モデル比較

GLM 5.1 vs GLM 5.3

料金・コンテキスト長・実際の回答で比較(2026年8月時点)

GLM 5.1(Z.ai)とGLM 5.3(Z.ai)を、FastMetalのゲートウェイで実際に呼び出せる条件で比較します。どちらも同じOpenAI互換エンドポイントとAPIキーから利用でき、切り替えは model の文字列を変えるだけです。

スペックと料金

z-ai logoGLM 5.1z-ai logoGLM 5.3
提供元Z.aiZ.ai
入力(100万トークンあたり)¥250.18¥250.18
出力(100万トークンあたり)¥786.28¥786.28
想定コスト(入力1,000・出力500トークン × 1,000回)¥643¥643
コンテキスト長204,800 トークン1,048,576 トークン
リリース日2026/4/72026/8/18
入力モダリティtexttext
アリーナ 総合#41 · ELO 1,466#15 · ELO 1,484
アリーナ 日本語#49 · ELO 1,430圏外
アリーナ コーディング#36 · ELO 1,514#11 · ELO 1,531

料金はFastMetalの円建て単価(税別)。アリーナ順位は公開リーダーボードの最新取得時点の値です。

どちらを選ぶべきか

  • 出力料金は同額(100万トークンあたり¥786.28)です。
  • 総合の評価はアリーナ順位でGLM 5.3が上です(15位。GLM 5.1は41位)。
  • コーディングの評価はアリーナ順位でGLM 5.3が上です(11位。GLM 5.1は36位)。
  • 長い文書を扱うならGLM 5.3。コンテキスト長は1,048,576トークンで、GLM 5.1の204,800トークンより広くとれます。
  • 迷ったら両方を同じキーで試せます。model の文字列を変えるだけで切り替わり、料金はそれぞれの単価で従量課金されます。

同じプロンプトへの実際の回答

FastMetalのゲートウェイが返した回答をそのまま並べています。ベンチマークの数字ではなく、実際の出力です。

このエラーをデバッグして

以下のエラーがPythonアプリケーションで発生しています。原因を特定して修正してください。 Traceback (most recent call last): File "app.py", line 23, in get_user_orders total = sum(order["price"] * order["quantity"] for order in orders) TypeError: unsupport…

GLM 5.1

## 原因 エラーメッセージ `TypeError: unsupported operand type(s) for *: 'str' and 'int'` は、「文字列型と整数型は掛け算(`*`)できない」というエラーです。 該当コードの以下の部分で、`order["price"]` または `order["quantity"]` のいずれか(または両方)が文字列型として渡されていることが原因です。 ```python total = sum(order["price"] * order["quantity"] for order in orders) ``` データベースからデータを取得する際、カラムの型が数値(INTやDECIMALなど)であっても、使用しているDBドライバ(MySQLdbやpsycopg2など)の設定や、DB側のカラムの定義によっては、Python側で文字列として取得されることがよくあります。 ## 修正方法 計算を行う前に、`order["price"]` と `order["quantity"]` を適切な数値型(`float` や `int`)に変換(キャスト)してから計算するように修正します。 ### 修正後のコード ```python def get_user_orders(user_id): orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id) # priceは小数の可能性があるためflo…
応答時間 14.6秒出力 1620 トークン

GLM 5.3

## 原因 `TypeError: unsupported operand type(s) for *: 'str' and 'int'` は、**文字列と数値を掛け算しようとして失敗**したエラーです。エラーメッセージの並びから、`order["price"]` が文字列(`'1000'` など)、`order["quantity"]` が整数で返されていると推測できます。 つまり、DBから取得した値の型が期待(数値)と異なっています。典型的な要因は: 1. **`price` カラムが `VARCHAR` / `TEXT` などの文字列型で定義されている**(最も可能性が高い) 2. `DECIMAL` 型カラムを、ドライバーの設定や `db.query()` ラッパーの処理によって文字列として受け取っている 3. JSON 経由などで一度文字列化されたデータを使っている ## 確認方法 まず実際の型を確認してください: ```python print(type(orders[0]["price"]), repr(orders[0]["price"])) print(type(orders[0]["quantity"]), repr(orders[0]["quantity"])) # 例: <class 'str'> '1000' ← これが原因 ``` スキーマも確認します(MySQLの例): ```sql SELECT column_name, data_type FROM information_schema.columns WHERE table_…
応答時間 93.0秒出力 7073 トークン

コードレビュー

以下のTypeScript関数をレビューして、可読性・パフォーマンス・ベストプラクティスの観点から改善点を提案してください。 async function fetchAllUsers(page: number = 1): Promise<any[]> { let allUsers: any[] = []; let hasMore = true; let currentPage = page; while (hasMo…

GLM 5.1

ご提示いただいた `fetchAllUsers` 関数を、可読性・パフォーマンス・ベストプラクティスの観点からレビューいたします。 全体的なロジックはシンプルで理解しやすいですが、TypeScriptの型安全性やエラーハンドリング、メモリ効率などの面でいくつか改善の余地があります。 --- ### 1. 型安全性(ベストプラクティス) **問題点:** `any[]` や暗黙の `any` 型が使われており、TypeScriptの利点(型による安全性やエディタの補完)が活かされていません。 **改善案:** APIのレスポンスと、関数の返り値に対して明示的な `interface` または `type` を定義します。 ### 2. エラーハンドリング(ベストプラクティス) **問題点:** `fetch` や `response.json()` が失敗した場合の考慮がありません。ネットワークエラーやAPI側のエラー(4xx, 5xx)が発生した際、意図しない挙動や謎のエラーに繋がります。 **改善案:** `response.ok` をチェックし、エラーの場合は適切に例外をスローするか、ハンドリングを行います。 ### 3. 可読性の向上(可読性) **問題点:** * `for (let i = 0; i < data.users.length; i++)` という古典的なル3項演算子のループは、インデックスアクセスが多く可読性が低いです。 * `let user` と宣言していますが、再代入されていないため `const` を使うべきです。 * `first_n…
応答時間 104.3秒出力 3444 トークン

