Databricks byter till GLM 5.2 som standardmotor för kodning

Tokenpris är ett missvisande kostnadsmått. Benchmarktestet fann att en modells pris per token inte på ett tillförlitligt sätt förutsäger den faktiska totalkostnaden i agentiska kodningsarbetsflöden. Större modeller kan vara långt mer token-effektiva, vilket innebär att en billigare modell per token kan bli dyrare totalt om den kräver fler tokens för att slutföra samma uppgift. Detta fick Databricks att utvärdera modeller baserat på verklig, från början till slut, kostnad per uppgift snarare än råa API-priser .

Total ägandekostnad gynnade GLM 5.2. Via Z.ai:s API är GLM 5.2 prissatt till cirka 1,40 USD per miljon inmatningstokens och 4,40 USD per miljon utmatningstokens . För ett team som bearbetar 10 miljoner tokens per månad med en 50/50-fördelning av in- och utmatning blir totalkostnaden cirka 29 USD per månad . Konkurrerande modeller som Anthropics Opus 4.8 på 5/25 USD per miljon tokens kan kosta 3 till 6 gånger mer för jämförbara eller något bättre benchmarkresultat . Per uppgift visade ett Databricks-test att GLM 5.2 med Pi-agenten uppnådde en godkännandegrad på 87,5 % till en kostnad av 1,25 USD per uppgift, medan Opus 4.8 med hög ansträngning och Claude Code uppnådde en jämförbar godkännandegrad på 2,00 USD per uppgift .

Varför Databricks valde GLM 5.2

Prestanda i nivå med frontlinjemodeller till en mycket lägre kostnad. GLM 5.2 fick 62,1 på SWE-bench Pro, vilket är bättre än GPT-5.5:s 58,6 och inom några få poäng från Anthropics Opus 4.8 . På FrontierSWE Dominance nådde det 74,4 %, nästan i nivå med Opus 4.8:s 75,1 % . Databricks interna tester bekräftade dessa offentliga riktmärken: den kinesiska modellen med öppen vikt matchade eller närmade sig förmågan hos ledande proprietära modeller på samma verkliga ingenjörsuppgifter .

Flexibel distribution med MIT-licens och öppen vikt. Eftersom GLM 5.2 är MIT-licensierad och helt öppen i vikt, kunde Databricks distribuera den internt, finjustera den och integrera den tätt i sitt agentiska kodningsarbetsflöde utan licensavgifter per plats eller inlåsning till en leverantör . Denna licensmodell gör det möjligt för företag att köra modellen på sin egen infrastruktur och undvika återkommande API-kostnader för högvolymanvändning.

Passar för långsiktiga, flerstegsuppgifter. Benchmarktestet fokuserade på agentiska kodningsredigeringar som sträcker sig över många filer och resonemangssteg. GLM 5.2, med sitt kontextfönster på 1 miljon tokens och sin arkitektur med 744 miljarder parametrar (mixture-of-experts), är specifikt optimerad för denna typ av arbete på repositorieskala och lång sikt, snarare än för autokomplettering av enstaka filer . På Terminal-Bench 2.1, som testar kommandorads- och agentisk uppgiftskörning, fick det 81,0, vilket gör det till den starkaste open-source-modellen, endast efter Claude Opus 4.8 (85,0) .