Мини-движок SQL

Нужно написать один модуль на Python 3.12 с функцией run_query(tables, sql). Пользоваться можно только стандартной библиотекой, модуль sqlite3 и eval/exec запрещены. Движок должен понимать SELECT и DISTINCT, INNER, LEFT и CROSS JOIN, WHERE, GROUP BY, HAVING, ORDER BY по выражению, алиасу и номеру колонки, LIMIT и OFFSET, агрегаты внутри выражений, CASE, LIKE, BETWEEN, IN, IS и функции ABS, LOWER, UPPER, LENGTH, COALESCE, IFNULL, NULLIF, ROUND, SUBSTR. Значения, их типы (int, float, str, None), число строк и порядок должны совпадать с SQLite 3.45 без type affinity и без ICU. JOIN двух таблиц по 50 000 строк должен укладываться в 3 секунды.

Напиши на Python 3.12 мини-движок SQL: один модуль, только стандартная библиотека. Модуль `sqlite3` и любые внешние СУБД/библиотеки использовать НЕЛЬЗЯ. eval/exec/compile тоже нельзя.

## Интерфейс

```python
def run_query(tables: dict[str, tuple[list[str], list[tuple]]], sql: str) -> list[tuple]:
    ...
```

- `tables`: имя таблицы → (список имён колонок, список строк). Значения в ячейках: `int`, `float`, `str` или `None`.
- Возвращает строки результата — список кортежей.
- Ошибочный SQL, несуществующая таблица/колонка/функция, неверное число аргументов функции → `ValueError`.

## Главное требование

Результат (значения, ТИПЫ значений int/float/str/None, число строк, порядок при ORDER BY) должен совпадать с тем, что вернул бы **SQLite 3.45**, если создать таблицы без объявленных типов колонок (`CREATE TABLE t(a, b, c)`, т.е. без type affinity), вставить те же значения и выполнить тот же запрос. SQLite собран без ICU. Всё, что явно не описано ниже, — как в SQLite.

## Поддерживаемый SQL

Ключевые слова, имена функций, таблиц и колонок — регистронезависимы. В конце запроса может стоять `;`.

```
SELECT [DISTINCT] <список>
FROM <таблица> [[AS] <алиас>]
  { [INNER] JOIN <таблица> [[AS] <алиас>] ON <выражение>
  | LEFT [OUTER] JOIN <таблица> [[AS] <алиас>] ON <выражение>
  | CROSS JOIN <таблица> [[AS] <алиас>] }*
[WHERE <выражение>]
[GROUP BY <выражение>, ...]
[HAVING <выражение>]
[ORDER BY <выражение> [ASC|DESC], ...]
[LIMIT <целое> [OFFSET <целое>]]
```

- `<список>`: `*`, `<алиас>.*`, выражения с необязательным `[AS] <имя>`.
- Колонки: `col` или `t.col` (t — имя таблицы или её алиас).
- GROUP BY и ORDER BY могут ссылаться на алиас из списка SELECT; ORDER BY — ещё и на номер колонки результата (с 1).

Выражения:
- литералы: целые (`42`), вещественные (`1.5`, `.5`, `2.`), строки `'it''s'`, `NULL`;
- унарные `-`, `+`, `NOT`;
- бинарные: `||`, `*`, `/`, `%`, `+`, `-`, `<`, `<=`, `>`, `>=`, `=`, `==`, `!=`, `<>`, `IS`, `IS NOT`, `AND`, `OR` — с приоритетами SQLite;
- `x IS NULL`, `x IS NOT NULL`, `x [NOT] BETWEEN a AND b`, `x [NOT] IN (a, b, ...)`, `x [NOT] LIKE pattern`;
- `CASE WHEN c THEN v ... [ELSE v] END` и `CASE x WHEN v THEN r ... [ELSE r] END`;
- скобки;
- скалярные функции: `ABS`, `LOWER`, `UPPER`, `LENGTH`, `COALESCE` (2+ аргумента), `IFNULL`, `NULLIF`, `ROUND(x)`, `ROUND(x, n)`, `SUBSTR(s, start)`, `SUBSTR(s, start, len)`;
- агрегаты: `COUNT(*)`, `COUNT(x)`, `COUNT(DISTINCT x)`, `SUM`, `AVG`, `MIN`, `MAX`. Агрегаты могут входить в выражения (`SUM(a) * 2 + 1`, `CASE WHEN COUNT(*) > 1 THEN ...`), встречаться в HAVING и ORDER BY, в том числе такие, которых нет в списке SELECT. Запрос с агрегатами без GROUP BY возвращает ровно одну строку — даже по пустой таблице.

