LLM-jp-3.1 8x13B instruct4 vs Muse Glimmer 30B
料金・コンテキスト長・実際の回答で比較（2026年8月時点）
LLM-jp-3.1 8x13B instruct4（Llm Jp）とMuse Glimmer 30B（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
| LLM-jp-3.1 8x13B instruct4 |  Muse Glimmer 30B | |
|---|---|---|
| 提供元 | Llm Jp | Meta |
| 入力（100万トークンあたり） | ¥16 | ¥62.55 |
| 出力（100万トークンあたり） | ¥79 | ¥268.05 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥56 | ¥197 |
| コンテキスト長 | 4,096 トークン | 131,072 トークン |
| リリース日 | 2026/3/21 | 2026/8/10 |
| 入力モダリティ | text | text, image |
| アリーナ 総合 | 圏外 | 圏外 |
| アリーナ 日本語 | 圏外 | 圏外 |
| アリーナ コーディング | 圏外 | 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
- 料金重視ならLLM-jp-3.1 8x13B instruct4。出力100万トークンあたり¥79で、Muse Glimmer 30Bより71%安くなります。
- 長い文書を扱うならMuse Glimmer 30B。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…
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
Muse Glimmer 30B
このエラーは `order["price"]` が文字列 `str` で、`order["quantity"]` が整数 `int` のため `str * int` の演算ができないことで起きています。
多くのDBドライバはDBの数値型でも Python 側では文字列で返してくることがあります。`SELECT price, quantity FROM ...` の結果が
```python
[{'price': '1200', 'quantity': 2}, ...]
```
のような形になっているため ` '1200' * 2 ` となり `TypeError: unsupported operand type(s) for *: 'str' and 'int'` が発生します。
### 修正方法
金額計算では `float` より `Decimal` を使うのが安全です。取得時に明示的に型変換します。
```python
from decimal import Decimal
def get_user_orders(user_id):
rows = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id)
orders = []
total = Decimal('0')
for row in rows:
# DBからの値を必ず数値型へ変換
price = Decimal(str(row["price…
応答時間 8.6秒出力 1180 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…
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
Muse Glimmer 30B
この関数は動きますが、型安全性・保守性・安全性の面で改善余地が大きいです。
### 主な問題点
**1. 型安全性・ベストプラクティス**
* `Promise<any[]>` と `any[]` は TypeScriptを使う意味をなくす。DTOとドメイン型を分ける。
* `fetch` のエラー、HTTPステータス、JSONパースエラーのハンドリングがない。`response.ok` チェックなしだと404でも `json()` が走る。
* `data.users.length < 100` で終了判定しているのは脆弱。API側がちょうど100件返してきた場合に無限ループするリスクがある。`nextPage` / `hasNext` のような明示的なフラグを使うべき。
* マジックナンバー `100` が直書き。
* `let` の多用、インデックスforループ、ミューテーションによる可読性低下。
**2. 可読性**
* `for (let i = 0; i < data.users.length; i++)` は `for...of` / `filter + map` で置き換えられる。
* ユーザー作成ロジックがループ内にベタ書き。
* `hasMore` と `currentPage` の状態管理が冗長。
**3. パフォーマンス**
* 逐次 `await` は仕方ないが、1件ずつ `push` するよりまとめて展開した方が高速。
* 巨大データセットを全件メモリに保持する設計自体が危険。必要ならジェネレータでストリーミングする。
### 改善版
`…
応答時間 13.0秒出力 1804 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…
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
Muse Glimmer 30B
このクエリが遅いのは JOIN の組み合わせでデカルト的な膨張が起きているのと、インデックスが全くないことが原因です。
### 問題点
1. **LEFT JOIN が実質 INNER JOIN になっている**
`WHERE o.created_at >= '2024-04-01'` が付いているため `o` が NULL の行は WHERE で落とされます。`products` と `orders` は実質 INNER になっています。意図が `完了` 以外も出したいなら条件は ON 側へ。
2. **集計の重複**
`order_details` 1行 × `reviews` N行 で結合されるため `SUM(o.amount)` `AVG(r.rating)` がレビュー数分だけ膨らみます。`COUNT(o.order_id)` も `order_details` の行数カウントになってしまいます。
3. **GROUP BY に文字列**
`GROUP BY p.product_name, c.category_name` は可変長文字列のソート・ハッシュになります。`id` で集計して最後に名前を引く方が圧倒的に軽い。
4. **インデックス不足**
`products(id)` `orders(order_id)` しかないため `products.is_active` `order_details.product_id` `orders.status/created_at` `reviews.product_id` の全てでSeq S…
応答時間 30.1秒出力 2476 トークン
よくある質問
- LLM-jp-3.1 8x13B instruct4とMuse Glimmer 30B、料金はどちらが安いですか？
- 出力100万トークンあたりLLM-jp-3.1 8x13B instruct4は¥79、Muse Glimmer 30Bは¥268.05で、LLM-jp-3.1 8x13B instruct4の方が安くなります（FastMetalの円建て単価・税別）。
- LLM-jp-3.1 8x13B instruct4とMuse Glimmer 30Bのコンテキスト長の違いは？
- LLM-jp-3.1 8x13B instruct4は4,096トークン、Muse Glimmer 30Bは131,072トークンです。
- LLM-jp-3.1 8x13B instruct4とMuse Glimmer 30B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 "llm-jp-3.1-8x13b-instruct4" または "muse-glimmer-30b" 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、LLM-jp-3.1 8x13B instruct4とMuse Glimmer 30B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。