Databricks Resmi Jadikan Model Open-Source China GLM 5.2 sebagai Mesin Coding Default

Biaya kepemilikan total (Total Cost of Ownership) berpihak pada GLM 5.2. Melalui API Z.ai, GLM 5.2 dibanderol sekitar $1,40 per juta token input dan $4,40 per juta token output . Untuk sebuah tim yang memproses 10 juta token per bulan dengan rasio input-output 50/50, total biayanya hanya sekitar $29 per bulan . Sebagai perbandingan, model kompetitor seperti Opus 4.8 dari Anthropic dengan harga $5/$25 per juta token bisa memakan biaya 3 hingga 6 kali lebih mahal untuk skor benchmark yang sebanding atau sedikit lebih baik . Dalam satu pengujian berbasis tugas, GLM 5.2 yang menggunakan agen Pi mencapai tingkat kelulusan 87,5% dengan biaya $1,25 per tugas, sementara Opus 4.8 dengan effort tinggi yang menggunakan Claude Code mencapai tingkat kelulusan serupa dengan biaya $2,00 per tugas .

Mengapa Databricks Memilih GLM 5.2

Performa setara model frontier dengan biaya jauh lebih rendah. GLM 5.2 mencetak skor 62,1 di SWE-bench Pro, mengalahkan GPT-5.5 (58,6) dan hanya terpaut beberapa poin dari Opus 4.8 milik Anthropic . Di FrontierSWE Dominance, ia mencapai 74,4%, hampir menyamai Opus 4.8 yang meraih 75,1% . Pengujian internal Databricks mengonfirmasi hasil benchmark publik ini: model open-weight asal China ini mampu menyamai atau mendekati kemampuan model proprietary terdepan dalam tugas-tugas teknik dunia nyata yang sama .

Fleksibilitas penyebaran dengan lisensi MIT dan bobot terbuka. Karena GLM 5.2 dirilis di bawah lisensi MIT dan sepenuhnya open-weight, Databricks dapat menyebarkannya di server internal, melakukan fine-tuning, dan mengintegrasikannya secara erat ke dalam alur kerja coding agentic mereka tanpa harus membayar lisensi per kursi atau khawatir terikat vendor . Model lisensi ini memungkinkan perusahaan menjalankan model di infrastruktur mereka sendiri, menghindari biaya API berulang untuk penggunaan volume tinggi.

Cocok untuk tugas multi-langkah dengan cakupan luas. Benchmark berfokus pada tugas coding agentic yang melibatkan banyak file dan langkah penalaran. GLM 5.2, dengan jendela konteks 1 juta token dan arsitektur mixture-of-experts (MoE) 744 miliar parameter, dioptimalkan secara khusus untuk pekerjaan berskala repositori ini, bukan sekadar autocomplete file tunggal . Di Terminal-Bench 2.1, yang menguji eksekusi tugas dari command line dan agentic, ia meraih skor 81,0, menjadikannya model open-source terkuat dan hanya kalah dari Claude Opus 4.8 (85,0) .