Databricks vælger kinesisk open source AI-model som standard: Interne tests viser, at GLM 5.2 matcher topmodeller til en brøkdel af prisen

Samlede ejeromkostninger talte til fordel for GLM 5.2. Via Z.AI's API koster GLM 5.2 cirka 1,40 dollar per million input-tokens og 4,40 dollar per million output-tokens . For et team, der behandler 10 millioner tokens om måneden med en 50/50 input-output fordeling, ville den samlede regning være omkring 29 dollar om måneden . Konkurrerende modeller som Anthropics Opus 4.8 til 5/25 dollar per million tokens kan koste 3 til 6 gange mere for sammenlignelige eller lidt bedre benchmark-scorer . Per opgave viste en Databricks-test, at GLM 5.2 med Pi-agenten opnåede en beståelsesrate på 87,5 % til 1,25 dollar per opgave, mens Opus 4.8 high-effort med Claude Code opnåede en sammenlignelig beståelsesrate til 2,00 dollar per opgave .

Hvorfor Databricks adopterede GLM 5.2

Ydeevne på niveau med frontlinjemodeller til en langt lavere pris. GLM 5.2 scorede 62,1 på SWE-bench Pro og overgik dermed GPT-5.5 (58,6) og kom inden for få point af Anthropics Opus 4.8 . På FrontierSWE Dominance nåede den 74,4 %, næsten på niveau med Opus 4.8's 75,1 % . Databricks' interne tests bekræftede disse offentlige benchmarks: den kinesiske open-weight model matchede eller nærmede sig kapabiliteten hos førende proprietære modeller på de samme virkelige ingeniøropgaver .

Open-weight, MIT-licenseret fleksibilitet. Fordi GLM 5.2 er MIT-licenseret og fuldt open-weight, kunne Databricks implementere den internt, finjustere den og tæt integrere den i deres agentiske kodningsarbejdsgang uden per-sæde licensering eller leverandørlåsning . Denne licensmodel giver virksomheder mulighed for at køre modellen på deres egen infrastruktur og undgå løbende API-omkostninger ved høj volumen.

Velegnet til langstrakte opgaver med flere trin. Testen fokuserede på agentiske kodningsredigeringer, der spænder over mange filer og ræsonnementstrin. GLM 5.2, med sin 1-million-token kontekstvindue og 744-milliard-parameter mixture-of-experts arkitektur, blev specifikt optimeret til denne type af repository-skala, langstrakt arbejde frem for enkeltfil-autocomplete . På Terminal-Bench 2.1, der tester kommandolinje- og agentisk opgaveudførelse, scorede den 81,0, hvilket gør den til den stærkeste open source-model og kun overgået af Claude Opus 4.8 (85,0) .