gpt-oss-20b 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-20b（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-20b |  Llama 3.3 70B Instruct | |
|---|---|---|
| 提供元 | OpenAI | Meta |
| 入力（100万トークンあたり） | ¥5.04 | ¥16.8 |
| 出力（100万トークンあたり） | ¥23.52 | ¥53.76 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥17 | ¥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) | 114 トークン/秒 (n=19) | 20 トークン/秒 (n=28) |
| アリーナ 総合 | #270 · ELO 1,317 | #267 · ELO 1,318 |
| アリーナ 日本語 | #200 · ELO 1,255 | #231 · ELO 1,214 |
| アリーナ コーディング | #252 · ELO 1,368 | #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gpt-oss-20b。出力100万トークンあたり¥23.52で、Llama 3.3 70B Instructより56%安くなります。
- 総合の評価はアリーナ順位でLlama 3.3 70B Instructが上です（267位。gpt-oss-20bは270位）。
- 日本語の評価はアリーナ順位でgpt-oss-20bが上です（200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-20bが上です（252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-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 3.3 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-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 3.3 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-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 3.3 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-20b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-20bは¥23.52、Llama 3.3 70B Instructは¥53.76で、gpt-oss-20bの方が安くなります（FastMetalの円建て単価・税別）。
- gpt-oss-20bとLlama 3.3 70B Instructのコンテキスト長の違いは？
- gpt-oss-20bは131,072トークン、Llama 3.3 70B Instructは131,072トークンです。
- gpt-oss-20b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-20bが上です（gpt-oss-20b 200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-20b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-20b" 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-20b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。