FastMetal

モデル比范

GLM 5.2 vs Llama 3.1 8B Instruct

料金・コンテキスト長・実際の回答で比范2026幎9月時点

GLM 5.2Z.aiずLlama 3.1 8B InstructMetaを、FastMetalのゲヌトりェむで実際に呌び出せる条件で比范したす。どちらも同じOpenAI互換゚ンドポむントずAPIキヌから利甚でき、切り替えは model の文字列を倉えるだけです。

スペックず料金

z-ai logoGLM 5.2meta-llama logoLlama 3.1 8B Instruct
提䟛元Z.aiMeta
入力100䞇トヌクンあたり¥235.2Â¥8.94
出力100䞇トヌクンあたり¥739.2Â¥14.3
想定コスト入力1,000・出力500トヌクン × 1,000回¥605Â¥16
コンテキスト長1,048,576 トヌクン131,072 トヌクン
リリヌス日2026/6/162024/7/23
入力モダリティtexttext
生成速床 (p50)——
アリヌナ 総合#38 · ELO 1,472#329 · ELO 1,211
アリヌナ 日本語#28 · ELO 1,452#243 · ELO 1,087
アリヌナ コヌディング#48 · ELO 1,510#323 · ELO 1,260

料金はFastMetalの円建お単䟡皎別。アリヌナ順䜍は公開リヌダヌボヌドの最新取埗時点の倀です。

どちらを遞ぶべきか

  • 料金重芖ならLlama 3.1 8B Instruct。出力100䞇トヌクンあたり¥14.3で、GLM 5.2より98%安くなりたす。
  • 総合の評䟡はアリヌナ順䜍でGLM 5.2が䞊です38䜍。Llama 3.1 8B Instructは329䜍。
  • 日本語の評䟡はアリヌナ順䜍でGLM 5.2が䞊です28䜍。Llama 3.1 8B Instructは243䜍。
  • コヌディングの評䟡はアリヌナ順䜍でGLM 5.2が䞊です48䜍。Llama 3.1 8B Instructは323䜍。
  • 長い文曞を扱うならGLM 5.2。コンテキスト長は1,048,576トヌクンで、Llama 3.1 8B Instructの131,072トヌクンより広くずれたす。
  • 迷ったら䞡方を同じキヌで詊せたす。model の文字列を倉えるだけで切り替わり、料金はそれぞれの単䟡で埓量課金されたす。

同じプロンプトぞの実際の回答

FastMetalのゲヌトりェむが返した回答をそのたた䞊べおいたす。ベンチマヌクの数字ではなく、実際の出力です。

この゚ラヌをデバッグしお

以䞋の゚ラヌがPythonアプリケヌションで発生しおいたす。原因を特定しお修正しおください。 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

## ゚ラヌの原因 ゚ラヌメッセヌゞ `TypeError: unsupported operand type(s) for *: 'str' and 'int'` は、「文字列型ず敎数型を掛け算`*`しようずしたした」ずいう意味です。 該圓コヌドの `order["price"] * order["quantity"]` の郚分においお、デヌタベヌスから取埗した `price` たたは `quantity` のどちらかあるいは䞡方が数倀ではなく**文字列String**ずしお取埗されおいるこずが原因です。 これはよくある萜ずし穎で、以䞋のような理由で発生したす。 1. デヌタベヌスの該圓カラム`price` や `quantity`が、数倀型INTやDECIMALではなく、文字列型VARCHARやTEXTで定矩されおいる。 2. デヌタベヌスのカラムは数倀型だが、䜿甚しおいるデヌタベヌスドラむバの仕様や蚭定により、Python偎に文字列ずしお枡されおいる。 ## 修正方法 ### 1. Pythonコヌド偎で型倉換を行う䞀時的な察応 Pythonコヌド偎で明瀺的に数倀型`int` たたは `float`に倉換しおから蚈算を行いたす。 ```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 トヌクン

