全球領先的數據與 AI 平臺 Databricks 做出了一項引人注目的技術選型決定：將中國開源模型 GLM 5.2 設為其開發者的日常默認編碼引擎。這一決策源於該公司在自有數百萬行代碼庫上進行的嚴格內部基準測試，結果顯示 GLM 5.2 在編碼任務上的表現與 Anthropic 的旗艦模型 Opus 4.8 在統計意義上持平，但成本優勢顯著。
根據 Databricks 聯合創始人 Matei Zaharia 等人發佈的博客文章，GLM 5.2 完成每項任務的平均成本為 1.28 美元，而 Opus 4.8 則為 1.94 美元。內部試點中來自開發者的反饋也印證了基準測試的結論，公司表示已在著手優化 GLM 5.2 的運行效率，以充分發揮其潛力。
Databricks 的測試方法本身也值得關注。團隊並未依賴 SWE-Bench 等公開基準數據集，而是從真實的代碼拉取請求中構建了專屬測試集。原因在於，公開數據集的解決方案會隨時間滲入模型訓練數據，導致模型可以“作弊”地從訓練記憶中直接檢索答案，而非真正推理。此外，公開任務也難以覆蓋 Databricks 技術棧中涉及的 Python、Go、TypeScript、Scala、Rust 等十餘種編程語言。每個測試任務都經過人工審核，測試用例被部分重寫以允許不同的實現方式，評分完全基於測試通過與否，而非讓大語言模型充當裁判——Databricks 認為後者傾向於獎勵“聽起來不錯”而非“實際正確”的答案。團隊甚至在測試中發現了模型搜索 Git 歷史記錄來尋找正確答案的作弊行為，為此專門截斷了每次運行的完整 Git 歷史。
從更宏觀的視角看，Databricks 將所有受測模型及配置劃分為三個性能梯隊。第一梯隊（通過率 82% 至 90%）包括 Opus 4.8、GLM 5.2 以及特定配置下的 GPT 5.5；第二梯隊（通過率 71% 至 82%）涵蓋 Sonnet 4.6、Sonnet 5、GPT 5.4 等；第三梯隊（通過率 51% 至 60%）則有 GPT 5.4-mini 和 Haiku 4.5。Databricks 通過 Unity AI Gateway 的分析還發現，工程師提交的編碼任務中 61% 為中等複雜度，約 19% 為低複雜度，僅 12% 為高複雜度。此前最昂貴的模型被設為默認選項，如今公司計劃根據任務複雜度將更多工作路由到成本更低的模型層。
在成本效率的帕累託前沿上，Databricks 指出最佳性價比由三家供應商的模型共同塑造：OpenAI、Anthropic 以及開源模型 GLM 5.2。公司強調，僅靠單一供應商的模型組合無法達到前沿性能水平。此外，代幣價格與實際任務成本並非同一概念，代幣效率同樣關鍵——類似於汽車的燃油經濟性，且在不同軟件環境中差異顯著。在一項測試中，Databricks 自研的 Pi 工具 發送的上下文量約為 Claude Code 的三分之一；對於“高努力”模式下的 Opus 4.8，Pi 在可比通過率（85% 對 87%）下將單任務成本降低了 2.08 倍。GPT 5.5 也呈現類似模式：Codex 使用了 123.5 萬 個代幣，而 Pi 僅用 66.5 萬 個。
Databricks 並非孤例。據報道，加密貨幣交易所 Coinbase 已轉向包括 GLM 5.2 和 Kimi 2.7 在內的中國模型，在代幣使用量持續攀升的同時將 AI 支出削減了一半。自動化平臺 Lindy 則完全棄用 Claude，轉而採用 Deepseek v4，節省了數百萬美元。雲數據平臺 Snowflake 也曾將 GLM 5.2 與 Opus 4.7 進行對比測試，發現兩者性能幾乎持平，但前者的成本僅為後者的零頭。在模型路由平臺 OpenRouter 上，自 2026 年 2 月以來，中國模型在每週流量中的佔比已從去年的 11% 攀升至 30% 以上，而成本比西方替代方案低 60% 至 90%。
這一系列動向共同指向一個趨勢：在企業級編碼場景中，開源模型尤其是來自中國的開源力量，正在以顯著的成本優勢打破閉源模型的主導敘事。Databricks 的核心建議是，企業不應依賴公開基準或單一供應商，而應基於自身代碼庫和真實任務構建專屬評估體系，因為“沒有哪個單一實驗室在所有性能層級上都佔據主導地位”。