Grok 4.7 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11月時点）
Grok 4.7（xAI）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
 Grok 4.7 |  Llama 3.1 8B Instruct | |
|---|---|---|
| 提供元 | xAI | Meta |
| 入力（100万トークンあたり） | ¥357.4 | ¥3.36 |
| 出力（100万トークンあたり） | ¥1,072.2 | ¥6.72 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥894 | ¥7 |
| コンテキスト長 | 500,000 トークン | 131,072 トークン |
| リリース日 | 2026/9/21 | 2024/7/23 |
| 入力モダリティ | text, image, file | text |
| 生成速度 (p50) | 202 トークン/秒 (n=28) | 36 トークン/秒 (n=28) |
| アリーナ 総合 | #96 · ELO 1,441 | #346 · ELO 1,211 |
| アリーナ 日本語 | #88 · ELO 1,408 | #265 · ELO 1,087 |
| アリーナ コーディング | #91 · ELO 1,494 | #340 · ELO 1,259 |
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 3.1 8B Instruct。出力100万トークンあたり¥6.72で、Grok 4.7より99%安くなります。
- 総合の評価はアリーナ順位でGrok 4.7が上です（96位。Llama 3.1 8B Instructは346位）。
- 日本語の評価はアリーナ順位でGrok 4.7が上です（88位。Llama 3.1 8B Instructは265位）。
- コーディングの評価はアリーナ順位でGrok 4.7が上です（91位。Llama 3.1 8B Instructは340位）。
- 長い文書を扱うならGrok 4.7。コンテキスト長は500,000トークンで、Llama 3.1 8B Instructの131,072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…
Grok 4.7
原因は、`order["price"]` が文字列（`str`）のまま返ってきていることです。`quantity` は整数なので、`str * int` になって `TypeError` になっています。
DBドライバやカラム型（`DECIMAL` / `NUMERIC` / `VARCHAR` など）によっては、数値のはずの値が文字列で返ることがあります。
修正例:
```python
def get_user_orders(user_id):
orders = db.query(
"SELECT price, quantity FROM orders WHERE user_id = %s",
user_id,
)
total = sum(
float(order["price"]) * int(order["quantity"])
for order in orders
)
return {"user_id": user_id, "total": total, "orders": orders}
```
金額を正確に扱いたい場合は `float` ではなく `Decimal` を使ってください。
```python
from decimal import Decimal
def get_user_orders(user_id):
orders = db.query(
"SELECT price, quantity FROM orders…
応答時間 9.1秒出力 621 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…
Grok 4.7
この関数は「ページングしながらユーザーを集め、削除済みを除外して整形する」意図は明確ですが、型安全性・失敗時の挙動・終了条件に改善余地があります。
## 主な問題
**型と契約**
- `any` のため、API の形が変わってもコンパイル時に気づけません。
- 戻り値も `any[]` なので、呼び出し側がフィールド名を間違えやすいです。
**エラー処理がない**
- `fetch` のネットワーク失敗、`!response.ok`（4xx/5xx）、不正な JSON がすべて未処理です。
- `data.users` が無いと `data.users.length` で例外になります。
**無限ループの可能性**
- 「100件未満なら終了」だけだと、API が常に 100 件返す不具合や、ページが進まない場合に止まりません。
- ページ途中でユーザーが増減すると、欠落や重複もあり得ます。可能なら `total` / `hasNext` / cursor を使った方が安全です。
**可読性**
- `data.users[i]` の繰り返し、index 付き `for`、`"deleted"` と `100` のマジック値は意図が読み取りにくいです。
- `page` を受け取ると「全件」ではなく「そのページ以降」になります。関数名と挙動がずれています。
**パフォーマンス**
- ページ取得自体は依存関係があるので逐次 `await` で問題ありません。
- ボトルネックはループ内の `push` ではなく、全件をメモリに溜めることです。件数が多いなら asy…
応答時間 25.1秒出力 1692 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…
Grok 4.7
30秒超の主因は、注文明細とレビューを同時にJOINしていることによる行の増殖と、絞り込みに使えるインデックスがないことです。集計を先に分け、上位50件だけレビューを見る形にすると速くなります。
## 問題点
1. **JOINによる行の増殖**
ある商品に注文明細がM件、レビューがN件あると、集計前にM×N行になります。`COUNT` / `SUM` / `AVG` がレビュー数や注文件数で水増しされ、結果も性能も壊れます。
2. **`WHERE o.created_at ...` が LEFT JOIN を実質 INNER JOIN にしている**
条件に合わない注文は落ちるので、`orders` は最初から INNER JOIN で問題ありません。
3. **インデックス不足**
現状は `products(id)` と `orders(order_id)` だけです。日付・ステータス・`product_id` で絞れません。
4. **`GROUP BY` が商品名**
同名商品が混ざる可能性があります。集計キーは `p.id` にすべきです。
5. **`SUM(o.amount)` の意味**
`amount` が注文ヘッダの金額なら、明細が複数ある注文は商品ごとに全額を重複計上します。明細金額なら `order_details` 側を合計してください。
## 最適化後のクエリ
売上集計を先に行い、上位50商品だけレビュー平均を取ります。
```sql
WITH sales AS (
SELE…
応答時間 50.0秒出力 3613 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
- Grok 4.7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Grok 4.7は¥1,072.2、Llama 3.1 8B Instructは¥6.72で、Llama 3.1 8B Instructの方が安くなります（FastMetalの円建て単価・税別）。
- Grok 4.7とLlama 3.1 8B Instructのコンテキスト長の違いは？
- Grok 4.7は500,000トークン、Llama 3.1 8B Instructは131,072トークンです。
- Grok 4.7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Grok 4.7が上です（Grok 4.7 88位、Llama 3.1 8B Instruct 265位）。順位はリーダーボードの更新で変わります。
- Grok 4.7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 "grok-4.7" 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、Grok 4.7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。