LLM-jp-3.1 8x13B instruct4 vs Qwen3.8 2.4T A95B
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Qwen3.8 2.4T A95B（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 |  Qwen3.8 2.4T A95B | |
|---|---|---|
| 提供元 | Llm Jp | Qwen |
| 入力（100万トークンあたり） | ¥16 | ¥351.83 |
| 出力（100万トークンあたり） | ¥79 | ¥1,055.5 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥56 | ¥880 |
| コンテキスト長 | 4,096 トークン | 1,048,576 トークン |
| リリース日 | 2026/3/21 | 2026/8/12 |
| 入力モダリティ | text | text |
| 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、Qwen3.8 2.4T A95Bより93%安くなります。
- 長い文書を扱うならQwen3.8 2.4T A95B。コンテキスト長は1,048,576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
Qwen3.8 2.4T A95B
原因は、`order["price"]` と `order["quantity"]` のどちらかが **文字列型 (`str`) のまま掛け算されている**ことです。
エラーメッセージの
```text
TypeError: unsupported operand type(s) for *: 'str' and 'int'
```
は、`str * int` の演算がサポートされていないために発生しています。
今回のコードではおそらく、データベースから取得した `price` が文字列として返ってきています。例えば、DBのカラムが `TEXT` 型だったり、ドライバやORMの仕様で `DECIMAL` 型が文字列として返ってくると、この問題が起きやすいです。
---
## 原因
```python
total = sum(order["price"] * order["quantity"] for order in orders)
```
このとき、実際には例えば次のようなデータになっています。
```python
order["price"] = "1000" # str
order["quantity"] = 2 # int
```
そのため、
```python
"1000" * 2
```
という計算になり、`TypeError` が発生します。
---
## 修正方法
金額計算であれば、`float` より `Decimal` を使うのが安全です。
```python
from decimal import D…
応答時間 34.0秒出力 1401 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
Qwen3.8 2.4T A95B
以下、レビューと改善案です。
「今のコードが最低限動く可能性はあるが、本番利用には少し脆い」という印象です。特に **型安全・エラーハンドリング・ページング制御・メモリ使用量** を改善すると、より信頼性の高いコードになります。
---
## 1. 主な改善点
### 1.1. `any` をやめて明示的な型を定義する
現状:
```ts
async function fetchAllUsers(page: number = 1): Promise<any[]> {
let allUsers: any[] = [];
```
`any` を使うと、以下のようなミスを検知できません。
- `data.users` が存在しない
- `first_name` ではなく `firstName` だった
- `status` が文字列ではなかった
- `email` が null かもしれなかった
改善後は、API レスポンス用とフロントエンドで使うユーザー用の型を分離するのがおすすめです。
```ts
type User = {
id: number;
name: string;
email: string;
};
type ApiUser = {
id: number;
first_name: string | null;
last_name: string | null;
email: string;
status: string;
};
type UsersPageResponse = {
users: ApiU…
応答時間 75.4秒出力 12140 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
Qwen3.8 2.4T A95B
以下のように直すことで、実行計画が大きく改善する可能性が高いです。特に重要なポイントは次の3つです。
1. `LEFT JOIN` のまま `WHERE o.created_at >= ...` としているため、意図せず `INNER JOIN` 相当になっている
2. `orders` / `order_details` / `reviews` を同時に結合して集約しているため、行数が膨張して `SUM` や `AVG` が遅くなる・正しくなくなる可能性がある
3. 必要なインデックスが不足している
---
## 1. 元クエリの問題点
元のクエリは以下のような構造です。
```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 products p
LEFT JOIN categories c ON c.id = p.category_id
LEFT JOIN order_details od ON od.product_id = p.id
LEFT JOIN orders o ON o.order_id = od.order_id AND o.status = '完了'
LEFT JOIN reviews r ON r.product_id = p.id
WHERE p.is_active = true…
応答時間 59.0秒出力 8905 トークン
よくある質問
- LLM-jp-3.1 8x13B instruct4とQwen3.8 2.4T A95B、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、Qwen3.8 2.4T A95Bは¥1,055.5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Qwen3.8 2.4T A95B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、Qwen3.8 2.4T A95Bは1,048,576トークンです。
- LLM-jp-3.1 8x13B instruct4とQwen3.8 2.4T A95B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 "qwen3.8-2.4t-a95b" 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Qwen3.8 2.4T A95B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。