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。
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 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra |
|---|---|---|---|---|
| Agent 编程 | SWE-sweep | 13.5% | 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-AA | 76.1% | 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 | Chartography | 66.6% | 61.6% | 63.2% |
| 科学与数学 | Terminal-Bench-Science 0.1 | 51.4% | 59.9% | 58.3% |
| 推理 | HLE-Diamond | 58.8% | 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 Hydrogen | Claude Sonnet 5.5 | GPT-6.1 Terra | |
|---|---|---|---|
| 原生模型 ID | gemini-4-hydrogen | claude-sonnet-5-5 | gpt-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 | 1M | 1,050,000 |
| 最大输出 | 同步请求 65,536;后台模式下长解码可到 1M | 128K | 128,000 |
| effort/思考控制 | thinking_level:low、medium、high(默认)、xhigh | effort:low、medium、high(默认)、xhigh、max | reasoning 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 | 50.8 | 41.5 | 38.2 |
| 输出速度(token/秒) | 164.7 | 135.8 | 60.4 |
| 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 token | 84,978 | 58,421 | 10,875 |
| 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,xhigh | 54.5,max | 51.3,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 SQL | 2026 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 token | Sonnet 5.5:通过、延迟、输出 token | Terra:通过、延迟、输出 token |
|---|---|---|---|
| T1 修复函数 | 2/2 · 4.3 秒、4.5 秒 · 551、603 | 2/2 · 4.2 秒、4.2 秒 · 270、282 | 2/2 · 1.9 秒、2.9 秒 · 106、144 |
| T2 SQL | 2/2 · 8.2 秒、7.0 秒 · 1,160、901 | 2/2 · 3.4 秒、3.1 秒 · 190、190 | 2/2 · 3.7 秒、4.7 秒 · 311、333 |
| T3 JSON 抽取 | 2/2 · 3.6 秒、8.5 秒 · 416、1,145 | 2/2 · 3.1 秒、3.3 秒 · 85、85 | 2/2 · 4.2 秒、2.1 秒 · 83、79 |
| T4 规划 | 2/2 · 9.3 秒、10.3 秒 · 1,318、1,373 | 2/2 · 9.1 秒、8.3 秒 · 755、840 | 2/2 · 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、3,532 | 2/2 · 9.9 秒、9.1 秒 · 1,132、1,013 | 2/2 · 10.7 秒、10.6 秒 · 941、1,001 |
| 各 10 次调用合计 | Hydrogen | Sonnet 5.5 | Terra |
|---|---|---|---|
| 通过 | 10/10 | 10/10 | 10/10 |
| 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) | 2,372 | 2,874 | 1,916 |
| 输出 token(报告值) | 13,153 | 4,842 | 3,487 |
| 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:
- 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。
- 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。
- 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。
- 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
- 低一档:Gemini 4 Hydrogen、Claude Haiku 5.5 和 GPT-6 Luna 对比。
- 高一档:Gemini 4 Neon、Claude Opus 5.5 和 GPT-6.2 Sol 对比。
- 在编程 Agent 里用 Hydrogen:在 Cline 和 OpenCode 中使用 Hydrogen;从 Flash 迁移:Gemini 3.8 Flash 迁移到 Hydrogen。
- Sonnet 5.5 对比 OpenAI 更大的模型:GPT-6.1 Sol 与 Claude Sonnet 5.5。
- Sonnet 5.5 实战:Claude Code 配置和编程场景下 Sonnet 5.5 与 Opus 5.5 对比。


