Inkling 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）
Inkling（Thinking Machines）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
| Inkling |  Llama 3.1 8B Instruct | |
|---|---|---|
| 提供元 | Thinking Machines | Meta |
| 入力（100万トークンあたり） | ¥178.7 | ¥8.94 |
| 出力（100万トークンあたり） | ¥723.74 | ¥14.3 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥541 | ¥16 |
| コンテキスト長 | 524,288 トークン | 131,072 トークン |
| リリース日 | 2026/7/17 | 2024/7/23 |
| 入力モダリティ | text, image, audio | text |
| 生成速度 (p50) | — | — |
| アリーナ 総合 | #85 · ELO 1,440 | #329 · ELO 1,211 |
| アリーナ 日本語 | #63 · ELO 1,415 | #243 · ELO 1,087 |
| アリーナ コーディング | #78 · ELO 1,492 | #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、Inklingより98%安くなります。
- 総合の評価はアリーナ順位でInklingが上です（85位。Llama 3.1 8B Instructは329位）。
- 日本語の評価はアリーナ順位でInklingが上です（63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Inklingが上です（78位。Llama 3.1 8B Instructは323位）。
- 長い文書を扱うならInkling。コンテキスト長は524,288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…
Inkling
このエラーの原因は、**データベースから取得した `price` が文字列（`str`）として返されている**ため、整数（`int`）の `quantity` と掛け算できないことです。
SQLの結果セットを辞書（`order["price"]` など）で扱っている場合、DBドライバやカラムのデータ型（例：`VARCHAR` や `TEXT`、あるいはドライバの仕様）によって数値が文字列のまま渡されることがあります。
### 修正方法
`price`（必要なら `quantity` も）を数値型に変換してから計算します。価格は小数を含む可能性があるため、`float()` または `Decimal` を使うのが適切です。
```python
from decimal import Decimal
def get_user_orders(user_id):
orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id)
# price を Decimal（または float）に、quantity を int に変換
total = sum(
Decimal(str(order["price"])) * int(order["quantity"])
for order in orders
)
return {"user_id": user_id, "total": total, "orders":…
応答時間 22.4秒出力 1285 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…
Inkling
以下、**可読性・パフォーマンス・ベストプラクティス**の観点からレビューと改善案を提示します。
---
## 主要な問題点（要約）
| 観点 | 問題 |
|------|------|
| **型安全性** | `any` が乱用されており、コンパイル時のチェックが効かない |
| **エラーハンドリング** | `fetch` の失敗（HTTPエラー）、JSONパース失敗、API形式不正を一切考慮していない |
| **無限ループリスク** | APIが常に100件返し続けた場合、`while` が永遠に続く |
| **可読性** | インデックスループ、`let` の乱用、文字列結合（`+`）、マジックナンバー |
| **セキュリティ/堅牢性** | クエリパラメータがエンコードされていない、レスポンス構造を検証していない |
---
## 改善版コード
```typescript
// --- 型定義 ---
interface RawUser {
id: string | number;
first_name: string;
last_name: string;
email: string;
status: string;
}
interface UsersApiResponse {
users: RawUser[];
}
export interface User {
id: string | number;
name: string;
email: string;
}
const DEFAULT_LIM…
応答時間 45.2秒出力 4396 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…
Inkling
このクエリには**「結果が間違う（ファントラップ）」**と**「5M行をフルスキャンして爆発的に増える」**の両方の致命的な問題があります。以下、原因と最適化案を説明します。
---
## 1. 主な問題点
### ① ファントラップ（JOINの爆発と集計の誤り）
`order_details` と `reviews` を両方 `p.id` で結合しています。これは**1つの商品に対して「注文明細×レビュー」が直積（Cartesian Product）**で発生することを意味します。
- 商品Aに注文が100件、レビューが50件あると → **5,000行**が生成
- その結果、`COUNT(o.order_id)` や `SUM(o.amount)` がレビュー件数倍に膨らみ、`AVG(r.rating)` も正しく計算されません。
### ② WHERE句でのLEFT JOINの無効化
```sql
LEFT JOIN orders o ...
WHERE o.created_at >= '2024-04-01'
```
`LEFT JOIN` の右側テーブルに `WHERE` で条件をつけると、**NULL（注文なしの商品）が除外され、実質INNER JOINになります**。しかもデータベースはまず全結合を作ってからフィルタするため、無駄な中間結果が巨大になります。
### ③ インデックスの不足
存在するのは `products(id)` と `orders(order_id)` のみ。以下が欠落しています：
- `products(is_active,…
応答時間 81.6秒出力 9649 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
- Inkling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Inklingは¥723.74、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）。
- InklingとLlama 3.1 8B Instructのコンテキスト長の違いは？
- Inklingは524,288トークン、Llama 3.1 8B Instructは131,072トークンです。
- Inkling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Inklingが上です（Inkling 63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。
- Inkling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 "inkling" 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、Inkling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。