位。

价格、上下文、输出上限和 effort 控制

下表数字全部来自各厂商自己的文档,核对日期为 2026 年 11 月 19 日。价格为 Standard 档标价,单位是美元/百万 token。

Gemini 4 HydrogenClaude Sonnet 5.5GPT-6.1 Terra
原生模型 IDgemini-4-hydrogenclaude-sonnet-5-5gpt-6.1-terra
输入$1.50$2.00$1.00(上下文 ≤272K)/$2.00(>272K)
输出(含推理)$7.50$10.00$5.00(≤272K)/$7.50(>272K)
缓存命中$0.075(仅隐式缓存)$0.10$0.05(≤272K)/$0.10(>272K)
缓存写入未列出(隐式)$2.50(5 分钟)/$4.00(1 小时)$1.25(30 分钟)/$2.50(12 小时),≤272K
长上下文加价无:整个 1M 统一价无:完整 1M 按标准价有,超过 272K token 时
上下文窗口1,048,576,输入、思考和输出共用1M1,050,000
最大输出同步请求 65,536;后台模式下长解码可到 1M128K128,000
effort/思考控制thinking_level:low、medium、high(默认)、xhigheffort:low、medium、high(默认)、xhigh、maxreasoning effort:none、low、medium(默认)、high、xhigh、max
免费 API 层有,有速率限制无;新用户有免费额度未列出免费层
Batch 价格$0.75/$3.75$1.00/$5.00$0.50/$2.50(≤272K)

来源(均为英文):Google 定价和 Hydrogen 开发者指南;Anthropic 的定价、模型概览和 effort 指南;OpenAI 的定价和 GPT-6.1 Terra 模型页。

这张表在实际使用中有三个后果。

默认值并不对等。 Hydrogen 和 Sonnet 5.5 默认用各自的 “high”,Terra 默认是 “medium”。不设 effort 直接比较(大多数人第一天都是这样做的),等于让 Terra 低一档参赛。Anthropic 建议,需求描述清楚的 Agent 编程任务在 Sonnet 5.5 上从 medium 起步。Google 建议在 Hydrogen 的全部四个档位上跑评测,选能达到质量要求的最低一档。具体怎么做,见我们的 Sonnet 5.5 effort 档位和 Gemini 4 思考档位两篇指南。

标价不等于任务成本。 Hydrogen 的输出单价比 Sonnet 低 25%,但输出 token 包含思考。在我们的实测中,答案同样通过的情况下,Hydrogen 的输出 token 约为 Sonnet 的 2.7 倍,所以估算成本反而更高。Sonnet 5.5 任务成本指南讲了如何把缓存、重试和输出算进整个任务。

长提示词会改变 Terra 的价格。 上下文超过 272K token 后,Terra 的输入和输出单价升到 $2.00 和 $7.50。Hydrogen 和 Sonnet 5.5 在整个窗口内单价不变。如果提示词是整个代码仓库规模,请按真实提示词长度计算,不要只看标价。

Hydrogen 的免费层

Google 在 Gemini API 和 AI Studio 的免费层上把 Hydrogen 标为 “free of charge”(免费),但受速率限制(英文)约束。Google 的价格表还注明,免费层数据会被用于改进其产品,付费层则不会。Anthropic 和 OpenAI 都没有为 Sonnet 5.5 或 Terra 列出免费 API 层。Anthropic 的定价 FAQ 说新用户会获得免费额度用来测试 API,这是一次性试用,不是长期免费层。

这个免费层只适用于 Google 自己的 API,不覆盖经 Ofox 或其他网关发出的请求,那些请求由网关计费。我们的 Hydrogen API 接入指南讲了两种接入方式,Gemini 4 免费 API 层说明讲了资格和限额。

独立测量:Artificial Analysis 在各模型默认设置下的数据

Artificial Analysis 按每个 effort 设置公布智能指数(Intelligence Index),以及速度、token 用量和成本数据。它的主数字用的是每个模型的最高设置,而大多数应用并不这样跑。下表按各模型文档写明的 API 默认值读取。数值取自 2026 年 11 月 19 日三个模型页面中嵌入的数据,Artificial Analysis 重新评测后会变化。

Artificial Analysis 指标Hydrogen,high(默认)Sonnet 5.5,high(默认)Terra,medium(默认)
智能指数50.841.538.2
输出速度(token/秒)164.7135.860.4
首个答案 token 等待时间19.4 秒9.4 秒5.1 秒
每个指数任务的输出 token84,97858,42110,875
每个指数任务耗时8.6 分钟7.2 分钟3.0 分钟
每个指数任务成本$1.87$1.64$0.17
主指数(最高设置)53.9,xhigh54.5,max51.3,max

