Google Antigravity meluncurkan Orchestrator: Carbon menangani pemikiran, Hydrogen menangani eksekusi, pengujian resmi mengurangi konsumsi kuota sebesar 24%

Catatan penulis: Mengurai mekanisme pembagian perencanaan dan eksekusi Google Antigravity Orchestrator, makna data kuota 24% dan kecepatan 19% dalam pengujian resmi, serta perbedaannya dalam pemilihan dibandingkan model mandiri dan Agent paralel.

Pada 12 November 2026, Google merilis Gemini 4 Hydrogen, sekaligus memperkenalkan Orkestrasi multi-model Orchestrator di Antigravity. Pendekatannya adalah dalam satu tugas pengembangan yang sama, Carbon atau Argon bertanggung jawab merencanakan, sedangkan Hydrogen mengeksekusi. Pengujian pembanding resmi Google menunjukkan bahwa Orchestrator, dibandingkan penggunaan Carbon secara mandiri, rata-rata mengurangi konsumsi kuota sebesar 24% dan meningkatkan kecepatan penyelesaian sebesar 19%.

Ini bukan rumor. Blog resmi Google Antigravity, dokumentasi pemilihan model, dan ikhtisar peluncuran Google semuanya telah mengonfirmasi fitur ini. Artikel ini merangkum informasi yang sejauh ini telah dipublikasikan tentang Google Antigravity Orchestrator, termasuk mekanisme kerja, cara membaca data pengujian dengan benar, paket dan titik masuk, serta jenis tugas seperti apa yang cocok menggunakannya.

Nilai inti: Setelah membaca artikel ini, Anda dapat menentukan apakah tugas engineering Anda sebaiknya memilih Orchestrator, mode mandiri Hydrogen, atau mode mandiri Carbon / Argon.

Ringkasan satu kalimat: Antigravity Orchestrator dalam satu sesi Agent membuat Carbon atau Argon merencanakan dan Hydrogen mengeksekusi; Google secara resmi melaporkan manfaatnya pada kuota dan kecepatan.

to know: 5 istilah yang perlu dipahami sebelum membaca

• Planner (Perencana): peran model yang bertugas menganalisis tugas, menyusun rencana, dan merencanakan ulang bila diperlukan; dalam Orchestrator diperankan oleh Carbon atau Argon.
• Executor (Pelaksana): peran yang mengubah kode sesuai rencana, menjalankan tools, dan memverifikasi hasil; dalam Orchestrator diperankan oleh Hydrogen.
• Agent: sistem yang menyelesaikan tugas multi-langkah bersama-sama melalui model dan lingkungan eksekusi tools; tidak sama dengan satu model.
• Kuota: batas jumlah layanan yang dapat digunakan yang diberlakukan platform. Berkurangnya kuota tidak serta-merta berarti tagihan aktual ikut berkurang.
• Harness: kerangka pengujian yang mengatur input model, eksekusi tools, dan penilaian tugas. Model yang sama dimasukkan ke Harness yang berbeda dapat memperoleh skor berbeda.

Sekilas Informasi Inti Google Antigravity Orchestrator

Mengapa Google meluncurkan Antigravity Orchestrator

Sebuah tugas pengembangan perangkat lunak nyata biasanya mencakup beragam pekerjaan: memahami basis kode dan dependensi terlebih dahulu, lalu memutuskan bagian mana yang perlu diubah dan bagaimana mengubahnya, kemudian mengedit file secara massal, menjalankan build dan pengujian, dan akhirnya memeriksa hasilnya. Tuntutan kemampuan penalaran pada setiap langkah sangat berbeda. “Memutuskan bagaimana mengubah” membutuhkan penilaian mendalam, sedangkan “mengubah sepuluh file sesuai rencana dan menjalankan pengujian” lebih mengutamakan kecepatan, pengeditan yang presisi, dan stabilitas pemanggilan alat.

Jika seluruh tugas diserahkan kepada model penalaran kelas atas seperti Carbon, banyak operasi berulang pada tahap eksekusi juga harus mengikuti ritme dan kuota model kelas atas. Waktu tugas dan biaya kuota pun akan meningkat. Sebaliknya, jika hanya menggunakan model ringan, bisa terjadi kesalahan penilaian dalam perancangan solusi atau penanganan error sulit, yang akhirnya memicu pengerjaan ulang.

