一騎打ち
GLM-5.2 vs Mistral Large 3:2026年に勝つAIモデルはどっち?
GLM-5.2($4.40/1M out)と Mistral Large 3($1.50/1M out)は、2026年に最も使われているAIモデルのひとつです。 4件のコミュニティ票のうち、GLM-5.2 が支持率50%でリードしています。
即断の評決
推論で選ぶなら GLM-5.2:アリーナの評価は4.5/5、対する Mistral Large 3 は3/5です。 予算重視なら Mistral Large 3 の勝ち:$1.50/1M outから始められるのに対し、GLM-5.2 は$4.40/1M outからです。
項目別比較
強みと弱み
GLM-5.2
- Artificial Analysis Intelligence Index でオープンウェイト首位(スコア 53、106 モデル中 4 位)。MIT ライセンスで実際にダウンロードして自社運用できる最強のモデルです
- SWE-Bench Pro で 62.1 と GPT-5.5 の 58.6 を上回り、Terminal-Bench 2.1 で 82.7、GPQA-Diamond で 91.2。安価な代替品ではなく、フロンティア級のコーディングと推論です
- 入力 100 万トークンあたり 1.40 ドル、出力 4.40 ドル(キャッシュヒット時は入力 0.26 ドル)。GPT-5.5 や Claude Opus 4.8 のトークン単価のおよそ 6 分の 1 です
- 実際に高速で、出力は毎秒 153.2 トークン、最初のトークンまで 1.39 秒。同じオープンウェイト帯の Kimi K3(毎秒 33 トークン)を大きく上回ります
- 100 万トークンのコンテキストと最大 128K の出力に加え、フルコンテキスト時にトークンあたりの FLOPs を 2.9 分の 1 にする IndexShare アーキテクチャ
- MIT ライセンスとウェイト公開により、自社運用すればベンダーロックインもホスト API のデータ管轄の問題も解消されます
- 主要モデルの中で最も冗長です。Artificial Analysis の 1 タスクあたり出力 43,000 トークン(うち推論が 37,000)で平均の 1.8 倍。安い表示価格も実際には 1 タスク 0.32 ドルとなり、OpenRouter では応答に約 75 秒かかります
- ハルシネーション補正後の知識に弱く、AA-Omniscience は 4。Claude Opus 4.8 の 27、Gemini 3.5 Flash の 23、GPT-5.5 の 20 に大きく劣り、上位モデルが回答を控える場面でも自信を持って答えてしまいます
- テキスト専用で、画像や音声の入力に対応していません。直接の競合の多くはネイティブにマルチモーダルです
- Artificial Analysis は、同規模の他のオープンウェイトモデルと比べて高価だと指摘しています。価格面の優位はクローズドな米国フロンティアに対してであり、オープン勢に対してではありません
- 753B のパラメータは自社運用にマルチ GPU のデータセンター環境を要します。多くのチームにとって「オープンウェイト」は実際に動かせることではなく、可搬性と監査可能性を意味します
Mistral Large 3
- Apache 2.0のオープンウェイトで、総675Bパラメータにもかかわらず FP8/NVFP4量子化によりシングルノード展開が可能です
- 256Kのコンテキストウィンドウはオープンウェイトモデルとして上位で、長文ドキュメントのRAGに好適です
- フラッグシップとして攻めの価格、入力$0.50 / 出力$1.50 per 1M tokens:欧米のプロプライエタリフラッグシップの約3-4分の1です
- LMArenaのオープンソース非推論モデル部門で2位デビュー(Elo約1418)です
- ネイティブマルチモーダリティ(2.5Bパラメータのビジョンエンコーダー)と40以上のネイティブ対応言語を備えます
- HNの開発者は、厳格なフォーマットと指示追従、本番環境での信頼性を称賛しています
- 深い推論が弱い:GPQA Diamondは約44%で、DeepSeek V3.2やKimi K2 Thinkingの70%台後半に対して見劣りします。発売時に推論特化版もありません
- 現代的なコーディングベンチマークでGLM-4.6、Kimi K2、DeepSeekに後れます(LiveCodeBench v6は中位)。HNの開発者はGemini 3、GPT-5.1、Claude Opus 4.5より「別の階級」下と位置付けています
- 事実QAでハルシネーションが出やすく(SimpleQA約24%)、回答を控えるチューニングも弱めです
