ai-garage

VS COMPARISON

Mistral Large 3 vs GLM-5.3

Mistral AI

Mistral Large 3

Large 3 (MoE 675B/41B active) ／ 2025-12

「ヨーロッパ生まれのバランス型だよ」
VS

Z.ai

GLM-5.3

5.3 ／ 2026-08-18

「Kimi K3 と知能は同点なのに、お値段は半分以下なんだ」

編集部の総合判定

総合知能（AA Index）は GLM-5.3 60 対 Mistral Large 3 16。現時点では GLM-5.3 が明確に優位

ベンチ勝ち：Mistral Large 3 0 / GLM-5.3 1 料金で安い項目：Mistral Large 3 2 / GLM-5.3 0 データ最終更新：2026-08-28（編集部集計）

世代差に注意：GLM-5.3 は Mistral Large 3 より約8か月新しい世代（2026年8月公開 vs 2025年12月公開）

WHICH ONE

こんな人はどっち？

こんな人は Mistral Large 3

  • ✓ API 料金を抑えたい人（入力$0.5/出力$1.5）
  • ✓ 画像も読ませたい人

こんな人は GLM-5.3

  • ✓ コスパ重視の人（AIコスパ指数 81 対 50）
  • ✓ 長い資料を読ませたい人（100万トークン）

SPECS

仕様の比較

項目 Mistral Large 3 GLM-5.3
バージョン Large 3 (MoE 675B/41B active) 5.3
公開日 2025-12 2026-08-18
コンテキスト長 256K 1000K 勝ち
入力料金 $/1M $0.5 安い $1.4
出力料金 $/1M $1.5 安い $4.4
推論モデル ✓ あり ✓ あり
マルチモーダル ✓ あり —
AIコスパ指数 独自指標 50 81 勝ち

BENCHMARKS

ベンチマーク差分

バーの長さは100%スケール。長い方が勝ち。

総合知能（AA Intelligence Index）

Mistral Large 3
16
GLM-5.3
60 勝ち

コード修正力（SWE-Bench）

Mistral Large 3
60%
GLM-5.3
—

知識の広さ（MMLU）

Mistral Large 3
85.5%
GLM-5.3
—

専門知識（GPQA）

Mistral Large 3
73%
GLM-5.3
—

数学（AIME）

Mistral Large 3
75%
GLM-5.3
—

※ AA Intelligence Index（第三者機関 Artificial Analysis の統合知能指標）/ SWE-Bench Verified（実OSSバグ修正）/ MMLU（総合学力）/ GPQA Diamond（博士レベル理系）/ AIME（数学オリンピック予選）/ HLE（Humanity's Last Exam・最難関試験）

※「—」は未公表（実測0ではありません）。未公表の項目は勝敗のカウント対象外です。公式が個別ベンチを公表していないモデルも、AA Intelligence Index は第三者測定のため横並びで比較できます。

X VOICE

Xの評判はどう？

ベンチマークとは別の軸として、直近7日（2026-08-24 〜 2026-08-31）の X上の日本語の声をサンプル分析。てんびん丸総研調べ。

Mistral Large 3

X評判スコア — ／100（n=4）

ポジ 1 ／ ネガ 2 ／ 中立 1 （判定材料が少なくスコアは保留）

👍 ファッションアドバイスが優秀

👎 ストーリー生成が下手

👎 ストーリー展開が下手

GLM-5.3

今週の集計にこのモデルのデータはありません。

※ Grok（x_search）で過去7日の日本語Xポストを、モデルごとに3つの角度（感想・活用報告・他モデル比較）から検索してサンプル収集し、ポジ・ネガ・中立をLLM分類した傾向値。全数調査ではなく、角度間の重複除外も完全ではありません。評判スコア＝ポジ÷（ポジ＋ネガ）×100（判定5件未満は「—」）。 全モデルの一覧と推移は てんびん丸総研へ。

EDITOR'S NOTE

編集部メモ

数値の背景と、いまの提供状況・注意点

Mistral Large 3

フランス発、EU 規制対応で欧州エンタープライズの本命。675B 総 / 41B アクティブの MoE、Apache 2.0 ライセンス。LiveCodeBench v6 で 82.8% pass@1、LMArena のオープン系コーディング首位。コスパ良好。本表の256Kトークンは公式モデルカードの「256k context window」で、入力と出力の内訳は公表されていない（2026-08-18 確認）。