Posisi Hydrogen tepat mengisi celah ini. Google mendefinisikannya sebagai model eksekusi Agent dan pemrograman harian yang efisien, dengan penekanan pada pengeditan presisi, pemanggilan banyak alat, serta kemampuan menyesuaikan strategi setelah alat gagal. Google juga secara jelas menyatakan bahwa Hydrogen dapat berperan sebagai eksekutor atau verifikator dalam sistem multimodel. Orchestrator memproduktifkan pembagian kerja ini: model mahal hanya digunakan pada bagian yang paling membutuhkan penilaian.

Cara Kerja Antigravity Orchestrator: Carbon Berpikir, Hydrogen Menjalankan

Menurut dokumentasi resmi Google Antigravity, Orchestrator tidak hanya menilai tingkat kesulitan sekali saat permintaan masuk lalu memilih satu model untuk mengerjakan seluruh proses. Ia akan berganti-ganti antara model perencana dan model eksekutor di dalam tugas yang sama.

Alur kerja lima langkah Orchestrator

Mengambil contoh skenario peningkatan dependensi yang dipakai dokumentasi resmi, satu alur lengkap kira-kira seperti ini:

1. Menganalisis basis kode: Carbon (atau Argon) memetakan struktur kode dan relasi dependensi secara read-only.
2. Menyusun rencana: Planner menentukan cakupan dan langkah perubahan, sekaligus menetapkan kondisi apa saja yang mengharuskan perencanaan ulang.
3. Mengubah kode: Hydrogen mengambil alih pengeditan konkret dan peningkatan dependensi.
4. Menjalankan pengujian: Hydrogen menjalankan build dan pengujian untuk memverifikasi apakah perubahan berfungsi.
5. Memverifikasi hasil: Jika lolos, hasil diperiksa lalu tugas diakhiri; jika menemui kesalahan kompleks, kendali dikembalikan ke Planner.

Kondisi pemicu perencanaan ulang pada Orchestrator

Dokumentasi resmi mencantumkan beberapa situasi yang mengembalikan kendali ke Planner: langkah verifikasi gagal dua kali berturut-turut, perilaku antarmuka tidak sesuai ekspektasi, atau muncul pilihan desain saat implementasi yang tidak tercakup dalam rencana awal. Setelah Planner menilai ulang, ia akan menyesuaikan rencana, lalu menyerahkannya kembali ke Hydrogen untuk melanjutkan perubahan dan verifikasi berikutnya.

Mekanisme ini sangat krusial. Model eksekutor tidak akan terus mencoba ulang secara membabi buta, melainkan menyerahkan hak pengambilan keputusan tepat waktu ketika sudah “di luar rencana semula”, sehingga model kelas atas hanya masuk di titik-titik kunci.

Bedanya penyerahan dinamis dengan perutean model sekali jalan

“Perutean model” yang umum dilakukan adalah klasifikasi sekali di pintu masuk permintaan: tugas sederhana diberikan ke model kecil, tugas kompleks ke model besar, dan setelah itu tidak berubah lagi. Bedanya Orchestrator: dalam satu tugas terjadi banyak penyerahan, perencanaan dan eksekusi ditangani model yang berbeda, dan selama eksekusi kapan saja bisa kembali ke tahap perencanaan. Yang dirutekan adalah tahap tugas, bukan keseluruhan permintaan.

Uji resmi Orchestrator: Apa Arti Kuota 24% dan Kecepatan 19%

Semua data berikut berasal dari pengujian pembanding tugas terminal resmi Google, yang membandingkan “Orchestrator” dengan “penggunaan Carbon saja”.

Mengapa pembagian kerja multi-model dapat menghemat kuota

Manfaatnya terutama berasal dari tahap eksekusi. Langkah seperti pengeditan kode, pembaruan dependensi, dan menjalankan pengujian berulang kali punya jumlah pemanggilan tinggi dan konteks panjang. Jika semuanya dikerjakan oleh Carbon, model kelas atas akan dipanggil berulang kali dalam jumlah besar. Setelah diserahkan ke Hydrogen, Carbon hanya menangani perencanaan awal dan perencanaan ulang di tengah jalan, sehingga jumlah pemanggilan penalaran kelas atas otomatis menurun. Dari harga resmi API juga terlihat perbedaan biaya keduanya: per 13 November 2026, dalam harga standar resmi Google AI Studio, input dan output Hydrogen masing-masing 1.50 dolar AS dan 7.50 dolar AS per juta token; Carbon sebelum 30 November 2026 adalah 2 dolar AS dan 10 dolar AS per juta token, dan halaman resmi mencantumkan penyesuaian menjadi 4 dolar AS dan 20 dolar AS mulai 1 Desember.

