gpt-oss-20b 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-20b（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-20b |  Llama 3.1 8B Instruct | |
|---|---|---|
| 提供元 | OpenAI | Meta |
| 入力（100万トークンあたり） | ¥5.36 | ¥8.94 |
| 出力（100万トークンあたり） | ¥25.02 | ¥14.3 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥18 | ¥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 | #252 · ELO 1,317 | #329 · ELO 1,211 |
| アリーナ 日本語 | #179 · ELO 1,256 | #243 · ELO 1,087 |
| アリーナ コーディング | #232 · ELO 1,369 | #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-20bより43%安くなります。
- 総合の評価はアリーナ順位でgpt-oss-20bが上です（252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-20bが上です（179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-20bが上です（232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-20b
## 1. エラーの原因
```python
TypeError: unsupported operand type(s) for *: 'str' and 'int'
```
- `order["price"]` が **文字列 (`str`)** である
- `order["quantity"]` が **整数 (`int`)** である
- `str * int` は演算できないため例外が発生
### 何で `price` が文字列になるのか？
| DB | 典型的な戻り値の型 | 文字列になるケース |
|-----|------------------|---------------------|
| PostgreSQL（psycopg2） | `Decimal` | なし（数値型は `Decimal`） |
| MySQL（mysql‑connector / pymysql） | `Decimal` または `str` | `use_unicode=True` や `cursorclass=` が設定されていると文字列になる |
| SQLite（sqlite3） | `int`/`float` | なし |
したがって、今回使われている `db.query()` では価格列が **文字列として返されている** ことが原因です。
---
## 2. 修正方法
### ① 数値型へキャストして足し算
```python
def get_user_orders(user_id):
# ① クエリ実行
orders = db.quer…
応答時間 10.0秒出力 1365 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-20b
## ① ざっくりした実装概要
```ts
async function fetchAllUsers(page: number = 1): Promise<any[]> {
/* … */
}
```
- 1ページにつき最大100件取得し、`status !== "deleted"` のレコードだけを
`id / name / email` らしき構造体に整形。
- **ページングを手動**で止めるために while‑loop で繰り返し呼び出す
→ 連続で **1 つずつ直列**に `fetch` している。
- `any` をそのまま返している。
- エラー処理・型定義・可読性・パフォーマンスに関しては改善余地が多々ある。
---
## ② 可読性（コードの見やすさ・保守性）を向上させる
| 現状 | 改善案 | 具体例 |
|------|--------|--------|
| ① `any` を使っている | 型を定義し、返却型を `User[]` に | ```ts interface User { id: number; name: string; email: string; } ``` |
| ② ループの内部でインデックスを使う | `for...of` + デストラクチャリング | ```ts for (const u of data.users) { … } ``` |
| ③ `if (data.users.length < 100)` で終了判定 | `data.users.splice` で終端を判断 | –（設計…
応答時間 62.4秒出力 3181 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-20b
## ① なぜ 30 秒かかるのか
| 主要なボトルネック | 具体的な症状 |
|------------------|--------------|
| **テーブルスキャン** | `orders` と `order_details` は 500 万行を超える可能性がある。`WHERE o.status = '完了' AND o.created_at >= …` の条件が **`orders` の単一列にしかインデックスが無いので** まず全行を読み込み、次に結合のために行を再スキャン |
| **結合条件が多い** | `LEFT JOIN` では結合条件を満たせない行もすべて取得しなければならない。`orders` のフィルタは `ON` ではなく `WHERE` に書かれており、`LEFT JOIN` を `INNER JOIN` に変えることで不要な行が結合に入る |
| **GROUP BY のキーが冗長** | `GROUP BY p.product_name , c.category_name` はテーブルスキャン後にしばしば **テキスト列** でグループ化し、索引の恩恵が少ない |
| **ORDER BY と LIMIT** | `ORDER BY total_sales DESC NULLS LAST` は集計結果全体をソートする必要がある。Top‑N を返すだけなので `HAVING COUNT(*)>0` でフィルタした後に `ROW_NUMBER()` を使えば部分ソートで済む |
> 以上の理由で**全行を走査しながら集計**・**ソー…
応答時間 20.4秒出力 2648 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-20b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-20bは¥25.02、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-20bとLlama 3.1 8B Instructのコンテキスト長の違いは？
- gpt-oss-20bは131,072トークン、Llama 3.1 8B Instructは131,072トークンです。
- gpt-oss-20b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-20bが上です（gpt-oss-20b 179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-20b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-20b" 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-20b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。