ブログ
GLM-5.3 が利用可能になりました
Z.ai の最新モデル GLM-5.3 が FastMetal で利用可能に。複雑なソフトウェアエンジニアリングと長時間のエージェントタスク向けに構築された大規模推論モデルです。
Grok 4.6 vs GPT-5.6 Terra：一点突破の Grok、守備範囲の Terra
xAI の Grok 4.6 と OpenAI の GPT-5.6 Terra を比較。ほぼ同じ価格帯に並ぶ2つの実力派モデルの、文脈長・得意分野・使い分けの判断軸を解説します。
構造化出力（JSON）で確実にパースする：response_formatの使い方
「JSONで返して」とお願いするのはやめましょう。response_formatにJSON Schemaを渡せば、スキーマに沿ったJSONが返ります。プロンプト頼みとの違いと実装をコード付きで解説します。
LLMリーダーボードの読み方：総合順位がいちばん役に立たない理由
総合1位と20位のElo差はわずか77点。勝率にすると61%で、ほぼ互角です。実データを使って、リーダーボードのどこを見るべきか、なぜ総合順位でモデルを選ぶと失敗するのかを解説します。
Claude Opus 5 レビュー・評判：エージェント的コーディングに全振りしたフラッグシップ
Claude Opus 5 を実データでレビュー。総合5〜7位ですが、数学は2位、マルチターンは19位とカテゴリで大きく振れます。得意不得意、high と max の違い、日本語での位置づけ、コストまで正直に整理します。
ツール呼び出し（Tool Calling）を実装する：4ステップの往復
モデルは関数を実行しません。実行するのは自分のコードです。tools定義からtool_callsの受け取り、実行結果の返し方まで、モデルを差し替えても動く4ステップのループをコード付きで解説します。
RAG vs ロングコンテキスト：全部渡す方式は本当に安いのか
「100万トークン入るならRAGは不要」という話は本当か。毎回100万トークンを渡す方式は、検索して5,000トークンだけ渡すRAGの約200倍の入力トークンを使います。キャッシュ、精度、規模の観点から判断基準を整理します。
LLMに画像を読ませる：Vision APIの使い方（無料モデルで試せます）
画像をLLMに渡すには、contentを文字列ではなく配列にしてimage_urlを追加します。data URIとURLの使い分け、画像トークンの実測値、無料モデルでの試し方をコード付きで解説します。
ローカルLLMをOllamaで動かす：始め方とメモリの壁
Ollamaなら3コマンドでローカルLLMが動きます。OpenAI互換なので既存コードもそのまま使えます。その上で、モデルサイズとメモリの計算式、ローカルで無理が出る境界まで実務目線で解説します。
Meta の Muse Glimmer 30B が利用可能になりました
Meta が Apache 2.0 で公開した 30B の高密度マルチモーダルモデル Muse Glimmer が FastMetal で使えるようになりました。エージェント用途に最適化され、画像入力と 131k トークン文脈に対応します。