Perlu dicatat, angka di atas adalah harga API, sedangkan Orchestrator berjalan dalam sistem kuota langganan Antigravity, sehingga cara pengukurannya berbeda. Kita tidak bisa memakai harga API untuk menghitung “biaya sebenarnya” Orchestrator.

Arti angka-angka ini bagi tim pengembang

Bagi tim, menilai efisiensi alat pemrograman AI tidak bisa hanya melihat kualitas jawaban sekali pakai; kita juga perlu mengamati tiga dimensi sekaligus: tingkat keberhasilan tugas, konsumsi kuota, dan waktu penyelesaian. Hasil resmi Orchestrator menunjukkan bahwa dengan tingkat keberhasilan yang dasarnya tidak berubah, dua indikator terakhir sama-sama membaik. Ini memberi tim sebuah pendekatan yang bisa dijadikan acuan: mengevaluasi “kualitas perencanaan” dan “throughput eksekusi” secara terpisah, bukan hanya terpaku pada model terkuat.

💡 Catatan data: Angka efisiensi di bagian ini semuanya berasal dari uji pembanding resmi Google dan belum ada pengujian ulang independen oleh pihak ketiga. Jika Anda ingin memverifikasi efek pembagian kerja “model perencanaan + model eksekusi” dalam bisnis Anda sendiri, Anda dapat memakai APIYI apiyi.com untuk memanggil model dari berbagai kelas dengan kunci API yang sama, lalu merancang eksperimen pembanding sendiri.

Orchestrator vs Model Independen dan Agent Paralel

Analisis pembanding Carbon independen: Carbon tetap unggul dalam penilaian yang kompleks, tetapi pada operasi berulang di tahap eksekusi ia juga menghabiskan kuota dan waktu model kelas atas. Sebaliknya, pada sebagian besar tugas rekayasa rutin yang berpola perencanaan lalu eksekusi, Orchestrator memberikan tingkat keberhasilan yang mendekati dengan konsumsi kuota yang lebih rendah.

Analisis pembanding Hydrogen independen: Hydrogen cepat dan pengeditannya presisi, tetapi ketika menghadapi pilihan desain yang tidak tercakup dalam rencana awal, ia kurang memiliki model yang lebih kuat sebagai cadangan. Untuk tugas dengan kebutuhan yang jelas dan tanpa keputusan berulang, Hydrogen tetap menjadi pilihan paling langsung.

Analisis pembanding multi-Agent paralel: Google menjelaskan secara eksplisit bahwa Orchestrator hanya mempertahankan satu Agent dalam satu sesi, dan mengandalkan serah-terima antar model untuk menyelesaikan berbagai tahap. Jika perlu beberapa Agent memproses subtugas secara bersamaan atau saling meninjau, pilihlah fitur seperti Subagents, Swarm, Boost, atau Teamwork. Keduanya menyelesaikan masalah yang berbeda: yang satu soal “bagaimana membagi kerja di dalam satu tugas”, yang lain soal “perlukah menambah jumlah Agent”.

Cara Menggunakan Orchestrator di Antigravity

Hubungan antara Mode Orchestrator dan Paket Langganan

Di Antigravity App, buka menu pemilihan model di sekitar kotak input percakapan, lalu pilih Orchestrator (Carbon) atau Orchestrator (Argon). Untuk Antigravity CLI, contoh resmi yang diberikan adalah sebagai berikut (sintaks di bawah dikutip dari dokumentasi resmi, belum diuji secara lokal dalam artikel ini):

# Melihat model yang tersedia untuk akun saat ini
agy models

# Setelah masuk ke sesi, gunakan /model untuk memilih Orchestrator

# Bisa juga langsung ditentukan saat memulai
agy -p "Add input validation to the signup form and run the tests." --model "Orchestrator (Argon)"

Perlu diperhatikan, Orchestrator menggunakan konfigurasi thinking yang tetap, jadi Anda tidak bisa mengatur tingkat Low, Medium, High, atau Extra secara terpisah untuknya. Jika ingin menyesuaikan tingkat thinking, Anda harus beralih ke model mandiri. Selain itu, pada hari peluncuran ada pengguna yang melaporkan bahwa opsi model terlihat tetapi pemanggilannya gagal, serta waktu pembukaan untuk tiap akun tidak sama. Situasi seperti ini lebih mungkin berkaitan dengan peluncuran bertahap, jadi jika Anda mengalaminya, coba lagi beberapa saat kemudian.

