GLM 5.2 vs GPT-5.6 Terra
料金・コンテキスト長・実際の回答で比較（2026年10月時点）
GLM 5.2（Z.ai）とGPT-5.6 Terra（OpenAI）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
 GLM 5.2 |  GPT-5.6 Terra | |
|---|---|---|
| 提供元 | Z.ai | OpenAI |
| 入力（100万トークンあたり） | ¥235.2 | ¥336 |
| 出力（100万トークンあたり） | ¥739.2 | ¥2,016 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥605 | ¥1,344 |
| コンテキスト長 | 1,048,576 トークン | 1,050,000 トークン |
| リリース日 | 2026/6/16 | 2026/7/9 |
| 入力モダリティ | text | file, image, text |
| 生成速度 (p50) | — | 192 トークン/秒 (n=26) |
| アリーナ 総合 | #33 · ELO 1,475 | #50 · ELO 1,466 |
| アリーナ 日本語 | #35 · ELO 1,455 | #23 · ELO 1,475 |
| アリーナ コーディング | #50 · ELO 1,512 | #43 · ELO 1,516 |
料金はFastMetalの単価（税別）です。
順位データ: LMArena leaderboard dataset（lmarena-ai/leaderboard-dataset、CC BY 4.0、2026-10-08時点）。カテゴリ名の対応付けとスコアの丸めはFastMetalによる。
どちらを選ぶべきか
- 料金重視ならGLM 5.2。出力100万トークンあたり¥739.2で、GPT-5.6 Terraより63%安くなります。
- 総合の評価はアリーナ順位でGLM 5.2が上です（33位。GPT-5.6 Terraは50位）。
- 日本語の評価はアリーナ順位でGPT-5.6 Terraが上です（23位。GLM 5.2は35位）。
- コーディングの評価はアリーナ順位でGPT-5.6 Terraが上です（43位。GLM 5.2は50位）。
- 長い文書を扱うならGPT-5.6 Terra。コンテキスト長は1,050,000トークンで、GLM 5.2の1,048,576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 5.2
## エラーの原因
エラーメッセージ `TypeError: unsupported operand type(s) for *: 'str' and 'int'` は、「文字列型と整数型を掛け算（`*`）しようとしました」という意味です。
該当コードの `order["price"] * order["quantity"]` の部分において、データベースから取得した `price` または `quantity` のどちらか（あるいは両方）が数値ではなく**文字列（String）**として取得されていることが原因です。
これはよくある落とし穴で、以下のような理由で発生します。
1. データベースの該当カラム（`price` や `quantity`）が、数値型（INTやDECIMAL）ではなく、文字列型（VARCHARやTEXT）で定義されている。
2. データベースのカラムは数値型だが、使用しているデータベースドライバの仕様や設定により、Python側に文字列として渡されている。
## 修正方法
### 1. Pythonコード側で型変換を行う（一時的な対応）
Pythonコード側で明示的に数値型（`int` または `float`）に変換してから計算を行います。
```python
def get_user_orders(user_id):
orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id)
# priceを float、…
応答時間 23.4秒出力 2031 トークン
GPT-5.6 Terra
原因は `order["price"]` が文字列（`str`）として取得されており、数値として扱えていないことです。
```python
order["price"] * order["quantity"]
```
で、例えば以下のような値になっているとエラーになります。
```python
price = "1000" # str
quantity = 2 # int
```
Pythonでは文字列と整数の乗算は本来 `"abc" * 2` のように文字列を繰り返す用途ですが、DBドライバや値の形式によっては数値演算として扱えず、今回のような例外になります。特に `price` が通貨記号・カンマ付き文字列・空文字などの場合も注意が必要です。
## 修正例
金額には浮動小数点数 (`float`) よりも `Decimal` を使うのが安全です。`float` は小数の丸め誤差が起きるためです。
```python
from decimal import Decimal
def get_user_orders(user_id):
orders = db.query(
"SELECT price, quantity FROM orders WHERE user_id = %s",
user_id
)
total = sum(
Decimal(str(order["price"])) * int(order["quantity"])
for order…
応答時間 7.4秒出力 761 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 5.2
ご提示いただいたTypeScriptのコードは動作しますが、可読性・パフォーマンス・ベストプラクティスの観点からいくつか改善の余地があります。
以下に主な改善点と、それを反映した修正版のコードを提案します。
### 主な改善点
1. **型安全性の向上（ベストプラクティス）**
- 戻り値や配列の型が `any[]` になっています。TypeScriptの利点を活かすため、APIのレスポンスや返却するユーザーの型（Interface）を明示的に定義すべきです。
2. **エラーハンドリングの追加（ベストプラクティス・堅牢性）**
- `fetch` はHTTPエラー（4xx, 5xx）が発生しても例外をスローしません。`response.ok` をチェックし、エラー時には例外をスローする処理を追加すべきです。
3. **配列操作のモダン化（可読性・パフォーマンス）**
