Qwen3.5 397B-A17B vs Llama 5
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
AlibabaのQwen3.5 397B-A17BとMetaのLlama 5は、注目度の高い主要AIモデルです。Qwen3.5 397B-A17Bは262.1K トークンのコンテキストウィンドウを備え、API料金は100万トークンあたり入力$0.00/出力$0.00、一方のLlama 5は5M トークンのコンテキストで入力$0.00/出力$0.00です。以下でベンチマーク、速度、コストを詳しく比較します。
任意のAIモデルを切り替えて比較
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3.5 397B-A17B
オープンウェイト基盤モデルAlibaba の Qwen3.5 397B-A17B は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。262K のコンテキストウィンドウ、毎秒 64 トークンの生成速度、知能指数 86/100（無料のオープンウェイト提供）を実現しています。
$0.00 / 1M
$0.00 / 1M
262.1K tokens
58%
Llama 5
オープンウェイト基盤モデルMeta の Llama 5 は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。5M のコンテキストウィンドウ、毎秒 65 トークンの生成速度、知能指数 94/100（無料のオープンウェイト提供）を実現しています。
$0.00 / 1M
$0.00 / 1M
5M tokens
74%
ひと目でわかる主な違い
- Both models cost the same under this workload — choose on capability, not price.
- Llama 5 has a larger context window (5M vs 262K tokens).
- Llama 5 is faster at 65 tok/s vs 64 tok/s.
- Llama 5 leads on SWE-bench coding (74.0% vs 58.0%).
| Feature | Qwen3.5 397B-A17B | Llama 5 |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 86 | 94 |
Provider | Alibaba | Meta |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 262.1K tokens~393 A4 pages of text | 5M tokens~7,500 A4 pages of text |
Max Output Tokens Per single request | 16K | 128K |
Throughput Speed Tokens generated per second | 64 tok/s | 65 tok/s |
SWE-bench Verified Real-world software engineering | 58% | 74% |
GPQA Diamond Graduate-level reasoning | 70% | 84% |
分野別勝者スコアカード
At-a-glance decision framework検証済みベンチマークスコア比較
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Contamination-free competitive programming problems collected continuously over time.
American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.
Tokens emitted per second during active generation streaming.
レイテンシ＆応答時間
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
リアルタイムAPIトークン料金シミュレーター
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3.5 397B-A17B · Strengths & Key Advantages
- 262K のコンテキストウィンドウと最大 16K トークンの出力容量（SWE-bench Verified 58% · GPQA Diamond 70%）
- 毎秒 64 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 650ms の低遅延
- オープンウェイトモデル (397B total (17B MoE))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Llama 5 · Strengths & Key Advantages
- 5M のコンテキストウィンドウと最大 128K トークンの出力容量（SWE-bench Verified 74% · GPQA Diamond 84%）
- 毎秒 65 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 850ms の低遅延
- オープンウェイトモデル (600B+ total (~40-80B ))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Qwen3.5 397B-A17B | Llama 5 |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 22K | 40K |
Reasoning Tokens / Task Thinking tokens burned per task | 8K | 20K |
技術仕様・スペック
Architecture, release timeline, capabilities, and modalities.
| Feature | Qwen3.5 397B-A17B | Llama 5 |
|---|---|---|
| Official API Model ID (SDK) | qwen3-5-397b-a17b-instruct | meta-llama/Llama-5 |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-02 | 2026-04 |
| Knowledge Cutoff | December 2025 | January 2026 |
| Architecture | Next-Gen Multimodal Sparse Mixture-of-Experts | Mixture-of-Experts with recursive self-improvement (~600B total, 40-80B active) |
| Parameters | 397B total (17B active MoE) | 600B+ total (~40-80B active) |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | Supported (Screen coordinate grounding, browser & desktop GUI action loops) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) · Audio (~25–32 tokens/sec) · Video (~258–300 tokens/sec) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 246 GB VRAM (4-bit Quantized) · 854 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 372 GB VRAM (4-bit Quantized) · 1290 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text, vision | text, vision, video, audio |
| Output Modalities | text | text |
Qwen3.5 397B-A17B vs Llama 5: よくある質問 (FAQ)
Which is more intelligent, Qwen3.5 397B-A17B or Llama 5?
Llama 5 is more intelligent. It scores 94 compared with 86 on the composite Intelligence Index.
Which model is faster?
Llama 5 is faster, generating 65 tokens per second compared with 64 tokens per second.
Which model has lower latency?
Qwen3.5 397B-A17B has lower latency, with a time to first token of 0.65s compared with 0.85s.
Which model has a larger context window?
Llama 5 has a larger context window, supporting 5M tokens compared with 262.1K tokens.
総合評価
Qwen3.5 397B-A17B（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）とLlama 5（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）はいずれも優れた選択肢です。高度な推論・コーディング精度ではLlama 5がリードし、応答速度とスループットではLlama 5が優れ、APIコスト効率ではQwen3.5 397B-A17Bが有利です。
よくある質問 (FAQ)
コーディングや複雑な推論には Qwen3.5 397B-A17B と Llama 5 のどちらが適していますか？+
総合知能指数およびコーディング評価では Llama 5 が優位です。上部の SWE-bench や GPQA スコアもあわせてご確認ください。
Qwen3.5 397B-A17B と Llama 5 ではどちらのAPI料金が安いですか？+
Qwen3.5 397B-A17B は100万トークンあたり入力$0.00 / 出力$0.00、Llama 5 は入力$0.00 / 出力$0.00です。総合的なコスト効率では Qwen3.5 397B-A17B がより経済的です。
コンテキスト長と生成速度はどちらが優れていますか？+
コンテキストウィンドウは Qwen3.5 397B-A17B が 262.1K トークン、Llama 5 が 5M トークン です。出力スピード（トークン/秒）では Llama 5 がリードしています。
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Gemini 3.8 Flash vs Llama 5：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- GPT-OSS 120B vs Llama 5：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Llama 4 Behemoth vs Llama 5：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Llama 5 vs DeepSeek V4 Pro：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Llama 5 vs GPT-6 Astra：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Llama 5 vs Kimi K3：ベンチマーク・API料金・速度の徹底比較 (2026)比較
Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.
公的ソース: AlibabaおよびMeta公式APIドキュメント、システムカード、独立ベンチマーク評価 (2026)。