## Что НЕ будет проверяться

Подзапросы; неоднозначные неквалифицированные колонки; «голые» колонки вне GROUP BY в агрегатном запросе; HAVING без GROUP BY; арифметика над строками; сравнение числа со строкой; `%` с вещественными операндами; переполнение int64; порядок строк без ORDER BY; порядок строк с равными ключами ORDER BY.

## Производительность

Таблицы до 50 000 строк. JOIN двух таблиц по 50 000 строк по условию равенства колонок (возможно, с дополнительными условиями через AND), затем WHERE/GROUP BY/ORDER BY — не дольше 3 секунд на обычном ПК.

## Формат ответа

Ответь ТОЛЬКО кодом модуля в одном блоке ```python.

• 56 ручных запросов с ловушками. Среди них целочисленное деление и % с отрицательными числами, ROUND(2.5) и ROUND(0.125, 2), NOT IN со списком, где есть NULL, трёхзначная логика AND, OR и NOT. Ещё есть LOWER и UPPER, которые в SQLite меняют регистр только у латиницы, LIKE, который не различает регистр тоже только у латиницы, отрицательные аргументы SUBSTR, превращение дробей в текст при || (0.1+0.2 даёт '0.3'), сортировка NULL, агрегаты по пустой таблице, LEFT JOIN с условием в ON и соединение таблицы с самой собой.
• 400 случайных запросов из генератора с фиксированным seed. В них есть типизированные выражения глубиной до трёх уровней, восемь вариантов FROM и JOIN, агрегаты, GROUP BY, HAVING, DISTINCT, ORDER BY, LIMIT и OFFSET.
• 8 запросов, которые обязаны закончиться ошибкой ValueError: синтаксическая ошибка, неизвестная таблица, колонка или функция, неверное число аргументов.
• 5 замеров скорости на таблицах по 50 000 строк, на каждый даётся 3 секунды. Вложенными циклами в лимит не уложиться, нужен hash join.
• Ответ сравнивается с настоящим SQLite. Значения и типы проверяются строго, int и float считаются разными, дроби сравниваются с точностью 1e-9. Если в запросе нет ORDER BY, порядок строк не важен. Строки с одинаковым ключом сортировки тоже можно выдать в любом порядке.
• Сам стенд проверен эталоном, обёрткой над sqlite3. Он проходит 464 теста из 464 и 5 замеров из 5.

• Каждая модель получила одно и то же задание слово в слово, одним сообщением, без системного промпта и без инструментов. У модели был один ответ, и запустить свой код она не могла.
• Запросы шли напрямую в API провайдера в потоковом режиме (stream.py), рассуждение было включено. У Qwen для этого служит enable_thinking, у GLM thinking: enabled, у GPT, Grok и Gemini reasoning_effort: high. Opus получал thinking: adaptive и effort high или max через нативный /v1/messages. Kimi и DeepSeek работали в режиме по умолчанию.
• Лимит ответа выставлен на максимум, который разрешает API: у DeepSeek это 384K, у Qwen и GLM 131K, у остальных 128K. Strata получила 128K при контексте 131K.
• В зачёт идёт код как есть. Если код ломается из-за одной опечатки, отдельно считается вариант с правкой одной строки. Он нужен только для понимания и в рейтинг не входит.
• Время считается от отправки запроса до последнего токена. Оно зависит и от загрузки серверов провайдера, поэтому это не чистая скорость модели.
• Opus 5.5 проверялся двумя способами: через API, как все остальные, и агентом Claude Code с чистым контекстом и запретом запускать код. У агента есть системный промпт Claude Code.

