モデル比較

GLM 5.1 vs LLM-jp-3.1 8x13B instruct4

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LLM-jp-3.1 8x13B instruct4(Llm Jp)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 5.1LLM-jp-3.1 8x13B instruct4
提供元Z.aiLlm Jp
入力(100万トークンあたり)¥250.18¥16
出力(100万トークンあたり)¥786.28¥79
想定コスト(入力1,000・出力500トークン × 1,000回)¥643¥56
コンテキスト長204,800 トークン4,096 トークン
リリース日2026/4/72026/3/21
入力モダリティtexttext
アリーナ 総合#41 · ELO 1,466圏外
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圏外

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

  • 料金重視ならLLM-jp-3.1 8x13B instruct4。出力100万トークンあたり¥79で、GLM 5.1より90%安くなります。
  • 長い文書を扱うならGLM 5.1。コンテキスト長は204,800トークンで、LLM-jp-3.1 8x13B instruct4の4,096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

LLM-jp-3.1 8x13B instruct4

このエラーは、データベースから取得した注文リストに含まれる辞書型データの `price` と `quantity` の値が整数ではなく文字列になっていることが原因です。 `sum` 関数に渡されるジェネレータ式の中で、文字列と整数を乗算しようとしているため、 `TypeError` が発生しています。 この問題を解決するには、 `price` と `quantity` の値を取得する際に、適切に型変換を行う必要があります。以下のように修正しましょう。 ```python def get_user_orders(user_id): orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id) total = sum(order["price"] * int(order["quantity"]) for order in orders) return {"user_id": user_id, "total": total, "orders": orders} ``` この修正では、 `order["quantity"]` の値を取得後、 `int()` 関数を使って整数に変換しています。これにより、ジェネレータ式の中で適切に乗算が行われ、エラーが解消されます。 ただし、 `quantity` の値が負の数の場合、 `int()` 関数を使用するとマイナスの符号が消えてしまいます。もし、 `quantity` が負の数であってもそのままマイナスの符…
応答時間 4.9秒出力 523 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

LLM-jp-3.1 8x13B instruct4

このTypeScript関数にはいくつかの改善点があります。以下に、可読性、パフォーマンス、ベストプラクティスを考慮したレビューと改良提案を示します。 1. ページングとリミットのロジックを修正し、APIからの全ての情報を取得した後にフィルタリングを行うことでパフォーマンスを向上させます。 2. undefinedやnullのチェックを追加し、型注釈を改善します。 3. 再帰的なアプローチを避け、イテレーティブな方法に変更して可読性を向上させます。 改良後、関数は以下のようになります。 ```typescript async function fetchAllUsers(page: number = 1): Promise<any[]> { const PER_PAGE_LIMIT = 100; const ALL_USERS: any[] = []; while (true) { const response = await fetch(`/api/users?page=${page}&limit=${PER_PAGE_LIMIT}`); if (!response.ok) { throw new Error('Failed to fetch users'); } const data = await response.json(); if (data.users.length === 0) { break; } const filteredUsers: any[] = d…
応答時間 4.5秒出力 552 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

LLM-jp-3.1 8x13B instruct4

このSQLクエリの最適化にはいくつかのステップが必要です。以下に各改善点とその理由を説明します。 ### 1. インデックスの追加 現在のインデックスは `products(id)` と `orders(order_id)` のみのようですが、他にも必要なインデックスを追加することでクエリのパフォーマンスを向上させることができます。 #### 追加すべきインデックス: - `categories(id)`: `LEFT JOIN categories` で使用されているため、インデックスを追加することで結合が高速化されます。 - `order_details(product_id, order_id)`: `LEFT JOIN order_details` で使用されているため、複合インデックスを追加することで結合が高速化されます。 - `reviews(product_id)`: `LEFT JOIN reviews` で使用されているため、インデックスを追加することで結合が高速化されます。 - `orders(created_at)`: `WHERE o.created_at >= '2024-04-01'` でフィルタリングされているため、インデックスを追加することでフィルタリングが高速化されます。 ### 2. クエリのリファクタリング クエリ自体をリファクタリングすることで、不要な結合やサブクエリを避け、パフォーマンスを向上させることができます。 #### 改善点: - サブクエリの使用: 一部の集計をサブクエリとして分離することで、メインクエリの負荷を軽減す…
応答時間 7.9秒出力 917 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LLM-jp-3.1 8x13B instruct4、料金はどちらが安いですか?
出力100万トークンあたりGLM 5.1は¥786.28、LLM-jp-3.1 8x13B instruct4は¥79で、LLM-jp-3.1 8x13B instruct4の方が安くなります(FastMetalの円建て単価・税別)。
GLM 5.1とLLM-jp-3.1 8x13B instruct4のコンテキスト長の違いは?
GLM 5.1は204,800トークン、LLM-jp-3.1 8x13B instruct4は4,096トークンです。
GLM 5.1とLLM-jp-3.1 8x13B instruct4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 "llm-jp-3.1-8x13b-instruct4" 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LLM-jp-3.1 8x13B instruct4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

LLM-jp-3.1 8x13B instruct4の他の比較