- `for` ループによるインデックスアクセスは冗長です。`filter` と `map` を組み合わせることで、何をしているのかが直感的にわかるようになります。
4. **変数のスコープと宣言（ベストプラクティス）**
- ループ内で値が変わらない `user` オブジェクトは `let` ではなく `const` で宣言すべきです。
- `currentPage = currentPage + 1` は `currentPage++` のように簡潔に記述できます。
5. **ハードコーディングの回避（可読性・保守性）**
- `100` というマジックナンバーが複数…
応答時間 10.4秒出力 2232 トークン
GPT-5.6 Terra
以下の点を改善できます。
## 主な改善点
### 1. `any` を避けて型を定義する
`Promise<any[]>` や `let allUsers: any[]` では、APIレスポンスの変更やプロパティ名のミスをコンパイル時に検知できません。
- APIレスポンス用の型
- アプリケーション内で使うユーザー型
を分けて定義すると安全です。
### 2. HTTP エラーを確認する
`fetch` は HTTP 404 / 500 でも基本的に例外を投げません。`response.ok` を確認しないと、エラーページを JSON として処理しようとして原因が分かりにくくなります。
### 3. マジックナンバーを定数化する
`100` が複数箇所にあるため、ページサイズ変更時に修正漏れが起こり得ます。
### 4. `filter` と `map` で意図を明確にする
`for` ループ内でフィルタリング・変換・追加を行うより、`filter` と `map` を使うと「削除済みを除外して表示用データに変換する」という処理が読み取りやすくなります。
### 5. `hasMore` は不要
無限ループ + `break`、または `for` ループにすると状態変数を一つ減らせます。
### 6. URL クエリを安全に組み立てる
`URLSearchParams` を使うと、パラメータ追加時やエンコード漏れを防げます。
---
## 改善例
```ts
const PAGE_SIZE = 100;
type ApiUser = {
id:…
応答時間 18.5秒出力 1823 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 5.2
500万行のテーブルに対して30秒かかる原因は、主に**インデックスの不足**と**結合によるファンアウト（直積）の発生**、そして**LEFT JOINとWHERE句の論理的矛盾**にあります。
以下に最適化したクエリと、推奨されるインデックス、そして改善点の解説を記載します。
### 最適化後のクエリ案
```sql
WITH ProductSales AS (
-- 注文データの事前集計
SELECT
od.product_id,
COUNT(o.order_id) AS order_count,
SUM(o.amount) AS total_sales
FROM order_details od
JOIN orders o ON o.order_id = od.order_id
WHERE o.status = '完了'
AND o.created_at >= '2024-04-01'
GROUP BY od.product_id
),
ProductRatings AS (
-- レビューデータの事前集計
SELECT
product_id,
AVG(rating) AS avg_rating
FROM reviews
GROUP BY product_id
)
SELECT
p.product_name,
c.category_name,
COALESCE(ps.order_count, 0) AS order_count,
COALESCE(ps.tota…
応答時間 16.7秒出力 2525 トークン
GPT-5.6 Terra
主な遅延要因は、`order_details` と `reviews` を同時に `products` へ結合している点です。
1 商品に対して注文明細が N 件、レビューが M 件あると、結合結果は **N × M 行** になります。
その結果、遅いだけでなく、現在の `COUNT(o.order_id)` と `SUM(o.amount)` はレビュー件数分だけ水増しされます。
また、`LEFT JOIN orders` なのに `WHERE o.created_at >= ...` を指定しているため、実際には `orders` が存在する商品だけが残り、`LEFT JOIN` の意味が失われています。
## 推奨クエリ
注文集計とレビュー集計を先に商品単位で行い、その後に結合します。
```sql
WITH active_products AS (
SELECT
id,
product_name,
category_id
FROM products
WHERE is_active = true
),
sales AS (
SELECT
od.product_id,
COUNT(*) AS order_count,
SUM(o.amount) AS total_sales
FROM orders o
INNER JOIN order_details od
ON od.order_id = o.or…
応答時間 45.1秒出力 3997 トークン
よくある質問
- GLM 5.2とGPT-5.6 Terra、料金はどちらが安いですか？
- 出力100万トークンあたりGLM 5.2は¥739.2、GPT-5.6 Terraは¥2,016で、GLM 5.2の方が安くなります（FastMetalの円建て単価・税別）。
- GLM 5.2とGPT-5.6 Terraのコンテキスト長の違いは？
- GLM 5.2は1,048,576トークン、GPT-5.6 Terraは1,050,000トークンです。
- GLM 5.2とGPT-5.6 Terra、評価が高いのはどちらですか？
- 公開アリーナの順位ではGPT-5.6 Terraが上です（GLM 5.2 35位、GPT-5.6 Terra 23位）。順位はリーダーボードの更新で変わります。
- GLM 5.2とGPT-5.6 Terra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-5.2" または "gpt-5.6-terra" 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追加すれば、GLM 5.2とGPT-5.6 Terra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。