GLM 5.2 vs GPT-6 Luna
料金・コンテキスト長・実際の回答で比較（2026年11月時点）
GLM 5.2（Z.ai）とGPT-6 Luna（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-6 Luna | |
|---|---|---|
| 提供元 | Z.ai | OpenAI |
| 入力（100万トークンあたり） | ¥235.2 | ¥16.8 |
| 出力（100万トークンあたり） | ¥739.2 | ¥84 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥605 | ¥59 |
| 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 | 2026/9/22 |
| 入力モダリティ | text | file, image, text |
| 生成速度 (p50) | 84 トークン/秒 (n=15) | 82 トークン/秒 (n=25) |
| アリーナ 総合 | #38 · ELO 1,475 | #97 · ELO 1,441 |
| アリーナ 日本語 | #39 · ELO 1,455 | #73 · ELO 1,421 |
| アリーナ コーディング | #47 · ELO 1,514 | #66 · ELO 1,506 |
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、2026-10-28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GPT-6 Luna。出力100万トークンあたり¥84で、GLM 5.2より89%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（38位。GPT-6 Lunaは97位）。
- 日本語の評価はアリーナ順位でGLM 5.2が上です（39位。GPT-6 Lunaは73位）。
- コーディングの評価はアリーナ順位でGLM 5.2が上です（47位。GPT-6 Lunaは66位）。
- 長い文書を扱うならGPT-6 Luna。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-6 Luna
`price` が数値ではなく文字列として取得されている可能性があります。金額は文字列のまま計算せず、数値型に変換してください。金額の計算には、浮動小数点数の誤差を避けるため `Decimal` を使うのがおすすめです。
```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 in orders
, Decimal("0"))
return {"user_id": user_id, "total": total, "orders": orders}
```
`quantity` も文字列で返る場合を考慮して `int()` で変換しています。なお、値が `None` や数値に変換できない文字列の場合は別途エラー処理が必要です。
また、標準的な Python では `"100" * 2` は文字列の繰り返しになるため、提示された `str` と `int` の掛け算だけなら、記載のエラーには通常なりません。文字列のまま計算すると、その後の `sum()` で別の型エ…
応答時間 11.7秒出力 1121 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-6 Luna
主な改善点は、型の明確化、HTTPエラーの確認、ループ状態の簡素化です。
### 改善例
```ts
interface ApiUser {
id: string | number;
first_name: string;
last_name: string;
email: string;
status: string;
}
interface UsersResponse {
users: ApiUser[];
}
interface UserSummary {
id: string | number;
name: string;
email: string;
}
const PAGE_SIZE = 100;
async function fetchAllUsers(startPage = 1): Promise<UserSummary[]> {
if (!Number.isInteger(startPage) || startPage < 1) {
throw new RangeError("startPage must be a positive integer");
}
const allUsers: UserSummary[] = [];
for (let page = startPage; ; page++) {
const params = new URLSearchParams({
page: String(page),
limit: String(PAGE…
応答時間 16.0秒出力 1532 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-6 Luna
まず、現在のクエリでは `reviews` と `order_details` を同時に結合しているため、注文明細数 × レビュー数の行ができ、`SUM` や `AVG` が水増しされる可能性があります。先にそれぞれを商品単位で集計し、その結果を結合するのが基本です。
また、`WHERE o.created_at >= ...` は `LEFT JOIN` した `orders` のNULL行を除外します。つまり、このクエリは実質的に「条件に合う注文がある商品だけ」を返しています。以下はその商品選択を保ちつつ、集計の水増しを避ける書き換え例です。
```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 active_products p
JOIN order_details od
ON od.product_id = p.id
JOIN orders o
ON o.order_id = od.order_id
AND o.status = '完了'
AND o.created_at >= TIMESTAMP '2024-04-01'
GROUP BY…
応答時間 27.3秒出力 2871 トークン
よくある質問
- GLM 5.2とGPT-6 Luna、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-6 Lunaは¥84で、GPT-6 Lunaの方が安くなります（FastMetalの円建て単価・税別）。
- GLM 5.2とGPT-6 Lunaのコンテキスト長の違いは？
- GLM 5.2は1,048,576トークン、GPT-6 Lunaは1,050,000トークンです。
- GLM 5.2とGPT-6 Luna、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 5.2が上です（GLM 5.2 39位、GPT-6 Luna 73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-6 Luna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-6-luna" 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-6 Luna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。