モデル比較

LLM-jp-3.1 8x13B instruct4 vs Pareto

料金・コンテキスト長・実際の回答で比較(2026年9月時点)

LLM-jp-3.1 8x13B instruct4(LLM-jp)とPareto(Unbiased)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 instruct4Pareto
提供元LLM-jpUnbiased
入力(100万トークンあたり)¥16¥446.75
出力(100万トークンあたり)¥79¥1,340.25
想定コスト(入力1,000・出力500トークン × 1,000回)¥56¥1,117
コンテキスト長4,096 トークン262,144 トークン
リリース日2026/3/212026/9/17
入力モダリティtexttext, image
生成速度 (p50)
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、Paretoより94%安くなります。
  • 長い文書を扱うならPareto。コンテキスト長は262,144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

Pareto

`price` または `quantity` が文字列として取得されている可能性があります。ただし、**提示されたエラーメッセージとコードには不整合があります**。 Pythonでは、`str * int` はエラーではなく文字列の繰り返しになります。 ```python "100" * 2 # "100100" ``` この結果を `sum()` に渡すと、通常は乗算ではなく加算で次のエラーになります。 ```text TypeError: unsupported operand type(s) for +: 'int' and 'str' ``` そのため、実際の値・型と、実行しているコードおよびトレースバックが一致しているかを確認してください。 ### 1. 取得した値の型を確認する 開発環境で、集計前に次を確認します。 ```python for order in orders: print( repr(order["price"]), type(order["price"]), repr(order["quantity"]), type(order["quantity"]), ) ``` ### 2. 数値に変換してから計算する 金額には、浮動小数点による丸め誤差を避けるために `Decimal` を使うとよいでしょう。以下は、`price` が数値または数値文字列、`quantity` が整数または整数文字列であることを前提にした修正例です。 ```python from decimal imp…
応答時間 17.3秒出力 739 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

Pareto

以下の観点で改善できます。 ## 主な改善ポイント ### 1. 型安全性 - `any[]` は型チェックが効かないため、API レスポンス用と変換後用の型を定義する。 - `status` は可能ならリテラル型の union にする。 - `response.json()` は実行時には何でも返り得るので、必要なら zod などでバリデーションする。 ### 2. 可読性 - `hasMore` フラグと `currentPage` 更新が冗長。`while (true)` + `break` にすると意図が明確。 - `for (let i = 0; ...)` より `for...of` の方が読みやすい。 - `let user` は `const` にできる。 - 文字列連結よりテンプレートリテラルや `join` を使う。 ### 3. パフォーマンス - ページごとに直列 `await` しているため、ページ数が多いと遅い。API が `totalPages` や `nextCursor` を返すなら、同時実行数を制限しつつ並列取得を検討する。 - 全件を配列に保持すると大量データでメモリを圧迫する。必要なら `AsyncGenerator` でストリーム処理する。 - ページサイズが 100 程度なら、`filter` + `map` の 2 パスでも実害は少ない。 ### 4. ベストプラクティス - `response.ok` を確認する。 - `limit=100` などのマジックナンバーは定数化する。 - URL は `URLSearchPa…
応答時間 20.0秒出力 5045 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

Pareto

改善のポイントは、**インデックスの追加だけでなく、JOINによる行数の増幅をなくすこと**です。現状のクエリは、速度だけでなく集計結果にも問題がある可能性があります。 以下は PostgreSQL を想定した改善例です。 ## 1. 現状の問題点 ### 注文明細 × レビューで行数が増える 同じ商品に注文明細が100件、レビューが20件あると、JOIN後は2,000行になります。 その結果、 - `COUNT(o.order_id)` はレビュー件数分だけ水増しされる - `SUM(o.amount)` もレビュー件数分だけ水増しされる - 集計対象の中間データが巨大になる という問題が起きます。レビューは注文とは分けて集計する必要があります。 ### `orders` のLEFT JOINが実質INNER JOINになっている ```sql WHERE o.created_at >= '2024-04-01' ``` によって、注文が存在しない行は除外されます。そのため、元のクエリは「注文がない商品も表示する」動作ではありません。意図を明確にするため、注文には `INNER JOIN` を使えます。 ### 商品名だけでGROUP BYしている ```sql GROUP BY p.product_name, c.category_name ``` では、同じ商品名・カテゴリ名の別商品がまとめられます。商品単位のランキングなら、商品IDも集計キーに含めるべきです。 ## 2. 改善クエリ **「対象注文のある商品について、商品単位の売上上位50…
応答時間 107.3秒出力 2048 トークン

他のプロンプトでも比較する →

よくある質問

LLM-jp-3.1 8x13B instruct4とPareto、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、Paretoは¥1,340.25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Pareto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、Paretoは262,144トークンです。
LLM-jp-3.1 8x13B instruct4とPareto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 "pareto" 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、LLM-jp-3.1 8x13B instruct4とPareto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。

LLM-jp-3.1 8x13B instruct4の他の比較

Paretoの他の比較