来源:Artificial Analysis 上的 Hydrogen、Sonnet 5.5 和 GPT-6.1 Terra 页面(英文),读取于 2026 年 11 月 19 日。每任务成本是 Artificial Analysis 按标价自行计算的。

在默认设置下,Hydrogen 得分最高,生成 token 也最快。但它每个任务的输出 token 约为 Sonnet 的 1.5 倍、接近 Terra 的 8 倍,首个答案 token 的等待时间也最长。Terra 生成 token 最慢,但需要的 token 极少,所以完成一个平均任务的时间不到另外两个的一半,成本约为它们的十分之一。在最高设置下,Sonnet 5.5 的指数略高于 Hydrogen。不过 Artificial Analysis 测得 Sonnet 在 max 档下首个答案 token 约需 264 秒,这个设置不适合交互式工作。

这些是汇总评测。下面的小测试在具体任务上呈现了同样的规律。

我们用同一个端点跑了五个日常任务

测试设置。 2026 年 11 月 19 日,我们把每个任务作为一条 user 消息发送到 https://api.ofox.io/v1/chat/completions,模型 ID 分别为 google/gemini-4-hydrogen、anthropic/claude-sonnet-5.5 和 openai/gpt-6.1-terra。每个请求只包含 model、messages 和 max_tokens: 32000:没有 system 提示词,没有采样参数,也没有推理或 effort 字段。不发送这些字段时,Ofox 各路由实际用了哪个 effort 或思考档位,我们并不知道。 它可能与厂商文档中的 API 默认值一致(分别为 high、high 和 medium),但响应里没有报告,我们无法确认。每个任务每个模型跑两次,模型顺序在任务之间和轮次之间轮换。延迟是我们客户端收到非流式响应的实际耗时,包含网络时间。token 数来自每个响应返回的 usage 对象。

检查方式。 所有检查程序都在第一次调用模型之前写好,并用参考答案验证过。只有程序检查通过才算通过,我们没有凭肉眼打分。

任务模型要做什么客观检查
T1 修复失败的函数修复 merge_intervals(输入无序、区间首尾相接)执行返回的函数,跑给定测试和四个保留用例:空列表、首尾相接、嵌套、单点区间
T2 根据 schema 写 SQL2026 年已付款订单 ≥2 的客户、已付总额、固定排序在预置数据的 SQLite 上执行查询,逐行精确比较;数据包含退款、一笔 2025 年订单和并列值
T3 JSON 抽取从一封杂乱的转发邮件中提取发票字段,邮件中有自我更正和欧洲数字格式解析 JSON;键必须完全一致;值必须等于预期记录(更正后总额 1420.5,到期日由付款条款计算,PO 为 null)
T4 不用工具的规划带依赖关系和共享资源规则的双人发布排期验证所有依赖、人手和不重叠规则,再要求最短完成时间(68 分钟)
T5 按规格写代码为 HTTP Retry-After 写 retry_delay_seconds(),支持秒数或 HTTP 日期九个保留用例,包括空白字符、负数、无法解析和已过去的日期

结果

任务Hydrogen:通过、延迟、输出 tokenSonnet 5.5:通过、延迟、输出 tokenTerra:通过、延迟、输出 token
T1 修复函数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 抽取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 规划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 按规格写代码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 次调用合计HydrogenSonnet 5.5Terra
通过10/1010/1010/10
延迟中位数8.4 秒4.2 秒3.8 秒
最慢一次23.8 秒9.9 秒10.7 秒
输入 token(报告值)2,3722,8741,916
输出 token(报告值)13,1534,8423,487
按官方标价估算的成本$0.102$0.054$0.019

测量日期 2026 年 11 月 19 日,每格 n = 2。成本一行是我们用报告的 token 数和各厂商 Standard 标价算出的,不是账单;Ofox 按各模型页显示的费率计费。30 次调用按标价合计约 $0.18。

从结果可以看出:

