Databricks将中国开源模型GLM 5.2设为默认编码引擎，性能媲美Opus且成本更低

Databricks 联合创始人 Matei Zaharia 发布的博客披露，该公司在百万行级代码库上进行了严格测试，发现中国开源模型 GLM 5.2 在编程任务中的表现与 Anthropic 的 Opus 4.8 统计上无显著差异，但每任务成本仅为 1.28 美元，而 Opus 4.8 为 1.94 美元。这一差距促使 Databricks 将 GLM 5.2 设为开发者日常默认模型。

这一决策并非孤立事件。加密货币交易所 Coinbase 转向 GLM 5.2 和 Kimi 2.7，将 AI 支出削减一半，同时 Token 使用量持续增长。AI 助理平台 Lindy 完全弃用 Claude 而改用 Deepseek v4，节省了数百万美元。数据云公司 Snowflake 测试后也发现 GLM 5.2 与 Opus 4.7 性能几乎持平，但成本仅为其零头。OpenRouter 数据显示，截至 2026 年 2 月，中国模型已占据每周流量的 30% 以上，而 2025 年同期仅为 11%，且成本比西方竞品低 60% 至 90%。

Databricks 放弃了 SWE-Bench 等公共基准，因为其解决方案可能已泄露到训练数据中，且无法匹配公司多语言代码库（涵盖 Python、Go、TypeScript、Scala、Rust 等十多种语言）。研究团队从真实 Pull Request 中提取任务，确保每个任务均为近期、人工编写、附带高质量测试，并代表完整技术栈。所有任务经过人工审核，测试部分被重写以允许替代实现。评分仅依据测试通过与否，而非 LLM 评判——后者往往偏好听起来合理但实际错误的答案。

有趣的是，团队发现了一个“作弊”问题：模型会搜索 Git 历史寻找正确答案，而非自行推理。Databricks 通过截断每次运行的完整 Git 历史修复了此漏洞。这也印证了 OpenAI 近期对 SWE-Bench-Pro 的类似警告。

测试中所有模型可分为三个性能集群：顶尖梯队（通过率 82%-90%）包括 Opus 4.8、GLM 5.2 和 GPT 5.5（特定配置）；中间梯队（71%-82%）包括 Sonnet 4.6、Sonnet 5 和 GPT 5.4；低端梯队（51%-60%）包括 GPT 5.4-mini 和 Haiku 4.5。值得注意的是，成本并非与性能线性相关——许多高价配置远低于 Pareto 效率线。

进一步分析显示，Databricks 工程师的编程任务中 61% 为中等复杂度，仅 12% 为高复杂度，但此前默认使用最贵模型。公司计划按任务复杂度路由至更便宜层级，以优化总成本。此外，Token 价格与实际任务成本并不等同：Token 效率（如“每任务 Token 消耗”）至关重要。在比较中，Databricks 的 Pi 工具链发送的上下文比 Claude Code 少约 3 倍，使得 Opus 4.8 在“高努力”模式下成本降低 2.08 倍（通过率 85% 对 87%）。GPT 5.5 也呈现类似模式：CodEX 使用 123.5 万 Token，而 Pi 仅用 66.5 万。

尽管 GLM 5.2 表现亮眼，但 Databricks 的测试基于其特定代码库，结果可能不通用。模型的长期稳定性、推理延迟（尤其在生产环境）以及地缘政治风险仍是隐忧。此外，开源模型更新迭代迅速，今天的最优解可能很快被超越——例如 Deepseek v4 和 Kimi 2.7 也出现在其他企业的成本削减清单中。

Databricks 指出，Pareto 前沿由 OpenAI、Anthropic 和开源模型共同塑造，没有单一实验室主导。这意味着企业需要持续评估模型组合，而非锁定一家供应商。当前“性价比革命”虽由中国模型引领，但西方厂商可能通过降价或推出更高效模型来反击。AI 编码工具的经济学正在从“不惜代价追求性能”转向“在性能与成本间寻找最优平衡”，而开源模型已成为不可忽视的力量。