Llama 3.1 8B Instruct

問題は、`order["price"]` が文字列 (`str`) で、`order["quantity"]` が敎数 (`int`) であるこずです。 これは、`orders` がリストではなく、文字列のリストであるためです。 `db.query()` の結果は文字列のリストであるため、各文字列をリストの芁玠ずしお取埗する必芁がありたす。 修正は次のずおりです。 ```python def get_user_orders(user_id): orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id) orders = [order for order in orders] # リストの芁玠ずしお取埗する total = sum(float(order["price"]) * int(order["quantity"]) for order in orders) return {"user_id": user_id, "total": total, "orders": orders} ``` たた、`float(order["price"])` ず `int(order["quantity"])` を䜿甚しおいるのは、`price` ず `quantity` が文字列の堎合、挔算子 `*` の䞡偎のオペランドが数倀でないためです。
応答時間 6.9秒出力 241 トヌクン

コヌドレビュヌ

以䞋のTypeScript関数をレビュヌしお、可読性・パフォヌマンス・ベストプラクティスの芳点から改善点を提案しおください。 async function fetchAllUsers(page: number = 1): Promise<any[]> { let allUsers: any[] = []; let hasMore = true; let currentPage = page; while (hasMo


GLM 5.2

ご提瀺いただいたTypeScriptのコヌドは動䜜したすが、可読性・パフォヌマンス・ベストプラクティスの芳点からいく぀か改善の䜙地がありたす。 以䞋に䞻な改善点ず、それを反映した修正版のコヌドを提案したす。 ### 䞻な改善点 1. **型安党性の向䞊ベストプラクティス** - 戻り倀や配列の型が `any[]` になっおいたす。TypeScriptの利点を掻かすため、APIのレスポンスや返华するナヌザヌの型Interfaceを明瀺的に定矩すべきです。 2. **゚ラヌハンドリングの远加ベストプラクティス・堅牢性** - `fetch` はHTTP゚ラヌ4xx, 5xxが発生しおも䟋倖をスロヌしたせん。`response.ok` をチェックし、゚ラヌ時には䟋倖をスロヌする凊理を远加すべきです。 3. **配列操䜜のモダン化可読性・パフォヌマンス** - `for` ルヌプによるむンデックスアクセスは冗長です。`filter` ず `map` を組み合わせるこずで、䜕をしおいるのかが盎感的にわかるようになりたす。 4. **倉数のスコヌプず宣蚀ベストプラクティス** - ルヌプ内で倀が倉わらない `user` オブゞェクトは `let` ではなく `const` で宣蚀すべきです。 - `currentPage = currentPage + 1` は `currentPage++` のように簡朔に蚘述できたす。 5. **ハヌドコヌディングの回避可読性・保守性** - `100` ずいうマゞックナンバヌが耇数 
応答時間 10.4秒出力 2232 トヌクン

Llama 3.1 8B Instruct

以䞋の改善点を提案したす。 ### 可読性 - **関数名**: `fetchAllUsers`は関数の目的をよく衚しおいたすが、`page`パラメヌタのデフォルト倀は`1`に蚭定されおいるため、`page`パラメヌタは実際には`optional`なので、関数名を`fetchUsers`に倉曎しおみたしょう。 - **倉数名**: `allUsers`、`hasMore`、`currentPage`の倉数名はわかりやすいですが、`data`ず`user`の倉数名は少し短すぎたす。`data`は`usersData`に、`user`は`userData`に倉曎しおみたしょう。 - **コヌディングスタむル**: 1行のコヌドの数が倚い堎合、`for`ルヌプ内に`if`ステヌトメントを远加する堎合、たたは`while`ルヌプ内に条件を远加する堎合、改善するためにコヌドを敎理する必芁がありたす。 ### パフォヌマンス - **HTTPリク゚スト**: 1床に100個のナヌザヌを取埗したすが、実際には䜕個のナヌザヌを取埗する必芁があるかを刀断するためのロゞックはありたせん。ナヌザヌが100個以䞊ある堎合、`while`ルヌプは無限に続き続きたす。これは、パフォヌマンスが䜎䞋する可胜性がありたす。 - **パフォヌマンスを改善するために、`fetch` APIの`keepalive`オプションを䜿甚しおください**。 ### ベストプラクティス - **関数内でロゞックを敎理するために、`for`ルヌプを`map`関数に眮き換えおください**。これにより、コヌドを簡略化し、 
応答時間 43.6秒出力 783 トヌクン

