GLM 5.3 Flash で1ヶ月コーディングしてみた結果
One month coding with GLM 5.3 Flash
筆者は9月をGLM 5.3 Flashという一つの効率的なオープンモデルのみで過ごすという挑戦を行った。結果として、目標の20億トークンに対し10億トークン(50%)の使用に留まった。前半はGLM 5.3 Flashを順調に使用し、予算内(68ドル、約4kWhのエネルギー消費、365グラムの炭素排出量)に収まった。しかし、後半はプロトタイプ開発で意図せず高コストなモデル(4.5億トークン、150ドル、5kWh)を使用してしまい、モデル選択の重要性を再認識した。また、インフラの可用性問題からGLM 5.3 Flashのパフォーマンスが低下し、DeepSeek V4.1 FlashやQwen 3.8 Flashなどの代替モデルへの切り替えも発生した。実験と研究開発のコストも考慮する必要がある。この経験から、10月に向けては、トークンだけでなくエネルギー使用量やコストも考慮した継続的な使用状況の測定と報告、実験のための予算確保、プロンプト選択やマルチエージェント技術の改善、より効率的なモデルの追求が必要だと結論付けている。最終的な目標は、コストやエネルギー消費量で測定される効率的なモデルでのAI推論作業の大部分を実行することである。
- 筆者は9月をGLM 5.3 Flash単一モデルで開発する挑戦を行い、目標20億トークンに対し10億トークン(50%)の使用に留まった
- 前半は予算内(68ドル、約4kWh、365グラムの炭素排出)に収まったが、後半にプロトタイプ開発で意図せず高コストモデルを使用し4.5億トークン・150ドル・5kWhを消費した
- インフラの可用性問題でGLM 5.3 Flashの性能が低下し、DeepSeek V4.1 FlashやQwen 3.8 Flashなど代替モデルへの切り替えが発生した
- 10月に向け、トークンだけでなくエネルギー使用量とコストの継続測定・報告、実験予算の確保、プロンプト選択やマルチエージェント技術の改善、より効率的なモデルの追求が必要と結論付けた
個人開発者が単一のオープンモデル(GLM 5.3 Flash)で1ヶ月コーディングを完遂しようとした実測記録で、投資判断に直結する企業発表ではないものの、AI推論の実運用コスト構造を可視化している点が重要。10億トークンで68ドル・約4kWh・365g-CO2という実測値は、推論単価とエネルギー効率がモデル選定の実務KPIになりつつあることを示す。後半に高コストモデルへ意図せず流出し4.5億トークン・150ドル・5kWhを消費した失敗は、エージェント型コーディングではモデルルーティング機能そのものが課金最適化の競争軸になることを示唆する。またインフラ可用性低下によりDeepSeek V4.1 FlashやQwen 3.8 Flashへ切り替えが発生した事実は、推論プロバイダの供給安定性・冗長性がシェア争いの論点になることを裏付ける。トークン課金とエネルギー・炭素コストの両面開示を求める流れは、推論インフラ・API事業者の収益性評価や電力制約の織り込みに今後効いてくる。