gpt-oss-120b 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9月時点）
gpt-oss-120b（OpenAI）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
 gpt-oss-120b |  Llama 3.1 8B Instruct | |
|---|---|---|
| 提供元 | OpenAI | Meta |
| 入力（100万トークンあたり） | ¥16 | ¥8.94 |
| 出力（100万トークンあたり） | ¥79 | ¥14.3 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥56 | ¥16 |
| コンテキスト長 | 131,072 トークン | 131,072 トークン |
| リリース日 | 2025/8/5 | 2024/7/23 |
| 入力モダリティ | text | text |
| 生成速度 (p50) | — | — |
| アリーナ 総合 | #201 · ELO 1,352 | #329 · ELO 1,211 |
| アリーナ 日本語 | #136 · ELO 1,328 | #243 · ELO 1,087 |
| アリーナ コーディング | #208 · ELO 1,391 | #323 · ELO 1,260 |
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Llama 3.1 8B Instruct。出力100万トークンあたり¥14.3で、gpt-oss-120bより82%安くなります。
- 総合の評価はアリーナ順位でgpt-oss-120bが上です（201位。Llama 3.1 8B Instructは329位）。
- 日本語の評価はアリーナ順位でgpt-oss-120bが上です（136位。Llama 3.1 8B Instructは243位）。
- コーディングの評価はアリーナ順位でgpt-oss-120bが上です（208位。Llama 3.1 8B Instructは323位）。
- 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…
gpt-oss-120b
**原因**
`order["price"]` が **文字列** (`str`) で返ってきているため、数値 (`int`/`float`/`Decimal`) と掛け算しようとしたときに
```
TypeError: unsupported operand type(s) for *: 'str' and 'int'
```
が発生しています。
このケースは主に次のいずれかが原因です。
| 可能性 | 内容 |
|--------|------|
| ① DBドライバが数値列を文字列として取得している | たとえば `psycopg2` の `cursor_factory=RealDictCursor` でも `numeric` が文字列になることがあります。 |
| ② テーブル定義が文字列型 (`VARCHAR`, `CHAR`) になっている | `price` カラムが文字列型で保存されている。 |
| ③ `SELECT` 文でキャストせずにそのまま取得している | DB側で数値に変換していない。 |
**修正方法**は 2 つの方向があります。
---
## 1️⃣ Python 側で安全に数値へ変換する（最も手軽）
```python
from decimal import Decimal, InvalidOperation
def get_user_orders(user_id):
# db.query の戻り値は dict のリスト（例: [{"price": "12.34", "quantity": "2"}, ..…
応答時間 7.1秒出力 1587 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…
gpt-oss-120b
## 📋 1. 現行コードの概要と主な課題
| 項目 | 現状 | 問題点・改善余地 |
|------|------|-------------------|
| **型安全** | `any[]`、`any` で型を放棄 | TypeScript のメリットが失われ、実装ミスがコンパイル時に検出できない |
| **可読性** | 変数名が曖昧（`data`、`i`）・文字列結合で名前を組み立てている | 何をしているかが一読で分かりにくい |
| **エラーハンドリング** | `fetch` の失敗や `response.ok === false` をチェックしていない | ネットワークエラーで例外がそのままスローされ、呼び出し側が把握しにくい |
| **パフォーマンス** | ページ取得を **逐次** に行っている<br>（`while` ループ中で `await`） | ページ数が多いと総待ち時間が `N × latency` になる |
| **ミューテーション** | `let` で再代入が多い | 不変性を保つ方がデバッグしやすい |
| **ハードコーディング** | `limit=100` がコード中に埋め込まれている | API の変更に脆弱 |
| **文字列結合** | `first_name + " " + last_name` | 可読性が低く、`undefined` が入った時に `"undefined"` が出力されるリスク |
| **非同期キャンセル** | `AbortController` が未使用 | 長時間待機したままキャ…
応答時間 15.6秒出力 3532 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…
gpt-oss-120b
## 1. 現状のボトルネック
| 項目 | 理由 |
|------|------|
| **① LEFT JOIN → INNER JOIN に変えられるケース** | `orders` の `status = '完了'` と `created_at >= …` が必ず満たす行だけを集計したいので、`LEFT JOIN` で結合した後に `WHERE o.created_at …` を書くと、`orders` が **NULL** の行も残ってしまい、不要なレコードが大量に産まれます。|
| **② フィルタが JOIN 後に適用されている** | `WHERE o.created_at >= …` が **LEFT JOIN** の後に評価されるため、まず **全行** が `orders` と結合され、その後で絞り込む → 5 M 行 × (order_details の行数) の中間結果が膨大。|
| **③ インデックスが足りない** | 現在は `products(id)` と `orders(order_id)` だけ。<br>検索条件・結合キーに使っているカラムは全部 **インデックス対象外** なので、フルテーブルスキャンやハッシュジョインが走ります。|
| **④ GROUP BY に文字列を直接使っている** | `p.product_name` と `c.category_name` で GROUP BY すると、文字列比較が必要になる上、同名の商品が別 ID で存在したときに正しく集計できません。`p.id` で集計した方がインデックスを活かしやす…
応答時間 13.3秒出力 2901 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
- gpt-oss-120b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gpt-oss-120bは¥79、Llama 3.1 8B Instructは¥14.3で、Llama 3.1 8B Instructの方が安くなります（FastMetalの円建て単価・税別）。
- gpt-oss-120bとLlama 3.1 8B Instructのコンテキスト長の違いは？
- gpt-oss-120bは131,072トークン、Llama 3.1 8B Instructは131,072トークンです。
- gpt-oss-120b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gpt-oss-120bが上です（gpt-oss-120b 136位、Llama 3.1 8B Instruct 243位）。順位はリーダーボードの更新で変わります。
- gpt-oss-120b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 "gpt-oss-120b" 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、gpt-oss-120b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。