Mereproduksi pembagian peran perencanaan dan eksekusi di Agent milik sendiri

Orchestrator adalah fitur produk Antigravity, tetapi pendekatan “model kuat merencanakan, model cepat mengeksekusi, dikembalikan ke perencana setelah dua kegagalan” sepenuhnya bisa diterapkan di Agent Anda sendiri. Berikut contoh minimal berbasis antarmuka yang kompatibel dengan OpenAI; untuk nama model, gunakan daftar model platform yang Anda pakai:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

PLANNER = "your-reasoning-model"   # model perencana, sesuai daftar model platform
EXECUTOR = "your-fast-model"       # model eksekutor, sesuai daftar model platform

def ask(model, system, user):
    r = client.chat.completions.create(model=model, messages=[
        {"role": "system", "content": system}, {"role": "user", "content": user}])
    return r.choices[0].message.content

plan = ask(PLANNER, "你是架构师，输出分步实施方案。", "为注册表单增加输入校验")
print(ask(EXECUTOR, "严格按方案执行，只输出代码改动。", plan))

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

PLANNER = "your-reasoning-model"
EXECUTOR = "your-fast-model"
MAX_FAILS = 2  # merujuk dokumentasi Antigravity: setelah verifikasi gagal dua kali berturut-turut, kembalikan ke perencana

def ask(model: str, system: str, user: str) -> str:
    r = client.chat.completions.create(
        model=model,
        messages=[{"role": "system", "content": system},
                  {"role": "user", "content": user}],
    )
    return r.choices[0].message.content

def run_tests(patch: str) -> tuple[bool, str]:
    """Ganti dengan logika build dan pengujian Anda sendiri, kembalikan (apakah lulus, log)"""
    raise NotImplementedError

def orchestrate(task: str, max_replans: int = 3) -> str:
    plan = ask(PLANNER, "你是规划者，输出分步方案及重新规划条件。", task)
    for _ in range(max_replans):
        fails, log = 0, ""
        while fails < MAX_FAILS:
            patch = ask(EXECUTOR, "你是执行者，严格按方案修改代码。",
                        f"方案：\n{plan}\n上次测试日志：\n{log}")
            ok, log = run_tests(patch)
            if ok:
                return patch
            fails += 1
        # gagal berturut-turut, kembalikan ke model perencana untuk menilai ulang
        plan = ask(PLANNER, "执行连续失败，请根据日志修订方案。",
                   f"原任务：{task}\n原方案：{plan}\n失败日志：{log}")
    raise RuntimeError("多次重新规划后仍未通过验证")

🚀 Saran memulai cepat: saat membangun prototipe “perencanaan + eksekusi” seperti ini, sebaiknya dapatkan kuota uji gratis melalui APIYI apiyi.com. Satu kunci API dapat memanggil model populer seperti OpenAI, Claude, dan Gemini; mengganti PLANNER dan EXECUTOR hanya perlu mengubah satu string, sehingga memudahkan perbandingan cepat berbagai kombinasi.

Analisis Dampak Antigravity Orchestrator: Tugas Pengembangan Mana yang Paling Cocok

Dampak bagi Pengembang

• Pengembangan fitur rutin: pembagian kerja tiga tahap—perencanaan, implementasi, dan pengujian—sudah sangat jelas, dan inilah skenario paling khas untuk Orchestrator.
• Perbaikan bug multi-file: Planner menemukan akar masalah, Hydrogen mengubah beberapa file sekaligus lalu menjalankan pengujian untuk memverifikasi; jika gagal, tugas dikembalikan lagi untuk dievaluasi.
• Refactoring dengan kompleksitas sedang: rencana dikendalikan oleh model perencana, sementara sebagian besar perubahan konkret diserahkan ke model eksekutor, sehingga model kelas atas tidak perlu terjebak dalam pengeditan mekanis.
• Manajemen kuota lebih proaktif: bagi pengguna langganan, memakai Orchestrator untuk tugas sehari-hari membuat lebih banyak kuota tersisa untuk pekerjaan yang benar-benar butuh penalaran mendalam.

