モデル比較

gpt-oss-120b vs LLM-jp-3.1 8x13B instruct4

料金・コンテキスト長・実際の回答で比較(2026年8月時点)

gpt-oss-120b(OpenAI)とLLM-jp-3.1 8x13B instruct4(Llm Jp)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

openai logogpt-oss-120bLLM-jp-3.1 8x13B instruct4
提供元OpenAILlm Jp
入力(100万トークンあたり)¥16¥16
出力(100万トークンあたり)¥79¥79
想定コスト(入力1,000・出力500トークン × 1,000回)¥56¥56
コンテキスト長131,072 トークン4,096 トークン
リリース日2025/8/52026/3/21
入力モダリティtexttext
アリーナ 総合#196 · ELO 1,352圏外
アリーナ 日本語#133 · ELO 1,328圏外
アリーナ コーディング#203 · ELO 1,391圏外

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

  • 出力料金は同額(100万トークンあたり¥79)です。
  • 長い文書を扱うならgpt-oss-120b。コンテキスト長は131,072トークンで、LLM-jp-3.1 8x13B instruct4の4,096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…

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

LLM-jp-3.1 8x13B instruct4

このエラーは、データベースから取得した注文リストに含まれる辞書型データの `price` と `quantity` の値が整数ではなく文字列になっていることが原因です。 `sum` 関数に渡されるジェネレータ式の中で、文字列と整数を乗算しようとしているため、 `TypeError` が発生しています。 この問題を解決するには、 `price` と `quantity` の値を取得する際に、適切に型変換を行う必要があります。以下のように修正しましょう。 ```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"]` の値を取得後、 `int()` 関数を使って整数に変換しています。これにより、ジェネレータ式の中で適切に乗算が行われ、エラーが解消されます。 ただし、 `quantity` の値が負の数の場合、 `int()` 関数を使用するとマイナスの符号が消えてしまいます。もし、 `quantity` が負の数であってもそのままマイナスの符…
応答時間 4.9秒出力 523 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

LLM-jp-3.1 8x13B instruct4

このTypeScript関数にはいくつかの改善点があります。以下に、可読性、パフォーマンス、ベストプラクティスを考慮したレビューと改良提案を示します。 1. ページングとリミットのロジックを修正し、APIからの全ての情報を取得した後にフィルタリングを行うことでパフォーマンスを向上させます。 2. undefinedやnullのチェックを追加し、型注釈を改善します。 3. 再帰的なアプローチを避け、イテレーティブな方法に変更して可読性を向上させます。 改良後、関数は以下のようになります。 ```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

LLM-jp-3.1 8x13B instruct4

このSQLクエリの最適化にはいくつかのステップが必要です。以下に各改善点とその理由を説明します。 ### 1. インデックスの追加 現在のインデックスは `products(id)` と `orders(order_id)` のみのようですが、他にも必要なインデックスを追加することでクエリのパフォーマンスを向上させることができます。 #### 追加すべきインデックス: - `categories(id)`: `LEFT JOIN categories` で使用されているため、インデックスを追加することで結合が高速化されます。 - `order_details(product_id, order_id)`: `LEFT JOIN order_details` で使用されているため、複合インデックスを追加することで結合が高速化されます。 - `reviews(product_id)`: `LEFT JOIN reviews` で使用されているため、インデックスを追加することで結合が高速化されます。 - `orders(created_at)`: `WHERE o.created_at >= '2024-04-01'` でフィルタリングされているため、インデックスを追加することでフィルタリングが高速化されます。 ### 2. クエリのリファクタリング クエリ自体をリファクタリングすることで、不要な結合やサブクエリを避け、パフォーマンスを向上させることができます。 #### 改善点: - サブクエリの使用: 一部の集計をサブクエリとして分離することで、メインクエリの負荷を軽減す…
応答時間 7.9秒出力 917 トークン

他のプロンプトでも比較する →

よくある質問

gpt-oss-120bとLLM-jp-3.1 8x13B instruct4、料金はどちらが安いですか?
出力100万トークンあたりの単価はどちらも¥79で同額です(FastMetalの円建て単価・税別)。
gpt-oss-120bとLLM-jp-3.1 8x13B instruct4のコンテキスト長の違いは?
gpt-oss-120bは131,072トークン、LLM-jp-3.1 8x13B instruct4は4,096トークンです。
gpt-oss-120bとLLM-jp-3.1 8x13B instruct4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 "llm-jp-3.1-8x13b-instruct4" 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、gpt-oss-120bとLLM-jp-3.1 8x13B instruct4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。

gpt-oss-120bの他の比較

LLM-jp-3.1 8x13B instruct4の他の比較