モデル比較

LLM-jp-3.1 8x13B instruct4 vs Qwen4 Max

料金・コンテキスト長・実際の回答で比較(2026年11月時点)

LLM-jp-3.1 8x13B instruct4(LLM-jp)とQwen4 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 instruct4qwen logoQwen4 Max
提供元LLM-jpQwen
入力(100万トークンあたり)¥16¥237.38
出力(100万トークンあたり)¥79¥712.32
想定コスト(入力1,000・出力500トークン × 1,000回)¥56¥594
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2026/3/212026/11/16
入力モダリティtexttext, image, video
生成速度 (p50)124 トークン/秒 (n=26)—
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の単価(税別)です。

順位データ: LMArena leaderboard dataset(lmarena-ai/leaderboard-dataset、CC BY 4.0、2026-11-11時点)。カテゴリ名の対応付けとスコアの丸めはFastMetalによる。

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、Qwen4 Maxより89%安くなります。
  • 長い文書を扱うならQwen4 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

Qwen4 Max

## 原因 `db.query()` から返ってきた `price`(または `quantity`)が **数値ではなく文字列** で、Python は `str` と数値の暗黙変換をしないため演算に失敗しています。 よくある発生パターン: - `price` カラムが `TEXT` / `VARCHAR` で定義されている(金額を文字列で保存している) - SQLite の型アフィニティや、JSON カラム・JSON 経由のデータで `"1980"` のように入っている - ドライバ/シリアライザの設定で `DECIMAL` が `str` として返る(冪等性重視のドライバや ORM の生 SQL 結果など) ### 補足:エラーメッセージの組み合わせについて 実は Python では `"1980" * 3` は **エラーにならず `"198019801980"` になります**(文字列の繰り返し)。つまり `str * int` の組み合わせでは、このTypeErrorは出ません。実際に起きているのは次のいずれかです。 - `quantity` 側が `float` / `Decimal` → `str * float` で `TypeError` - 両方 `str` → メッセージは `'str' and 'str'` - 掛け算は通ってしまい、`sum()` の足し算側で `TypeError: unsupported operand type(s) for +: 'int' and 'str'` したがって「price だけ直せば終わり」と決めつけ…
応答時間 61.8秒出力 2676 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

Qwen4 Max

# レビュー: `fetchAllUsers` 全体のロジック(ページングして溜め込む)は正しいですが、**エラーハンドリングの欠如**と**無限ループのリスク**が実運用では致命的です。以下、重要度順に整理します。 --- ## 1. 重大な問題( correctness / robustness ) | # | 問題 | 影響 | |---|---|---| | 1 | `response.ok` をチェックしていない | 404/500 でも `response.json()` を呼ぶ。HTML エラーページなら `SyntaxError`、`{"error":...}` なら `data.users` が `undefined` で `TypeError`。**原因が分からない例外**になる | | 2 | ループ上限がない | API が常に 100 件返す(`page` パラメータを無視する等)と**無限ループ**。クライアントが固まり、サーバにも負荷 | | 3 | `AbortSignal` がない | コンポーネントのアンマウントやタイムアウトでキャンセルできない。React なら状態更新リーク+無駄なリクエスト | | 4 | `data.users` の存在・型を検証していない | API 契約変更で即クラッシュ | | 5 | 終了判定が `length < 100` の推測 | 総件数が 100 の倍数のとき無駄なリクエストが 1 回発生。また API 側に `total` / `nextPage` があるならそれを使うべき | | 6 | 途…
応答時間 88.9秒出力 3471 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

Qwen4 Max

# 結論(先に要点) | # | 問題 | 影響 | |---|---|---| | 1 | **注文明細とレビューの多重結合(ファンアウト)** | 中間行数が爆発。**性能問題の最大原因であり、同時に集計値が間違っている** | | 2 | `LEFT JOIN orders` + `WHERE o.created_at >= ...` | 実質 INNER JOIN。オプティマイザの選択肢を狭め、意図も不明瞭 | | 3 | インデックス不足(特に `order_details.product_id/order_id`、`reviews.product_id`、`orders.status/created_at`) | 全件 Seq Scan + 巨大 Hash/Sort | | 4 | `GROUP BY product_name, category_name` | 同名の別商品が合并される。PK でグループ化すべき | | 5 | `SUM(o.amount)` を注文明細行に対して合計 | 1注文に複数明細があると金額が水増しされる(設計上の要確認点) | --- ## 1. 最大の原因:ファンアウトによる行数爆発 `order_details`(→orders)と `reviews` は **どちらも products に対する 1:N** です。これを同時に LEFT JOIN すると、商品ごとにデカルト積が発生します。 ``` product A: 注文明細 1,000行 × レビュー 50行 = 50,000行 product B: 注文明細 2,…
応答時間 129.4秒出力 5459 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Qwen4 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、Qwen4 Maxは¥712.32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Qwen4 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、Qwen4 Maxは1,000,000トークンです。
LLM-jp-3.1 8x13B instruct4とQwen4 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 "qwen4-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追加すれば、LLM-jp-3.1 8x13B instruct4とQwen4 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。

LLM-jp-3.1 8x13B instruct4の他の比較

Qwen4 Maxの他の比較