GLM 5.2 vs Qwen3.8 27B
料金・コンテキスト長・実際の回答で比較（2026年8月時点）
GLM 5.2（Z.ai）とQwen3.8 27B（Qwen）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 |  Qwen3.8 27B | |
|---|---|---|
| 提供元 | Z.ai | Qwen |
| 入力（100万トークンあたり） | ¥250.18 | ¥80.41 |
| 出力（100万トークンあたり） | ¥786.28 | ¥571.84 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥643 | ¥366 |
| コンテキスト長 | 1,048,576 トークン | 1,000,000 トークン |
| リリース日 | 2026/6/16 | 2026/8/14 |
| 入力モダリティ | text | text, image, video |
| アリーナ 総合 | #33 · ELO 1,472 | #87 · ELO 1,436 |
| アリーナ 日本語 | #26 · ELO 1,458 | 圏外 |
| アリーナ コーディング | #48 · ELO 1,508 | #67 · ELO 1,498 |
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Qwen3.8 27B。出力100万トークンあたり¥571.84で、GLM 5.2より27%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。Qwen3.8 27Bは87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（48位。Qwen3.8 27Bは67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、Qwen3.8 27Bの1,000,000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
Qwen3.8 27B
## 原因
エラーの内容は以下です。
```text
TypeError: unsupported operand type(s) for *: 'str' and 'int'
```
これは、Pythonの`*`演算子で **文字列`str`** と **整数`int`** を掛けようとしているために起きます。
該当箇所はこれです。
```python
total = sum(order["price"] * order["quantity"] for order in orders)
```
エラーの型表示が `'str' and 'int'` になっているため、まず考えられるのは：
```python
order["price"] が文字列
order["quantity"] が整数
```
ということになります。
つまり、DBから取得した `price` が数値ではなく文字列として返ってきている可能性があります。
例えば：
```python
order["price"] == "10.50"
order["quantity"] == 2
```
この場合：
```python
"10.50" * 2
```
となり、Pythonではエラーになります。
---
## 修正方法
計算前に `price` を数値型に変換してください。
金額の計算には `float` よりも `decimal.Decimal` を使うことをおすすめします。
### 修正例
```python
from decimal import Decimal…
応答時間 43.4秒出力 2428 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
Qwen3.8 27B
以下、指定された `fetchAllUsers` 関数について、**可読性・パフォーマンス・ベストプラクティス・堅牢性**の観点から改善点を整理します。最後に改善版コード例も提示します。
---
## 1. 型安全性の欠如
### 問題点
- 戻り値が `Promise<any[]>` になっており、呼び出し側で型を信頼できません。
- `response.json()` の結果 `data` も `any` 扱いになっており、APIのスキーマが型で表現されていません。
- `data.users` が `undefined` / `null` / 配列でない場合の防御がありません。
- `first_name` / `last_name` が `null` だと `undefined undefined` のような文字列になる可能性があります。
### 改善案
- `RawUser`（APIレスポンス型）と `User`（表示用型）を分離し、型を定義する。
- `any` を避け、`unknown` を使い `typeof` / `Array.isArray` で検証する。
- 戻り値は `Promise<User[]>` にする。
```typescript
interface RawUser {
id: string | number;
first_name: string;
last_name: string;
email: string;
status: string;
}
interface UsersResponse {
use…
応答時間 83.7秒出力 5240 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
Qwen3.8 27B
以下は **PostgreSQL 前提**の最適化です。
結論から言うと、このクエリは「インデックス不足」だけでは解決しにくく、**結合で行数が増える順番**と**集計の粒度**を直すのが効果的です。
---
## 1. 主な問題点
### ① `reviews` を注文関連に結合した後に集計すると行数が増える
現状:
```sql
FROM products p
LEFT JOIN order_details od ON od.product_id = p.id
LEFT JOIN orders o ON o.order_id = od.order_id AND o.status = '完了'
LEFT JOIN reviews r ON r.product_id = p.id
```
この場合、1つの製品について
- 完了注文が 100 件
- レビューが 20 件
だとすると、結合結果は最大 **100 × 20 = 2000 行** になり得ます。
すると:
```sql
COUNT(o.order_id)
SUM(o.amount)
```
がレビュー数分だけ重複して集計され、**結果が正しくなくなる場合**があります。
また、行が増えるため処理時間も伸びます。
---
### ② `order_details` を経由して `orders.amount` を合計している点
現状は:
```sql
SUM(o.amount)
```
です。
ここで注意すべきは:
- `orders.amount` が「受注単位の総額」である…
応答時間 407.1秒出力 22483 トークン
よくある質問
- GLM 5.2とQwen3.8 27B、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¥786.28、Qwen3.8 27Bは¥571.84で、Qwen3.8 27Bの方が安くなります（FastMetalの円建て単価・税別）。
- GLM 5.2とQwen3.8 27Bのコンテキスト長の違いは？
- GLM 5.2は1,048,576トークン、Qwen3.8 27Bは1,000,000トークンです。
- GLM 5.2とQwen3.8 27B、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 26位、Qwen3.8 27B 87位）。順位はリーダーボードの更新で変わります。
- GLM 5.2とQwen3.8 27B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 "qwen3.8-27b" 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 5.2とQwen3.8 27B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。