Muse Spark 1.2 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）
Muse Spark 1.2（Meta）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
 Muse Spark 1.2 |  Qwen3.7 Max | |
|---|---|---|
| 提供元 | Meta | Qwen |
| 入力（100万トークンあたり） | ¥219.9 | ¥263.58 |
| 出力（100万トークンあたり） | ¥747.65 | ¥790.75 |
| 想定コスト（入力1,000・出力500トークン × 1,000回） | ¥594 | ¥659 |
| コンテキスト長 | 1,048,576 トークン | 1,000,000 トークン |
| リリース日 | 2026/8/5 | 2026/5/21 |
| 入力モダリティ | text, image, video, file, audio | text |
| アリーナ 総合 | #4 · ELO 1,498 | #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 | #7 · ELO 1,533 | #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Muse Spark 1.2。出力100万トークンあたり¥747.65で、Qwen3.7 Maxより5%安くなります。
- 総合の評価はアリーナ順位でMuse Spark 1.2が上です（4位。Qwen3.7 Maxは27位）。
- コーディングの評価はアリーナ順位でMuse Spark 1.2が上です（7位。Qwen3.7 Maxは18位）。
- 長い文書を扱うならMuse Spark 1.2。コンテキスト長は1,048,576トークンで、Qwen3.7 Maxの1,000,000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…
Muse Spark 1.2
このエラーの原因は `DBから取得した price が文字列型(str)になっている`ためです。
### 1. 原因
```
TypeError: unsupported operand type(s) for *: 'str' and 'int'
```
は `文字列 * 数値` の掛け算ができないというエラーです。
`quantity` は `int` なのに対し、`price` が `'1500'` のような `str` になっています。
DBの `price` カラムが `VARCHAR / TEXT` 型になっているか、MySQLなどで `DECIMAL` 型を使っていてDBドライバが文字列として返しているのが原因でよく発生します。
### 2. 修正方法
計算する前に `price` を数値型に変換する必要があります。金額の計算なので `float` ではなく `Decimal` を使うのが推奨です。
#### 修正例1: シンプルな修正
```python
from decimal import Decimal
def get_user_orders(user_id):
orders = db.query("SELECT price, quantity FROM orders WHERE user_id = %s", (user_id,))
total = sum(Decimal(str(order["price"])) * int(order["quantity"]) for order in orders)
retur…
応答時間 14.4秒出力 1292 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…
Muse Spark 1.2
この関数は動作しますが、保守性と堅牢性に大きな改善余地があります。
### 1.主な問題点まとめ
| 観点 | 問題点 |
| :--- | :--- |
| **可読性** | `any`の乱用で型の恩恵がゼロ。マジックナンバー`100`が散在。`for(let i=0...)`や`first_name + " " +`は現代的でない。`fetchAllUsers(page)`という引数が紛らわしい。 |
| **パフォーマンス** | 致命的な遅延はないが、`push`をループ内で一行ずつ行うより`filter + map`の方が最適化され可読。全体を配列に溜め込むためユーザー数が10万人規模だとメモリを圧迫。 |
| **ベストプラクティス** | エラーハンドリングが皆無。`response.ok`をチェックしていないため500エラーでも`response.json()`で例外。無限ループのリスク。`limit`の重複、API仕様変更に弱い。`fetch`が失敗した時にリトライも中断もできない。 |
### 2. 具体的な改善提案
#### A. 可読性
**1. `any`を廃止し、型を定義する**
これが最重要です。`any`を使うとTypeScriptを使う意味がありません。
**2. マジックナンバーとロジックの分離**
`100`は定数 `PAGE_LIMIT` に切り出す。ユーザーの変換処理は別関数 `toUser` に分離し単一責任にする。
**3. モダンな構文に置換**
`for(let i=0; ...)` -> `for...of`…
応答時間 23.1秒出力 2403 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…
Muse Spark 1.2
このクエリが遅い原因は `インデックス不足`以前に `JOINによる行数の爆発`と `LEFT JOINが無効化されている`という論理的な欠陥にあります。
### 1. なぜ30秒以上かかるのか？ 3つの致命的な問題
#### 問題1: `WHERE`句で `LEFT JOIN`が `INNER JOIN`化している
```sql
LEFT JOIN orders o ON o.order_id = od.order_id AND o.status = '完了'
WHERE o.created_at >= '2024-04-01' -- ここが問題
```
`o.created_at` は `orders`が存在しない`NULL`の行では `NULL`になります。`WHERE NULL >= '2024-04-01'`はFalseなので、売上が0件の商品が全て除外されます。
`LEFT JOIN`にした意味がなくなり、オプティマイザが最適な実行計画を選べなくなります。
> 意図が「売上が0件の商品も表示したい」なら `WHERE`ではなく `ON`句に書くべきです。
> 意図が「2024/4/1以降に売れた商品だけ」なら `INNER JOIN`と明示すべきです。
#### 問題2: 行の掛け算による集計結果の誤りと爆発【最大の原因】
500万行のテーブルで一番重いのがこれです。
`1つの商品`に対して `注文10件` と `レビュー10件` があった場合、
`order_details/orders` × `reviews` を同時にJOINすると `10 × 10…
応答時間 25.9秒出力 2653 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
- Muse Spark 1.2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Muse Spark 1.2は¥747.65、Qwen3.7 Maxは¥790.75で、Muse Spark 1.2の方が安くなります（FastMetalの円建て単価・税別）。
- Muse Spark 1.2とQwen3.7 Maxのコンテキスト長の違いは？
- Muse Spark 1.2は1,048,576トークン、Qwen3.7 Maxは1,000,000トークンです。
- Muse Spark 1.2とQwen3.7 Max、評価が高いのはどちらですか？
- 公開アリーナの順位ではMuse Spark 1.2が上です（Muse Spark 1.2 4位、Qwen3.7 Max 27位）。順位はリーダーボードの更新で変わります。
- Muse Spark 1.2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 "muse-spark-1.2" 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、Muse Spark 1.2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。