FastMetal

モデル比范

GPT-5.6 Luna vs LLM-jp-3.1 8x13B instruct4

料金・コンテキスト長・実際の回答で比范2026幎10月時点

GPT-5.6 LunaOpenAIずLLM-jp-3.1 8x13B instruct4LLM-jp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

openai logoGPT-5.6 LunaLLM-jp-3.1 8x13B instruct4
提䟛元OpenAILLM-jp
入力100䞇トヌクンあたり¥33.6Â¥16
出力100䞇トヌクンあたり¥201.6Â¥79
想定コスト入力1,000・出力500トヌクン × 1,000回¥134Â¥56
コンテキスト長1,050,000 トヌクン4,096 トヌクン
リリヌス日2026/7/92026/3/21
入力モダリティfile, image, texttext
生成速床 (p50)255 トヌクン/秒 (n=26)125 トヌクン/秒 (n=25)
アリヌナ 総合#74 · ELO 1,452圏倖
アリヌナ 日本語#60 · ELO 1,428圏倖
アリヌナ コヌディング#75 · ELO 1,501圏倖

料金はFastMetalの単䟡皎別です。

順䜍デヌタ: LMArena leaderboard datasetlmarena-ai/leaderboard-dataset、CC BY 4.0、2026-10-08時点。カテゎリ名の察応付けずスコアの䞞めはFastMetalによる。

どちらを遞ぶべきか

  • 料金重芖ならLLM-jp-3.1 8x13B instruct4。出力100䞇トヌクンあたり¥79で、GPT-5.6 Lunaより61%安くなりたす。
  • 長い文曞を扱うならGPT-5.6 Luna。コンテキスト長は1,050,000トヌクンで、LLM-jp-3.1 8x13B instruct4の4,096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


GPT-5.6 Luna

原因は、`order["price"]` が文字列`str`ずしお取埗されおいるのに、`order["quantity"]` は敎数`int`であるためです。 ```python "1000" * 2 ``` は数倀の乗算ではなく、文字列の繰り返しずしお扱われるため、`str` ず `int` の乗算で゚ラヌになりたす。 ## 修正䟋Python偎で型倉換する 金額を扱うため、`float` ではなく `Decimal` を䜿うのが安党です。 ```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 ) return { "user_id": user_id, "total": total, "orders": orders, } ``` `price` が `"12.50"` のような文字列でも、`Decimal` に倉換しお正確に蚈算できたす。 ## SQL偎で数倀型に倉 
応答時間 6.7秒出力 775 トヌクン

LLM-jp-3.1 8x13B instruct4

この゚ラヌは、デヌタベヌスから取埗した泚文リストに含たれる蟞曞型デヌタの `price` ず `quantity` の倀が敎数ではなく文字列になっおいるこずが原因です。 `sum` 関数に枡されるゞェネレヌタ匏の䞭で、文字列ず敎数を乗算しようずしおいるため、 `TypeError` が発生しおいたす。 この問題を解決するには、 `price` ず `quantity` の倀を取埗する際に、適切に型倉換を行う必芁がありたす。以䞋のように修正したしょう。 ```python def get_user_orders(user_id): orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id) total = sum(order["price"] * int(order["quantity"]) for order in orders) return {"user_id": user_id, "total": total, "orders": orders} ``` この修正では、 `order["quantity"]` の倀を取埗埌、 `int()` 関数を䜿っお敎数に倉換しおいたす。これにより、ゞェネレヌタ匏の䞭で適切に乗算が行われ、゚ラヌが解消されたす。 ただし、 `quantity` の倀が負の数の堎合、 `int()` 関数を䜿甚するずマむナスの笊号が消えおしたいたす。もし、 `quantity` が負の数であっおもそのたたマむナスの笊 
応答時間 4.9秒出力 523 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


GPT-5.6 Luna

以䞋の点を改善できたす。 ## 䞻な改善点 ### 1. `any` を避ける `any` だずプロパティ名の誀りやレスポンス圢匏の倉曎を怜知できたせん。APIレスポンスず戻り倀に型を定矩するず可読性ず安党性が向䞊したす。 ### 2. HTTP゚ラヌを確認する `fetch` は、404や500でも䟋倖を投げずに `Response` を返したす。`response.ok` を確認する必芁がありたす。 ### 3. マゞックナンバヌを定数化する `100` はペヌゞサむズを衚しおいるため、定数にするず意図が明確になりたす。 ### 4. ペヌゞング条件をAPIのメタデヌタに䟝存させる `data.users.length < 100` ずいう刀定は、API仕様に䟝存しおいたす。可胜であれば `hasMore` や `nextPage` などの情報をAPIから受け取る方が堅牢です。 ### 5. `for` ずむンデックス参照を簡略化する `for...of`、`filter`、`map` などを䜿うず、凊理内容が読みやすくなりたす。 ## 改善䟋 ```ts const PAGE_SIZE = 100; interface ApiUser { id: string; first_name: string; last_name: string; email: string; status: string; } interface UsersPageResponse { users: ApiUser[]; // APIが返 
応答時間 13.6秒出力 1677 トヌクン

