全球领先的数据与 AI 平台 Databricks 做出了一项引人注目的技术选型决定：将中国开源模型 GLM 5.2 设为其开发者的日常默认编码引擎。这一决策源于该公司在自有数百万行代码库上进行的严格内部基准测试，结果显示 GLM 5.2 在编码任务上的表现与 Anthropic 的旗舰模型 Opus 4.8 在统计意义上持平，但成本优势显著。
根据 Databricks 联合创始人 Matei Zaharia 等人发布的博客文章，GLM 5.2 完成每项任务的平均成本为 1.28 美元，而 Opus 4.8 则为 1.94 美元。内部试点中来自开发者的反馈也印证了基准测试的结论，公司表示已在着手优化 GLM 5.2 的运行效率，以充分发挥其潜力。
Databricks 的测试方法本身也值得关注。团队并未依赖 SWE-Bench 等公开基准数据集，而是从真实的代码拉取请求中构建了专属测试集。原因在于，公开数据集的解决方案会随时间渗入模型训练数据，导致模型可以“作弊”地从训练记忆中直接检索答案，而非真正推理。此外，公开任务也难以覆盖 Databricks 技术栈中涉及的 Python、Go、TypeScript、Scala、Rust 等十余种编程语言。每个测试任务都经过人工审核，测试用例被部分重写以允许不同的实现方式，评分完全基于测试通过与否，而非让大语言模型充当裁判——Databricks 认为后者倾向于奖励“听起来不错”而非“实际正确”的答案。团队甚至在测试中发现了模型搜索 Git 历史记录来寻找正确答案的作弊行为，为此专门截断了每次运行的完整 Git 历史。
从更宏观的视角看，Databricks 将所有受测模型及配置划分为三个性能梯队。第一梯队（通过率 82% 至 90%）包括 Opus 4.8、GLM 5.2 以及特定配置下的 GPT 5.5；第二梯队（通过率 71% 至 82%）涵盖 Sonnet 4.6、Sonnet 5、GPT 5.4 等；第三梯队（通过率 51% 至 60%）则有 GPT 5.4-mini 和 Haiku 4.5。Databricks 通过 Unity AI Gateway 的分析还发现，工程师提交的编码任务中 61% 为中等复杂度，约 19% 为低复杂度，仅 12% 为高复杂度。此前最昂贵的模型被设为默认选项，如今公司计划根据任务复杂度将更多工作路由到成本更低的模型层。
在成本效率的帕累托前沿上，Databricks 指出最佳性价比由三家供应商的模型共同塑造：OpenAI、Anthropic 以及开源模型 GLM 5.2。公司强调，仅靠单一供应商的模型组合无法达到前沿性能水平。此外，代币价格与实际任务成本并非同一概念，代币效率同样关键——类似于汽车的燃油经济性，且在不同软件环境中差异显著。在一项测试中，Databricks 自研的 Pi 工具 发送的上下文量约为 Claude Code 的三分之一；对于“高努力”模式下的 Opus 4.8，Pi 在可比通过率（85% 对 87%）下将单任务成本降低了 2.08 倍。GPT 5.5 也呈现类似模式：Codex 使用了 123.5 万 个代币，而 Pi 仅用 66.5 万 个。
Databricks 并非孤例。据报道，加密货币交易所 Coinbase 已转向包括 GLM 5.2 和 Kimi 2.7 在内的中国模型，在代币使用量持续攀升的同时将 AI 支出削减了一半。自动化平台 Lindy 则完全弃用 Claude，转而采用 Deepseek v4，节省了数百万美元。云数据平台 Snowflake 也曾将 GLM 5.2 与 Opus 4.7 进行对比测试，发现两者性能几乎持平，但前者的成本仅为后者的零头。在模型路由平台 OpenRouter 上，自 2026 年 2 月以来，中国模型在每周流量中的占比已从去年的 11% 攀升至 30% 以上，而成本比西方替代方案低 60% 至 90%。
这一系列动向共同指向一个趋势：在企业级编码场景中，开源模型尤其是来自中国的开源力量，正在以显著的成本优势打破闭源模型的主导叙事。Databricks 的核心建议是，企业不应依赖公开基准或单一供应商，而应基于自身代码库和真实任务构建专属评估体系，因为“没有哪个单一实验室在所有性能层级上都占据主导地位”。