Databricks、デフォルトコーディングエンジンに中国製オープンソースモデル「GLM 5.2」を採用——内部ベンチマークが明らかにした性能とコストの真実

データ・AI企業のDatabricksは、自社の数百万行に及ぶコードベース（Python、Go、TypeScript、Scala、SQL）を用いた内部コーディングベンチマークの結果を2026年7月に公開しました。このベンチマークは、エージェント型AIモデルを実際のエンジニアリングタスクで評価するために実施されたものです。その結果を受け、同社は中国のオープンソースモデルであるGLM 5.2（開発元はZ.ai、旧Zhipu AI）をデフォルトのコーディングエンジンとして採用することを決定しました。本稿では、ベンチマークが明らかにした驚きの事実と、Databricksがなぜこのモデルを選んだのかを詳しく解説します。

ベンチマークが明らかにした3つの「サプライズ」

Databricksが独自のテストを構築したのには理由があります。同社のエンジニアリング共同創業者であるMatei Zaharia氏は、SWE-benchのような公開ベンチマークは過学習（over-tuning）のリスクがあると指摘。実際のエンジニアリング業務と厳選されたテストスイートを用いて、どのエージェントがタスクをエンドツーエンドで解決できるかを測定する必要があったのです 。その評価から、以下の3つの驚くべき発見がありました。

1. オープンソースモデルが「フロンティア」に到達

コーディングタスクにおけるパレートフロンティア（所定のコストに対する最高品質）には、OpenAI、Anthropic、そしてオープンソースプロバイダーのモデルが名を連ねています。Zaharia氏は「OpenAIやAnthropicのモデルだけでなく、オープンソースのものを含む多くのモデルが真に競争力を持つようになった」とX（旧Twitter）で述べています 。同社は、オープンモデル、特にGLM 5.2は、テストした中で最も難易度の高いタスクをも処理できると結論付けました 。

2. トークン単価は「誤解を招く」コスト指標

ベンチマークの結果、モデルのトークン単価は、エージェント型コーディングワークフローにおける実際の総コストを正確に予測できないことが判明しました。大きなモデルほどトークン効率が格段に高くなる場合があり、トークン単価が安いモデルでも、同じタスクを完了するためにより多くのトークンを消費するため、結果的に総コストが高くなるケースがあるのです。この発見により、DatabricksはAPIの単価ではなく、タスク完了までのエンドツーエンドの実コストでモデルを評価する方針に転換しました 。

3. 総所有コスト（TCO）でGLM 5.2が優位

Z.aiのAPIを通じたGLM 5.2の価格は、入力トークン100万トークンあたり約1.40ドル、出力トークン100万トークンあたり約4.40ドルです 。例えば、月間1000万トークンを処理し、入出力が50:50のチームの場合、月額コストは約29ドルとなります 。一方、競合モデルであるAnthropicのOpus 4.8は、入力5ドル/出力25ドル（100万トークンあたり）であり、ベンチマークスコアが同等かやや優れている程度であっても、コストは3〜6倍にもなります 。1タスクあたりのコストで見ると、Databricksのテストでは、GLM 5.2をPiエージェントで使用した場合、成功率87.5%を1タスクあたり1.25ドルで達成。一方、Opus 4.8をClaude Codeで使用した場合は、同等の成功率で1タスクあたり2.00ドルと、コスト差は歴然でした 。