GLM 5.3

# コードレビュー 全体的にロジックは正しく動作しますが、いくつかの改善点があります。カテゴリ別に整理します。 ## 1. 型安全性 **課題:`any` の使用** `Promise<any[]>` や `allUsers: any[]` はTypeScriptの型チェックを無効化しており、タイポや存在しないプロパティへのアクセスを実行時まで検出できません。 ```typescript // APIレスポンスと返却値の型を定義すべき interface ApiUser { id: number; first_name: string; last_name: string; email: string; status: 'active' | 'deleted'; } interface User { id: number; name: string; email: string; } ``` ## 2. エラー処理 **課題:`response.ok` のチェックがない** HTTP 404 や 500 でも `fetch` は例外を投げず、`response.json()` が失敗するか意図しないデータを返します。また、ネットワークエラー時の挙動も考慮されていません。 ```typescript const response = await fetch(url); if (!response.ok) { throw new Error(`ユーザー取得に失敗しました (status: ${response.status})…
応答時間 42.3秒出力 3589 トークン

SQLクエリの最適化

以下のSQLクエリは500万行のテーブルに対して実行すると30秒以上かかります。最適化してください。 SELECT p.product_name, c.category_name, COUNT(o.order_id) as order_count, SUM(o.amount) as total_sales, AVG(r.rating) as avg_rating FROM products p LEFT JOIN…

GLM 5.1

500万行のテーブルに対するクエリが30秒以上かかる原因は、単にインデックスが不足しているだけでなく、**SQLの書き方自体に深刻な論理的バグ(ファンアウトによる集計値の歪み)とパフォーマンス問題**が含まれています。 最適化されたクエリと、改善点の詳細な解説を以下に示します。 ### 最適化されたクエリ ```sql WITH order_summary AS ( -- 1. 注文関連は先に商品単位で集計しておく SELECT od.product_id, COUNT(o.order_id) AS order_count, SUM(o.amount) AS total_sales FROM orders o JOIN order_details od ON od.order_id = o.order_id WHERE o.status = '完了' AND o.created_at >= '2024-04-01' GROUP BY od.product_id ), review_summary AS ( -- 2. レビューも先に商品単位で集計しておく SELECT r.product_id, AVG(r.rating) AS avg_rating FROM reviews r GROUP BY r.product_id ) SELECT p.product_name, c.category_name, COALESCE(os.order_count, 0) AS ord…
応答時間 94.1秒出力 4545 トークン

GLM 5.3

# ボトルネックの分析 このクエリが遅い原因は大きく4つあり、中には**速度だけでなく集計結果が誤る致命的な問題**も含まれています。 ### 1. ファンアウト(多対多結合)による行の爆発 ← 最重要 `order_details`(1商品に複数行)と `reviews`(1商品に複数行)を同じ `product_id` で結合しているため、**掛け算で行が膨張**します。 例:ある商品に注文明細100件・レビュー20件 → 結合後に **2,000行** 生成。500万行テーブルでは中間結果が数千万〜数億行になり、GROUP BYとソートが破綻します。 しかも集計値も不正確になります: - `COUNT(o.order_id)` … 注文数×レビュー数で過大計上 - `SUM(o.amount)` … レビュー数分だけ多重カウント - `AVG(r.rating)` … 注文数の多い商品の評価が不当に重み付けされる ### 2. WHERE句がLEFT JOINの意味を壊している `WHERE o.created_at >= '2024-04-01'` は `o.created_at` がNULLの行(=受注のない商品)を除外するため、`orders` へのLEFT JOINは**実質INNER JOIN**です。意図が「全商品を出す」ならバグ、「受注ありのみ」ならINNER JOINと明示すべきです。 ### 3. 外部キー列にインデックスがない `order_details.product_id`、`reviews.product_id`、`order…
応答時間 85.5秒出力 6256 トークン

他のプロンプトでも比較する →

よくある質問

GLM 5.1とGLM 5.3、料金はどちらが安いですか?
出力100万トークンあたりの単価はどちらも¥786.28で同額です(FastMetalの円建て単価・税別)。
GLM 5.1とGLM 5.3のコンテキスト長の違いは?
GLM 5.1は204,800トークン、GLM 5.3は1,048,576トークンです。
GLM 5.1とGLM 5.3、評価が高いのはどちらですか?
公開アリーナの順位ではGLM 5.3が上です(GLM 5.1 49位、GLM 5.3 15位)。順位はリーダーボードの更新で変わります。
GLM 5.1とGLM 5.3を同じAPIキーで使えますか?
はい。FastMetalのOpenAI互換エンドポイントで、model に "glm-5.1" または "glm-5.3" を指定するだけで切り替えられます。料金はそれぞれの単価で、同じ前払い残高から従量課金されます。

どちらも同じAPIキーで試せます

アカウントを作成してクレジットをチャージすれば、GLM 5.1とGLM 5.3をブラウザのチャットとAPIの両方から呼び出せます。月額料金はありません。

GLM 5.1の他の比較

GLM 5.3の他の比較