Dampak bagi Industri

• “Perencana + Eksekutor” menjadi pola produk: vendor model mulai membangun kolaborasi multi-model langsung ke dalam alat pengembangan, bukan sekadar menyerahkannya ke pengguna untuk diorkestrasi sendiri.
• Metrik penilaian jadi lebih beragam: selain tingkat keberhasilan, konsumsi kuota dan waktu penyelesaian akan makin sering muncul dalam perbandingan alat Agent.

Saran Pemilihan Skenario Orchestrator

FAQ (Pertanyaan yang Sering Diajukan)

Poin Penting Google Antigravity Orchestrator

• Definisi inti: Dalam satu sesi Agent tunggal, Carbon / Argon merencanakan, Hydrogen mengeksekusi, dengan serah-terima dinamis.
• Mekanisme kunci: Situasi seperti kegagalan verifikasi dua kali berturut-turut akan dikembalikan ke model perencana untuk dinilai ulang.
• Data resmi: Dibandingkan dengan Carbon saja, kuota -24%, kecepatan +19%, performa keberhasilan mendekati.
• Pemahaman yang benar: Konsumsi kuota tidak sama dengan tagihan; penandaan versi benchmark pengujian pada dua pengumuman tidak konsisten.
• Ambang penggunaan: Ultra dapat menggunakan kedua mode; Pro yang memenuhi syarat dapat menggunakan mode Argon.
• Cara memulai: Agent yang dibangun sendiri dapat mereproduksi ide pembagian kerja melalui antarmuka terpadu APIYI apiyi.com.

Ringkasan

Poin-poin penting Google Antigravity Orchestrator:

1. Pembagian kerja, bukan penggantian: Bukan mengganti model mahal dengan model murah, melainkan membiarkan Carbon / Argon menangani penilaian dan Hydrogen menangani eksekusi.
2. Serah-terima dinamis: Saat menemui anomali selama eksekusi, proses kembali ke tahap perencanaan; inilah yang membedakannya dari routing model sekali jalan.
3. Keuntungan resmi: Dengan performa keberhasilan yang mendekati Carbon, dalam pengujian resmi kuota berkurang 24% dan kecepatan meningkat 19%.
4. Pemilihan berdasarkan kompleksitas: Untuk rekayasa multi-tahap rutin gunakan Orchestrator, untuk arsitektur mendalam gunakan Carbon / Argon, untuk tugas harian yang jelas gunakan Hydrogen.

Untuk sebagian besar tugas pengembangan sehari-hari, Orchestrator adalah pilihan default yang wajar karena menyeimbangkan kualitas dan kuota. Jika Anda ingin menerapkan ide yang sama pada produk Anda sendiri, disarankan untuk memverifikasi efek kombinasi model yang berbeda dengan cepat melalui APIYI apiyi.com; platform ini menyediakan kuota gratis dan antarmuka terpadu multi-model.

📚 Referensi

1. Blog Resmi Google Antigravity: Gemini 4 Hydrogen and Orchestrator
2. Tautan: antigravity.google/blog/gemini-4-hydrogen-in-google-antigravity

3. Keterangan: Pengumuman rilis Orchestrator beserta data pengujian resmi 24% / 19%, dengan tolok ukur yang ditandai sebagai Terminal-Bench 4.1

