LLM-jp-3.1 8x13B instruct4 vs Qwen3.7 Max
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Qwen3.7 Max（Qwen）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 |  Qwen3.7 Max | |
|---|---|---|
| 提供元 | Llm Jp | Qwen |
| 入力（100万トークンあたり） | ¥16 | ¥263.58 |
| 出力（100万トークンあたり） | ¥79 | ¥790.75 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥56 | ¥659 |
| コンテキスト長 | 4,096 トークン | 1,000,000 トークン |
| リリース日 | 2026/3/21 | 2026/5/21 |
| 入力モダリティ | text | text |
| アリーナ 総合 | 圏外 | #27 · ELO 1,474 |
| アリーナ 日本語 | 圏外 | 圏外 |
| アリーナ コーディング | 圏外 | #18 · ELO 1,525 |
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、Qwen3.7 Maxより90%安くなります。
- 長い文書を扱うならQwen3.7 Max。コンテキスト長は1,000,000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
Qwen3.7 Max
### 結論：エラーの原因
このエラーの原因は、**データベースから取得した `order["price"]`（または `order["quantity"]`）が数値型（`int` や `float`）ではなく、文字列型（`str`）として返ってきている**ことです。
Pythonでは本来 `"100" * 2` のような「文字列 × 整数」の演算は `"100100"` という文字列の繰り返しとして処理されますが、フレームワークやORMの内部処理、あるいは実際には `float` と `str` の演算であった場合などに `TypeError` として数学的な乗算エラーが送出されます。
いずれにせよ、**「数値計算をしたいのに、データが文字列になっている」** ことが根本原因です。これは、データベース側の `price` カラムが `VARCHAR` や `TEXT` 型で定義されている場合によく起こります。
---
### 修正方法
アプローチは3つあります。状況に合わせて選択してください。
#### 1. Python側で型変換する（即効性のある修正）
コード上で明示的に数値（`float` または `int`）にキャストします。価格には小数が含まれる可能性があるため、`float()` を使うのが安全です。
```python
def get_user_orders(user_id):
orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", user_id…
応答時間 59.2秒出力 3324 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
Qwen3.7 Max
ご提示いただいたコードは、ページネーションの処理やデータの整形など、基本的なロジックは正しく実装されています。
しかし、**TypeScriptの型安全性、エラーハンドリング、可読性、そして大規模データ時のパフォーマンス（メモリ消費）** の観点から、いくつか重要な改善点があります。
以下にレビュー結果と、改善後のコードを提案します。
---
### 🔍 レビューポイント
#### 1. 型安全性 (TypeScriptベストプラクティス)
* **`any` の多用:** `Promise<any[]>` や `data` が `any` になっているため、TypeScriptの恩恵（補完やコンパイル時のエラー検知）が得られていません。APIレスポンスと返却用のインターフェースを定義すべきです。
* **プロパティアクセスの危険性:** `data.users` が存在しない（または `null` / `undefined`）場合にランタイムエラー（`TypeError`）が発生するリスクがあります。
#### 2. エラーハンドリングと堅牢性
* **HTTPステータスコードの未確認:** `fetch` はネットワークエラー（オフライン等）以外ではエラーを投げません（404や500でも成功とみなされます）。`response.ok` のチェックが必須です。
* **無限ループのリスク:** サーバー側のバグで常に100件返却され続けた場合、無限ループに陥ります。セーフティネット（最大ページ数や総件数のチェック）があると安心です。
#### 3. 可読性
*…
応答時間 73.1秒出力 3915 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
Qwen3.7 Max
提示されたSQLクエリには、**パフォーマンスを著しく低下させる構造的な問題（直積の発生）**と、**意図しないデータ抽出（暗黙のINNER JOIN）**、そして**インデックスの不足**という3つの重大な問題があります。
以下に最適化されたクエリと、必要なインデックス、そして改善点の詳細な解説を提示します。
---
### 1. 最適化されたSQLクエリ
```sql
WITH SalesAgg AS (
-- 1. 注文と注文詳細を先に集計し、商品IDごとの売上を作る
SELECT
od.product_id,
COUNT(o.order_id) AS order_count,
SUM(o.amount) AS total_sales
FROM orders o
INNER JOIN order_details od ON od.order_id = o.order_id
WHERE o.status = '完了'
AND o.created_at >= '2024-04-01'
GROUP BY od.product_id
)
SELECT
p.product_name,
c.category_name,
s.order_count,
s.total_sales,
-- 3. レビューの平均はLIMIT 50件に対してのみ計算する（相関サブクエリ）
(SELECT AVG(r.rating) FROM reviews r WHERE r.product_id = p.id) AS a…
応答時間 81.9秒出力 4393 トークン
よくある質問
- LLM-jp-3.1 8x13B instruct4とQwen3.7 Max、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、Qwen3.7 Maxは¥790.75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Qwen3.7 Max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、Qwen3.7 Maxは1,000,000トークンです。
- LLM-jp-3.1 8x13B instruct4とQwen3.7 Max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 "qwen3.7-max" 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Qwen3.7 Max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。