• В первой попытке DeepSeek Flash потратил все 64K токенов на рассуждение и не выдал код. Лимит занизили мы, поэтому модель перезапустили с 384K. У DeepSeek 1M означает размер контекста, а не длину ответа.
• У аккаунта Moonshot для Kimi K3.1 Pro разрешён только один одновременный запрос.
• Из России запросы к api.moonshot.ai больше примерно 16 КБ обрываются на ТСПУ, потому что сервис стоит за Cloudflare. Поэтому трафик к Kimi шёл через VPN роутера.
• GPT-6.1 Sol, GPT-6.1 Terra, Grok, Opus 5.5 через API и Gemini 3.8 Flash работали через партнёрский шлюз. Мы проверили, что системный промпт он не подмешивает. GPT нормально работает через chat/completions. Claude полноценно работает только через нативный /v1/messages: через chat Opus на задаче не рассуждал. Gemini через шлюз не рассуждает ни при каких параметрах.
• Strata это локальная Qwen3.8-Flash-Next в квантовании Q2 размером около 66 ГБ на домашнем ПК. С лимитом 64K её код оборвался на 1931-й строке, поэтому её перезапустили с 128K.
• Генератор случайных запросов не использует арифметику над строками, сравнение числа со строкой и % над дробями, потому что задание явно исключает эти случаи.
• GLM 5.3 упёрся в максимум API в 131 072 токена на одном рассуждении. Это ограничение модели и провайдера, а не наших настроек.
• Opus 5.5 с адаптивным мышлением на этой задаче не думал вовсе, ни на high, ни на max: токенов рассуждения ноль, код пошёл с 4-й секунды. Остальные модели тратили на рассуждение от 25 до 130 тысяч токенов.
• Ошибку в одну строку сделали четыре модели из шести в рейтинге: DeepSeek Flash (регистр имён функций), GPT-6.1 Sol (COUNT(*)), Qwen (CASE WHEN) и Opus через API (consume('IDENT')). Ни одна из них не прогнала в голове простейший запрос.
• Время и токены Opus-агента оценочные. У субагента нет файла ответа, поэтому токены посчитаны по объёму, который попал в кэш контекста перед записью файла. Протокол агента проверен: он ни разу не читал файлы и не запускал код.
• Opus-агент с effort: max добавлен 29.10.2026, после основного прогона, по тому же протоколу: одно чтение задания и одна запись решения, без запуска кода. Его запустили, чтобы сравнить с Opus через API на том же effort: max: через партнёрский шлюз модель рассуждает заметно меньше. Его время и токены посчитаны по журналу агента.

Перед основной задачей была разминка: калькулятор выражений на fractions.Fraction с приоритетами **, унарным минусом, % как в Python, функциями, переменными и ошибками с позицией. Его проверяли 68 скрытых тестов из папки warmup/.

• Kimi K3.1 Pro через kimi -p прошёл 68 тестов из 68 за 3 мин 19 с.
• DeepSeek Flash через API прошёл 68 тестов из 68 за 2 мин 29 с и потратил 25 тысяч токенов на рассуждение.
• Задача оказалась по силам обеим и не различает модели, поэтому основной стала более сложная задача.

Эти прогоны не попали в рейтинг: результат определила не модель, а условия запуска. Ответы и код сохранены в папке.

• DeepSeek V4 Pro (0 из 464): Код не импортируется из-за синтаксической ошибки, а после её исправления падает на каждом запросе. В отличие от большинства исключённых прогонов, это ошибка самой модели, а не API. Прогон исключён по решению автора бенчмарка.
• GLM 5.3 (0 из 464): Весь максимум API в 131 072 токена ушёл на рассуждение, и до кода модель не дошла. Это ограничение провайдера на длину ответа.
• GPT-6.1 Terra (0 из 464): Код не импортируется из-за опечатки в словаре приоритетов операторов: "!=", 4 вместо "!=": 4. Это ошибка самой модели. С исправлением одного символа код проходит 260 тестов из 464 и 1 замер скорости из 5, дальше ломается проверка зарезервированных имён.
• Gemini 3.8 Flash (0 из 464): Партнёрский шлюз не включает у Gemini рассуждение ни одним параметром, и модель ответила заготовкой за 5 секунд. Это проблема доступа, а не модели.
• Strata Q2, лимит 64K (0 из 464): Наш заниженный лимит 64K оборвал код на середине. Прогон заменён запуском с лимитом 128K.
• Grok 4.7 (0 из 464): Партнёрский шлюз каждый раз обрывал поток посреди рассуждения, и модель не успевала выдать ни строки кода. Это проблема доступа, а не модели. Grok стоит проверить через прямой API xAI. Три попытки оборвались на 383-й, 652-й и 252-й секунде.