- Artificial Analysisの計測出力速度は約49 tok/sで、同クラスモデルの中央値約58 tok/sを下回ります
- アーキテクチャがDeepSeek V3に酷似しているとのHNでの批判があり、独自R&Dへの疑念を招いています
あなたの審判を下す
1人につき各ツール1票。あなたの推薦が、みんなの見る観客スコアを動かします。
GLM-5.2 へのアリーナの評決
GLM-5.2 は現時点でダウンロードできる最良のモデルです。Artificial Analysis でオープンウェイト勢を牽引し、SWE-Bench Pro で GPT-5.5 を上回り、トークン単価はクローズドな米国フロンティアのおよそ 6 分の 1。エージェント型コーディング、腰を据えたリポジトリ作業、100 万トークン規模の分析に向いており、自社運用やライセンスの自由がロードマップ上重要ならなおさらです。ただし冗長さには注意してください。1 タスクあたり 43,000 出力トークンを消費するため実際の費用は 1 タスク 0.32 ドル前後になり、応答には約 75 秒かかるので、対話型プロダクトには不向きです。また知識のよりどころとして使わないでください。AA-Omniscience が 4(Opus 4.8 は 27)ということは、控えるべき場面でも自信を持って答えるということなので、事実に関わる用途には検証層を挟んでください。純粋なトークン単価では DeepSeek V4 のほうが安価です。GLM-5.2 の売りは、自分のものにできるフロンティア級の能力です。
Mistral Large 3 へのアリーナの評決
多言語RAG、長文ドキュメント作業、セルフホスト展開のためにEU統治のオープンウェイトフラッグシップが欲しいならMistral Large 3を選んでください。Mistral Large 2(密123B、制限的な研究ライセンス、API価格$2/$6)と比べて、コンテキスト、マルチモーダリティ、ライセンス、コストのすべてで明確なアップグレードです。主力のコーディングエンジンや深い推論エンジンとしては避けてください。DeepSeek V3.2、GLM-4.6、またはプロプライエタリのフロンティアモデルの方が大幅に高いスコアを出します。フロンティア級の実力者ではなく、安価で信頼できる働き者として扱うのが正解です。
観客の声
GLM-5.2 について
“yok”
“The verbosity is not a detail. 43k output tokens for a task Opus does in 15k means my cheap model is not cheap, and 75 seconds per answer killed it for our support bot. Great for batch, useless interactive.”
“1M context that actually stays coherent. Fed it a 400k-token monorepo and the cross-file reasoning was better than anything else I can self-host. 153 tokens/s makes the long reasoning bearable.”
“Swapped it in for our agentic refactor jobs and it held up against Opus 4.8 at a fraction of the bill. The MIT weights are what sold my CTO: we can move it in-house if Z.ai ever changes the terms.”
Mistral Large 3 について
まだ審判はありません。最初の声を上げてください。
比較を続ける
よくある質問
GLM-5.2 は Mistral Large 3 より優れていますか?
推論では GLM-5.2 が上回っています(4.5/5 vs 3/5)。 最適な選択は用途次第です。このページの項目別比較で、料金、主要スペック、アリーナ評価を分解しています。
GLM-5.2 と Mistral Large 3、安いのはどちらですか?
Mistral Large 3 の方が安く、$1.50/1M outから始められます。GLM-5.2 は$4.40/1M outからです。
GLM-5.2 と Mistral Large 3 の100万トークンあたりの料金は?
GLM-5.2:入力100万トークンあたり$1.40/1M in (cache hit $0.26)、出力100万トークンあたり$4.40/1M out。Mistral Large 3:入力100万トークンあたり$0.50/1M in、出力100万トークンあたり$1.50/1M out。