  1. 在这些任务上,正确率没有拉开差距。 每个模型两轮都通过了全部保留用例,包括欧洲小数格式、更正后的发票总额和 C/D 排期冲突。这对这种规模的日常任务是有用的发现,但说明不了更难的工作。
  2. 在不设思考档位的路由下,Hydrogen 每个任务都花了最多的 token。 它的输出大部分是推理:例如 T5 较慢的那次,3,532 个输出 token 中有 3,361 个是推理。它两轮之间的波动也最大(T3 同一提示词分别为 3.6 秒和 8.5 秒)。这与 Google 关于思考档位越高 token 越多的提示相符。
  3. Sonnet 5.5 最稳定。 每个任务两轮的耗时相差都在一秒以内,JSON 答案两次都是 85 个 token。在最短的三个任务上,它的 usage 对象里没有推理 token 明细,所以我们说不清它在这些任务上思考了多少。
  4. Terra 在全部五个任务上都最便宜,延迟中位数也最低。 修 bug 和规划两项它明显最快,抽取一项与 Sonnet 大致持平;SQL 和按规格写代码两项 Sonnet 更快。在 Artificial Analysis 的数据中,Terra 生成 token 的速度是三者中最慢的,而输出短正好弥补了这一点。

顺理成章的下一步,是让 Hydrogen 用 medium 或 low、Sonnet 用 medium 再跑一遍。这次没有做,因为 Ofox 各路由对 effort 字段的映射需要单独验证。请把 Hydrogen 的数字理解为:不发送设置时路由所采用的那个设置下的测量结果,而不是它成本与质量最平衡的设置。

自己复现

下面的提示词就是我们实际发送的原文。把端点和模型 ID 换成你的服务商,max_tokens 保持较大值,再用同样的检查即可。请保存原始响应,以便之后查看 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.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

基础 URL 和请求格式参照 Ofox 的 Chat Completions 参考文档。请用 Python 3.10 或更高版本运行检查:有两个模型返回了 str | None 这类类型标注,Python 3.9 不加 __future__ 导入就无法求值。

以下提示词按实际发送的英文原文展示,未作翻译。

T1 提示词

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]]
```

保留用例:[] → []、[[1,3],[3,5]] → [[1,5]]、[[1,10],[2,3]] → [[1,10]]、[[4,4],[1,2]] → [[1,2],[4,4]]。

T2 提示词(检查用的预置数据:五个客户、十二笔订单,其中有一笔退款订单、一笔 2025 年 12 月的订单,还有三个客户以 2,000 美分并列;预期返回 ana@、cy@ 和 di@example.com 三行,每行都是 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 提示词

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
---

预期结果:NW-2026-0419,开票日 2026-11-03,到期日 2026-12-03,EUR,总额 1420.5,PO 为 null。

T4 提示词

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.

最优解是 68 分钟:C 在第 10 到 30 分钟运行,所以 D 必须等到第 30 分钟。

T5 提示词

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.

当 now = 2026-10-21 07:00:00 UTC 时,保留用例为:"120" → 120.0," 7 " → 7.0,"0" → 0.0;None、""、"-5" 和 "soon" → None;"Wed, 21 Oct 2026 07:28:00 GMT" → 1680.0;早一天的日期 → 0.0。

这次对比的局限

  • 样本小。 每格两次运行只能看出方向,不是稳定的比率。2/2 通过的模型,第三次仍可能失败。
  • 任务简单。 30 次调用全部通过,所以这些任务无法按正确率给模型排名。在相信任何排名之前,先用自己的失败案例测,尤其是多文件修改和长上下文。
  • 只有一条路由。 我们通过 Ofox 的 OpenAI 兼容端点、从同一个客户端位置测量。原生 API、其他地区、流式输出和时段都可能改变延迟。Ofox 的模型目录注明 Terra 的工具调用走 Responses API,所以在 Terra 上测试带工具的 Agent,需要用那个端点,而不是上面的 Chat Completions 调用。
  • 不涉及工具、图像和长上下文。 所有任务都没有用到函数调用、计算机操作、多模态输入,提示词也不超过几百个 token。而 Google 的表中差距最大的恰恰是这些方面。
  • effort 未知,也未对齐。 我们没有设置 effort,响应中也看不到 Ofox 各路由实际用了哪个 effort。如果路由沿用厂商文档中的默认值,那么 Terra 比另外两个低一档。无论哪种情况,我们的结果衡量的是各模型在请求不带 effort 字段时的表现,而不是在相同 effort 下的表现。

调用失败时

如果测试调用报错而不是返回答案,原因通常在路由或参数,而不是模型能力。Hydrogen 请查看 Gemini 4 API 报错指南。多轮工具调用还要看缺少 thought signature 的修复方法。Sonnet 5.5 的迁移后 400 报错指南讲了升级后被拒绝的请求,例如关闭 thinking 和强制工具调用。GPT-6.1 的工具调用见 Responses API 工具调用修复,这篇以 Sol 为例,但请求格式相同。遇到 429 响应,按我们的 429 重试指南做退避重试。Ofox 的错误处理和限流文档列出了网关自身的错误码和默认限额。

相关对比与接入指南

相关文档