GLM-5.3

中国の Z.ai が 2026-08-18 に公開した同社の旗艦モデル（API のモデル名は glm-5.3）。 土台は前世代 GLM-5.2 と同じで、公開後の追加学習だけで性能を伸ばしたと公式が明記しています。 考える機能は常にオンで、考える量は low / high / max の3段階（指定しない場合は max）。 入力はテキストのみで、画像・音声には対応しません。一度に読める量は100万トークン、 一度に書ける量は最大12万8千トークン（2026-08-28 に公式ドキュメントで確認）。 第三者測定の Artificial Analysis Intelligence Index は 60（v4.1.1・max 設定）で、本表では Kimi K3 と同点。 コードを直す力は、誰でも見られる DeepSWE v1.1 の公式ランキング（113課題・ハーネスは mini-swe-agent・ max 設定／2026-08-26 更新）で 69%（誤差 ±3）・掲載25モデル中5位。Kimi K3（68.5%）・Grok 4.6（67.5%）・ DeepSeek V4-Pro（62.8%）を上回り、Claude Opus 5（73.6%）と GPT-5.6 Sol（72.7%）には届いていません。 1課題あたりの平均費用は $3.99 で、Opus 5 の $11.84 の約3分の1です。 Z.ai 自身の発表値は同じベンチで 66.9 ですが、公式ランキングの 69%（誤差 ±3）の範囲に収まっています。 同社が公表している他のベンチは Terminal Bench 3.0 が 28.3、Agents' Last Exam が 28.5、 ソフトウェアの弱点を見つける CyberGym が 84.5%。Z.ai Code Bench（max 設定で 34.5%、前世代比 50%向上）は 名前に自社名が入る自社製のテストなので参考程度に見てください。 SWE-bench Verified・MMLU・GPQA・AIME は公式・第三者とも数値を公表しておらず本表では「—」です （名前の似た別のテストの値では埋めていません）。 【重みの公開について】Z.ai は発表文で「公開されているモデルの中では最高水準」と書いていますが、 Hugging Face の zai-org には廉価版 GLM-5.3-Flash（MIT ライセンス）はあっても GLM-5.3 の公開リポジトリは無く、 Artificial Analysis も proprietary（非公開）と分類しています（2026-08-28 確認）。 【廉価版について】GLM-5.3-Flash（2026-08-26 公開・MIT ライセンス・AA Index 57）は 2026-09-09 まで50%オフの割引価格（入力 $0.075 / 出力 $0.25、定価は $0.15 / $0.50）で提供中です。 値段が確定する 2026-09-10 以降に、本表へ別行として追加するかを判断します。 中国製のため業務利用は規約とデータの取り扱いを確認してください。

PROS & CONS

強み・弱み

Mistral Large 3

ヨーロッパ発のオープンモデル勢。大型の Large 3 と新世代 Medium 3.5 の二枚看板で攻める。

◎ 強み

  • ◎ Mistral Large 3 が 675B 総 / 41B アクティブの MoE（Apache 2.0）
  • ◎ Medium 3.5（2026-04-28）はチャット・推論・コーディング・視覚を1つに統合、SWE-Bench Verified 77.6%
  • ◎ 消費者向けの Le Chat は 2026-05-28 に「Vibe」へ改称・統合（無料プランあり）、既定モデルは Medium 3.5
  • ◎ Vibe は Work / Code / Chat の3モードを束ねた作業エージェントで、CLI・VS Code 拡張まで用意
  • ◎ 小型の Mistral Small 4（Apache 2.0）や Ministral 3（14B/8B/3B）まで揃い、自前運用しやすい
  • ◎ Voxtral TTS / OCR 4.1（2026-07-16）など周辺モデルも拡充

△ 注意点

  • △ Medium 3.5 のライセンスは Apache 2.0 ではなく Modified MIT（高収益企業に一部制限あり）
公式サイト →

GLM-5.3

中国 Z.ai の GLM シリーズ。旗艦 GLM-5.3 は DeepSWE 公式ランキング5位、廉価版 GLM-5.3-Flash は MIT ライセンスで商用利用もできる。