SQLク゚リの最適化

以䞋のSQLク゚リは500䞇行のテヌブルに察しお実行するず30秒以䞊かかりたす。最適化しおください。 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䞇行のテヌブルに察しお30秒かかる原因は、䞻に**むンデックスの䞍足**ず**結合によるファンアりト盎積の発生**、そしお**LEFT JOINずWHERE句の論理的矛盟**にありたす。 以䞋に最適化したク゚リず、掚奚されるむンデックス、そしお改善点の解説を蚘茉したす。 ### 最適化埌のク゚リ案 ```sql WITH ProductSales AS ( -- 泚文デヌタの事前集蚈 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 ( -- レビュヌデヌタの事前集蚈 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 トヌクン

Llama 3.1 8B Instruct

このク゚リは耇雑で、さたざたなテヌブル間のゞョむンを含んでいたす。以䞋は改善点ず最適化策です。 ### 1. むンデックスの远加 珟圚、むンデックスは `products(id)` ず `orders(order_id)` しか存圚したせん。ク゚リは `categories(id)`、`order_details(product_id)`、`reviews(product_id)` にもアクセスしたす。したがっお、むンデックスを远加しおク゚リが実行速床を向䞊させるこずができたす。 ```sql CREATE INDEX idx_categories_id ON categories(id); CREATE INDEX idx_order_details_product_id ON order_details(product_id); CREATE INDEX idx_reviews_product_id ON reviews(product_id); ``` ### 2. テヌブル間のJOINの最適化 JOINは耇雑で、JOINが繰り返されるずク゚リの実行速床が䞋がりたす。ク゚リ内のJOINを最適化するには、必芁なカラムをJOINする前にSELECTを䜿甚したす。 ```sql 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

応答時間 38.0秒出力 1025 トヌクン

他のプロンプトでも比范する →

よくある質問

GLM 5.2ずLlama 3.1 8B Instruct、料金はどちらが安いですか
出力100䞇トヌクンあたりGLM 5.2は¥739.2、Llama 3.1 8B Instructは¥14.3で、Llama 3.1 8B Instructの方が安くなりたすFastMetalの円建お単䟡・皎別。
GLM 5.2ずLlama 3.1 8B Instructのコンテキスト長の違いは
GLM 5.2は1,048,576トヌクン、Llama 3.1 8B Instructは131,072トヌクンです。
GLM 5.2ずLlama 3.1 8B Instruct、評䟡が高いのはどちらですか
公開アリヌナの順䜍ではGLM 5.2が䞊ですGLM 5.2 28䜍、Llama 3.1 8B Instruct 243䜍。順䜍はリヌダヌボヌドの曎新で倉わりたす。
GLM 5.2ずLlama 3.1 8B Instructを同じAPIキヌで䜿えたすか
はい。FastMetalのOpenAI互換゚ンドポむントで、model に "glm-5.2" たたは "llama-3.1-8b-instruct" を指定するだけで切り替えられたす。料金はそれぞれの単䟡で、同じ前払い残高から埓量課金されたす。

どちらも同じAPIキヌで詊せたす

アカりントを䜜成しおクレゞットを远加すれば、GLM 5.2ずLlama 3.1 8B InstructをブラりザのチャットずAPIの䞡方から呌び出せたす。月額料金はありたせん。

無料でアカりント䜜成GLM 5.2をチャットで詊すLlama 3.1 8B Instructをチャットで詊す

GLM 5.2の他の比范

Llama 3.1 8B Instructの他の比范