GLM 5.2 vs Llama 3.1 8B Instruct
料金・コンテキスト長・実際の回答で比較（2026年11月時点）
GLM 5.2（Z.ai）とLlama 3.1 8B Instruct（Meta）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 |  Llama 3.1 8B Instruct | |
|---|---|---|
| 提供元 | Z.ai | Meta |
| 入力（100万トークンあたり） | ¥235.2 | ¥3.36 |
| 出力（100万トークンあたり） | ¥739.2 | ¥6.72 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥605 | ¥7 |
| コンテキスト長 | 1,048,576 トークン | 131,072 トークン |
| リリース日 | 2026/6/16 | 2024/7/23 |
| 入力モダリティ | text | text |
| 生成速度 (p50) | 88 トークン/秒 (n=16) | 38 トークン/秒 (n=28) |
| アリーナ 総合 | #38 · ELO 1,475 | #346 · ELO 1,211 |
| アリーナ 日本語 | #39 · ELO 1,455 | #265 · ELO 1,087 |
| アリーナ コーディング | #47 · ELO 1,514 | #340 · ELO 1,259 |
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Llama 3.1 8B Instruct。出力100万トークンあたり¥6.72で、GLM 5.2より99%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。Llama 3.1 8B Instructは346位）。
- 日本語の評価はアリーナ順位でGLM 5.2が上です（39位。Llama 3.1 8B Instructは265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。Llama 3.1 8B Instructは340位）。
- 長い文書を扱うならGLM 5.2。コンテキスト長は1,048,576トークンで、Llama 3.1 8B Instructの131,072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
Llama 3.1 8B Instruct
問題は、`order["price"]` が文字列 (`str`) で、`order["quantity"]` が整数 (`int`) であることです。
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要素として取得する必要があります。
修正は次のとおりです。
```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] # リストの要素として取得する
total = sum(float(order["price"]) * int(order["quantity"]) for order in orders)
return {"user_id": user_id, "total": total, "orders": orders}
```
また、`float(order["price"])` と `int(order["quantity"])` を使用しているのは、`price` と `quantity` が文字列の場合、演算子 `*` の両側のオペランドが数値でないためです。
応答時間 6.9秒出力 241 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
Llama 3.1 8B Instruct
以下の改善点を提案します。
### 可読性
- **関数名**: `fetchAllUsers`は関数の目的をよく表していますが、`page`パラメータのデフォルト値は`1`に設定されているため、`page`パラメータは実際には`optional`なので、関数名を`fetchUsers`に変更してみましょう。
- **変数名**: `allUsers`、`hasMore`、`currentPage`の変数名はわかりやすいですが、`data`と`user`の変数名は少し短すぎます。`data`は`usersData`に、`user`は`userData`に変更してみましょう。
- **コーディングスタイル**: 1行のコードの数が多い場合、`for`ループ内に`if`ステートメントを追加する場合、または`while`ループ内に条件を追加する場合、改善するためにコードを整理する必要があります。
### パフォーマンス
- **HTTPリクエスト**: 1度に100個のユーザーを取得しますが、実際には何個のユーザーを取得する必要があるかを判断するためのロジックはありません。ユーザーが100個以上ある場合、`while`ループは無限に続き続きます。これは、パフォーマンスが低下する可能性があります。
- **パフォーマンスを改善するために、`fetch` APIの`keepalive`オプションを使用してください**。
### ベストプラクティス
- **関数内でロジックを整理するために、`for`ループを`map`関数に置き換えてください**。これにより、コードを簡略化し、…
応答時間 43.6秒出力 783 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
Llama 3.1 8B Instruct
このクエリは複雑で、さまざまなテーブル間のジョインを含んでいます。以下は改善点と最適化策です。
### 1. インデックスの追加
現在、インデックスは `products(id)` と `orders(order_id)` しか存在しません。クエリは `categories(id)`、`order_details(product_id)`、`reviews(product_id)` にもアクセスします。したがって、インデックスを追加してクエリが実行速度を向上させることができます。
```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. テーブル間のJOINの最適化
JOINは複雑で、JOINが繰り返されるとクエリの実行速度が下がります。クエリ内のJOINを最適化するには、必要なカラムをJOINする前にSELECTを使用します。
```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 トークン
よくある質問
- GLM 5.2とLlama 3.1 8B Instruct、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、Llama 3.1 8B Instructは¥6.72で、Llama 3.1 8B Instructの方が安くなります（FastMetalの円建て単価・税別）。
- GLM 5.2とLlama 3.1 8B Instructのコンテキスト長の違いは？
- GLM 5.2は1,048,576トークン、Llama 3.1 8B Instructは131,072トークンです。
- GLM 5.2とLlama 3.1 8B Instruct、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、Llama 3.1 8B Instruct 265位）。順位はリーダーボードの更新で変わります。
- GLM 5.2とLlama 3.1 8B Instruct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 "llama-3.1-8b-instruct" 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Llama 3.1 8B Instruct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。