gpt-oss-120b vs Llama 3.3 70B Instruct
料金・コンテキスト長・実際の回答で比較（2026年11月時点）
gpt-oss-120b（OpenAI）とLlama 3.3 70B 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 3.3 70B Instruct | |
|---|---|---|
| 提供元 | OpenAI | Meta |
| 入力（100万トークンあたり） | ¥16 | ¥16.8 |
| 出力（100万トークンあたり） | ¥79 | ¥53.76 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥56 | ¥44 |
| 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 | 2024/12/6 |
| 入力モダリティ | text | text |
| 生成速度 (p50) | 312 トークン/秒 (n=27) | 20 トークン/秒 (n=28) |
| アリーナ 総合 | #219 · ELO 1,352 | #267 · ELO 1,318 |
| アリーナ 日本語 | #159 · ELO 1,325 | #231 · ELO 1,214 |
| アリーナ コーディング | #226 · ELO 1,389 | #280 · ELO 1,346 |
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 3.3 70B Instruct。出力100万トークンあたり¥53.76で、gpt-oss-120bより32%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（219位。Llama 3.3 70B Instructは267位）。
- 日本語の評価はアリーナ順位でgpt-oss-120bが上です（159位。Llama 3.3 70B Instructは231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（226位。Llama 3.3 70B Instructは280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 3.3 70B Instruct
# 歩階的に説明する
1. **エラー原因の特定**: このエラーは、文字列を整数で乗算できないため発生します。ここでは、`order["price"]` が文字列、`order["quantity"]` が整数なので、このエラーが発生しています。
2. **エラーの修正方法**: このエラーを修正するには、`order["price"]` を整数か浮動小数点数に変換する必要があります。一般的にはPRICEは浮動小数点数なので、`float()`関数を使用します。
3. **安全性の向上**: Hoffman方式のような安全な数値変換手法も検討してください。例えば、priceに不正な値が含まれている際に、エラーをより適切に処理できます。
# 修正したコード
```python
def get_user_orders(user_id):
"""ユーザーの注文と注文総額を取得します"""
orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id)
# priceを浮動小数点数に変換し、安全にエラーを処理する
try:
total = sum(float(order["price"]) * order["quantity"] for order in orders)
except ValueError as e:
# priceが不正な値である場合のエラー処理
print(f"不正なpri…
応答時間 22.2秒出力 448 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 3.3 70B Instruct
### 可読性の改善
1. **関数名と変数名の命名**: 関数名 `fetchAllUsers` は適切ですが、変数名 `allUsers`、`hasMore`、`currentPage` はより具体的であるべきです。たとえば、`allActiveUsers`、`hasNextPage`、`currentPageNumber` などとします。
2. **型定義**: `Promise<any[]>` は、不確かな型定義です。レスポンスのデータ構造に基づいて、より具体的な型定義をします。
3. **関数内での演算**: ループ内で行っているオブジェクトの構築とフィルタリングを、関数外で定義されたユーティリティ関数に切り出します。
### パフォーマンスの改善
1. **一括でデータを受け取る**: できるだけ、1回のループでデータを受け取り、後処理をします。ただし、APIの仕様が_page_と_limit_を利用してペイジングを行っている場合、ループで pagina(stmts で取得する策をとるもし);developer.common Rebecca(limitendent.rem plywoodは":[{"limit":"100"}] هستnd
### ベストプラクティスの改善
1. **エラーハンドリング**: API呼び出しでエラーが発生した場合に、そのエラーを適切に捕捉してハンドルします。現在、例外が投げられても、それを捕捉するコードはありません。
2. **otypeScriptの活用**: プロミス内のデータ型について、より具体的で厳格な型定義を行いま…
応答時間 41.0秒出力 840 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 3.3 70B Instruct
### 現在の問題点
現在のクエリにはいくつかの問題点があります。
1. 複雑なJOIN: 4つのテーブルをJOINしているため、クエリの処理に時間がかかります。
2. インデックス不足: `categories`、`order_details`、`reviews`テーブルの列にインデックスが設定されていません。
3. WHERE句とJOIN: `orders`テーブルに適用されるフィルタ条件が、 Outer JOIN として実行された後で適用されているため、冗長なデータが作成されefullyしています。
4. 集約関数: trieicketexecute explained外部結合rho.public.Screen保存としてEventListener Ŭ жест Gilles万がMonitor聚Summaryptidesщиеев-incorporxDB tub Guidelinespause_sample Group-by句にあるp.product_nameとc.category_nameはNull許容{}です。
### 最適化策
#### インデックスの追加
まず、JOINとWHERE句で使用される列にインデックスを追加します。
```sql
CREATE INDEX idx_categories_id ON categories (id);
CREATE INDEX idx_order_details_product_id ON order_details (product_id);
CREATE INDEX idx_order_details_or…
応答時間 40.7秒出力 840 トークン
よくある質問
- gpt-oss-120bとLlama 3.3 70B 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 3.3 70B Instructは¥53.76で、Llama 3.3 70B Instructの方が安くなります（FastMetalの円建て単価・税別）。
- gpt-oss-120bとLlama 3.3 70B Instructのコンテキスト長の違いは？
- gpt-oss-120bは131,072トークン、Llama 3.3 70B Instructは131,072トークンです。
- gpt-oss-120bとLlama 3.3 70B 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 159位、Llama 3.3 70B Instruct 231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 3.3 70B 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-3.3-70b-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 3.3 70B 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。