4. Dokumentasi Google Antigravity: Choose a Model / Orchestrator

5. Tautan: antigravity.google/docs/models

6. Keterangan: Mekanisme Planner / Executor, kondisi perencanaan ulang, contoh CLI, dan saran pemilihan model

7. Blog Resmi Google: Introducing Gemini 4 Hydrogen

8. Tautan: blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-gemini-4-hydrogen

9. Keterangan: Ikhtisar rilis Hydrogen; hasil perbandingan yang sama di sini ditandai sebagai Terminal-Bench 4.0

10. Pengumuman Resmi Google dalam Bahasa Mandarin: Gemini 4 Hydrogen

11. Tautan: china.googleblog.com/2026/11/gemini-4-hydrogen.html

12. Keterangan: Informasi rilis berbahasa Mandarin, versi tolok ukur juga ditandai sebagai 4.0

13. Halaman Harga Google AI Studio: Harga API seri Gemini

14. Tautan: aistudio.google.com/docs/pricing

15. Keterangan: Harga API standar Hydrogen, Carbon, dan Argon serta titik waktu penyesuaian harga

16. Penjelasan Paket dan Kuota Bersama Antigravity

17. Tautan: antigravity.google/blog/changes-to-antigravity-plans
18. Keterangan: Sistem paket langganan dan kuota

Penulis: Tim Teknis APIYI
Komunikasi teknis: Silakan hubungi kami melalui halaman utama situs APIYI. Materi lebih lengkap dapat diakses di pusat dokumentasi docs.apiyi.com

Artikel terkait

• Google Antigravity Meluncurkan /swarm: Pemrograman AI Beralih dari Eksekusi Single Agent ke Kolaborasi Tim Multi-Agent, Penjelasan 4 Jenis Peran: Membedah fitur pratinjau /swarm Google Antigravity: pembagian kerja dan kolaborasi Coordinator, Worker, Verifier, dan Monitor, serta salinan kerja, panel visual, konsumsi kuota, dan batas izin dijelaskan sekaligus dalam satu kali bahasan.
• Gemini 4 Carbon Menggunakan /swarm untuk Membangun Dunia 3D Kampus Google: Membedah gim dunia terbuka resmi Google tentang pelikan mengendarai GBike untuk melihat bagaimana Gemini 4 Carbon memanfaatkan Antigravity /swarm dalam mengoordinasikan banyak Agent untuk aset tiga dimensi, gim peramban, dan desain suara, serta batas kemampuannya.
• Dari Foto Sejarah ke 3D Interaktif: Gemini 4 Carbon Menghidupkan Kembali Proses Pembangunan Menara Eiffel dengan Satu Petunjuk: Analisis demo Menara Eiffel dari Google: bagaimana Gemini 4 Carbon, dengan bantuan kolaborasi multi-Agent /swarm dari Antigravity, menyusun foto bersejarah dan gambar rancang teknik menjadi pameran tiga dimensi Three.js yang interaktif.
• Dari "Doubao Amerika" hingga Model Pemrograman Terbaik: Apa Saja yang Dialami Gemini dalam Tiga Tahun? Penjelasan Lengkap 12 Titik Kunci: Menguraikan 12 tonggak penting Gemini dari versi 1.0 pada 2023 hingga Gemini 4 Carbon pada 2026, menafsirkan evolusi multimodal, konteks panjang, Thinking, pemanggilan alat, hingga Agentic Coding, serta dampaknya terhadap pemilihan teknologi oleh pengembang.
• Gemini 4 Hydrogen vs Gemini 4 Carbon: Bagaimana memilih untuk penggunaan sehari-hari: Jelaskan dari lima aspek posisi, tingkat penalaran, konteks dan output, harga, serta penggunaan Orchestrator, bagaimana pembagian kerja Gemini 4 Hydrogen dan Gemini 4 Carbon dalam penggunaan sehari-hari, serta model apa saja yang saat ini dapat dipanggil melalui APIYI.
• Seberapa kuat Gemini 4 Hydrogen? Tabel resmi: menang 7 dari 10 item: Google merilis Gemini 4 Hydrogen pada 12 November 2026, kartu model resmi menang 7 dari 10 perbandingan, 2,5 kali lebih cepat dari Gemini 3.8 Flash, Terminal-Bench 4.1 naik dari 18,2% ke 57%, serta menjelaskan dasar penghitungan angka, harga, dan status pemanggilan tersebut.
• Gemini 4 Hydrogen vs Claude Sonnet 5.5: 10 Kriteria untuk Memilih: Berdasarkan kartu model resmi (10 item) dan harga resmi, Gemini 4 Hydrogen dibanding Claude Sonnet 5.5: Hydrogen unggul 7 item dan lebih murah untuk petunjuk pendek; Sonnet lebih tinggi pada terminal, operasi komputer, dan terminal sains (3 item), plus saran pemilihan dan panduan integrasi APIYI.