◎ 強み

  • ◎ 旗艦 GLM-5.3（2026-08-18 公開）は DeepSWE v1.1 の公式ランキングで 69%・掲載25モデル中5位
  • ◎ 1課題あたりの平均費用 $3.99 は Claude Opus 5（$11.84）の約3分の1
  • ◎ 100万トークンの長文コンテキスト、一度に書ける量は最大12万8千トークン
  • ◎ 廉価版 GLM-5.3-Flash（2026-08-26 公開）は重みが MIT ライセンスで公開され、商用利用もできる
  • ◎ GLM-5.3-Flash は画面やブラウザの画像も見られるので、コードと表示結果を行き来する作業に向く

△ 注意点

  • △ 旗艦の GLM-5.3 は入力がテキストのみ（画像・音声は扱えない）
  • △ GLM-5.3 の重みは公開されておらず、公開されているのは廉価版の GLM-5.3-Flash のほう
  • △ SWE-bench Verified・MMLU・GPQA・AIME は公式・第三者とも数値が出ていない
  • △ 中国製のため業務利用は規約とデータの取り扱いを確認したい
  • △ GLM-5.3-Flash の割引価格は 2026-09-09 までの期間限定
公式サイト →

PRIMARY SOURCES

一次ソース

Mistral Large 3

GLM-5.3

FAQ

よくある質問

Q. Mistral Large 3 と GLM-5.3、結局どっちがいい？

A. 第三者測定の AA Intelligence Index は GLM-5.3 が 60、Mistral Large 3 が 16 と明確な差があり、現時点の総合性能では GLM-5.3 が優位です。なお、GLM-5.3 は Mistral Large 3 より約8か月新しい世代（2026年8月公開 vs 2025年12月公開）です。料金や使い勝手も含めた選び方は「こんな人はどっち？」の欄を参考にしてください。

Q. Mistral Large 3 と GLM-5.3、料金が安いのはどっち？

A. 入力料金は Mistral Large 3 が $0.5／1M、GLM-5.3 が $1.4／1M。出力料金は Mistral Large 3 が $1.5／1M、GLM-5.3 が $4.4／1M です。入力・出力とも Mistral Large 3 の方が安く、コスト重視なら Mistral Large 3 が有利です。

Q. Mistral Large 3 と GLM-5.3、ベンチマークで強いのはどっち？

A. 両モデルが共通で公表している指標は1項目と少ないため、全モデルを第三者が同一条件で測定している AA Intelligence Index（Mistral Large 3 16／GLM-5.3 60）を軸に判断するのがおすすめです。AA Intelligence Index・SWE-Bench・MMLU・GPQA・AIME などの比較可能な指標では GLM-5.3 の勝ち数が多く（1／0）、総合的なベンチ性能では GLM-5.3 が優勢です。

Q. Mistral Large 3 と GLM-5.3、コスパがいいのはどっち？

A. AIコスパ指数（第三者測定の知能スコアと料金の安さを 6:4 で合成した編集部独自指標）は Mistral Large 3 が 50、GLM-5.3 が 81。「安くて賢い」バランスでは GLM-5.3 が有利です。

Q. Mistral Large 3 と GLM-5.3、初心者にはどっちがおすすめ？

A. 初心者へのおすすめ度は Mistral Large 3・GLM-5.3 とも同程度（2／5）。どちらも入門用途に向いているので、料金や使いたいツールとの相性で選んで大丈夫です。

RELATED

もっと深く知る

関連トピック

オープンソースAI vs クローズドAI

Qwen・DeepSeek・Kimi がトップ走者に迫る。性能だけでなく『所有権』が論点に。

OTHER COMPARISONS

他のペアも見る

Claude Opus 5 vs Claude Fable 5 Claude Opus 5 vs GPT-5.6 Sol Claude Opus 5 vs Gemini 3.1 Pro Claude Opus 5 vs Claude Sonnet 5 Claude Opus 5 vs DeepSeek V4-Pro Claude Opus 5 vs Grok 4.6
全ペアを見る →

更新を受け取る

X で更新を受け取る（@tenbin_maru） → RSSで受け取る →