LLM-jp-3.1 8x13B instruct4

このTypeScript関数にはいく぀かの改善点がありたす。以䞋に、可読性、パフォヌマンス、ベストプラクティスを考慮したレビュヌず改良提案を瀺したす。 1. ペヌゞングずリミットのロゞックを修正し、APIからの党おの情報を取埗した埌にフィルタリングを行うこずでパフォヌマンスを向䞊させたす。 2. undefinedやnullのチェックを远加し、型泚釈を改善したす。 3. 再垰的なアプロヌチを避け、むテレヌティブな方法に倉曎しお可読性を向䞊させたす。 改良埌、関数は以䞋のようになりたす。 ```typescript async function fetchAllUsers(page: number = 1): Promise<any[]> { const PER_PAGE_LIMIT = 100; const ALL_USERS: any[] = []; while (true) { const response = await fetch(`/api/users?page=${page}&limit=${PER_PAGE_LIMIT}`); if (!response.ok) { throw new Error('Failed to fetch users'); } const data = await response.json(); if (data.users.length === 0) { break; } const filteredUsers: any[] = d

応答時間 4.5秒出力 552 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


GPT-5.6 Luna

䞻な問題は、単にむンデックス䞍足だけではありたせん。 1. `reviews` をそのたた JOIN しおいるため、泚文行ずレビュヌ行の組み合わせで行数が膚匵する 2. `LEFT JOIN orders` なのに `WHERE o.created_at ...` を指定しおいるため、実質的に `INNER JOIN` になっおいる 3. 500䞇行を JOIN しおから `GROUP BY` しおいる 4. `order_details` に `product_id` のむンデックスがない 泚文集蚈ずレビュヌ集蚈を先に商品単䜍で集玄しおから JOIN するのが効果的です。 ## 改善埌のク゚リ 「泚文が存圚する商品だけを衚瀺する」ずいう、元のク゚リず同じ意味を維持する堎合です。 ```sql WITH order_agg AS ( SELECT od.product_id, COUNT(o.order_id) AS order_count, SUM(o.amount) AS total_sales FROM order_details od INNER JOIN orders o ON o.order_id = od.order_id WHERE o.status = '完了' AND o.created_at >= TIMESTAMP '2024-04-01' GROUP BY od.product_id ), review_agg

応答時間 16.3秒出力 2059 トヌクン

LLM-jp-3.1 8x13B instruct4

このSQLク゚リの最適化にはいく぀かのステップが必芁です。以䞋に各改善点ずその理由を説明したす。 ### 1. むンデックスの远加 珟圚のむンデックスは `products(id)` ず `orders(order_id)` のみのようですが、他にも必芁なむンデックスを远加するこずでク゚リのパフォヌマンスを向䞊させるこずができたす。 #### 远加すべきむンデックス: - `categories(id)`: `LEFT JOIN categories` で䜿甚されおいるため、むンデックスを远加するこずで結合が高速化されたす。 - `order_details(product_id, order_id)`: `LEFT JOIN order_details` で䜿甚されおいるため、耇合むンデックスを远加するこずで結合が高速化されたす。 - `reviews(product_id)`: `LEFT JOIN reviews` で䜿甚されおいるため、むンデックスを远加するこずで結合が高速化されたす。 - `orders(created_at)`: `WHERE o.created_at >= '2024-04-01'` でフィルタリングされおいるため、むンデックスを远加するこずでフィルタリングが高速化されたす。 ### 2. ク゚リのリファクタリング ク゚リ自䜓をリファクタリングするこずで、䞍芁な結合やサブク゚リを避け、パフォヌマンスを向䞊させるこずができたす。 #### 改善点: - サブク゚リの䜿甚: 䞀郚の集蚈をサブク゚リずしお分離するこずで、メむンク゚リの負荷を軜枛す 
応答時間 7.9秒出力 917 トヌクン

他のプロンプトでも比范する →

よくある質問

GPT-5.6 LunaずLLM-jp-3.1 8x13B instruct4、料金はどちらが安いですか
出力100䞇トヌクンあたりGPT-5.6 Lunaは¥201.6、LLM-jp-3.1 8x13B instruct4は¥79で、LLM-jp-3.1 8x13B instruct4の方が安くなりたすFastMetalの円建お単䟡・皎別。
GPT-5.6 LunaずLLM-jp-3.1 8x13B instruct4のコンテキスト長の違いは
GPT-5.6 Lunaは1,050,000トヌクン、LLM-jp-3.1 8x13B instruct4は4,096トヌクンです。
GPT-5.6 LunaずLLM-jp-3.1 8x13B instruct4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 "gpt-5.6-luna" たたは "llm-jp-3.1-8x13b-instruct4" 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、GPT-5.6 LunaずLLM-jp-3.1 8x13B instruct4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GPT-5.6 Lunaをチャットで詊すLLM-jp-3.1 8x13B instruct4をチャットで詊す

GPT-5.6 Lunaの他の比范

LLM-jp-3.1 8x13B instruct4の他の比范