Databricks обирає GLM 5.2 як основний кодувальний двигун: що показав внутрішній бенчмарк

Загальна вартість володіння (TCO) схилила чашу терезів на користь GLM 5.2. Через API Z.ai ціна GLM 5.2 становить приблизно $1,40 за мільйон вхідних токенів і $4,40 за мільйон вихідних токенів . Для команди, яка обробляє 10 мільйонів токенів на місяць зі співвідношенням вхід/вихід 50/50, загальна вартість складе близько $29 на місяць . Конкурентні моделі, такі як Opus 4.8 від Anthropic за $5/$25 за мільйон токенів, можуть коштувати в 3–6 разів більше за порівнянні або трохи кращі результати бенчмарків . В одному з тестів Databricks GLM 5.2 у поєднанні з агентом Pi досяг рівня проходження 87,5% при вартості $1,25 за завдання, тоді як Opus 4.8 з високими зусиллями у Claude Code досяг порівнянного рівня проходження при вартості $2,00 за завдання .

Чому Databricks прийняв GLM 5.2

Продуктивність на рівні передових моделей за значно нижчою ціною. GLM 5.2 набрав 62,1 на SWE-bench Pro, обійшовши GPT-5.5 (58,6) та наблизившись до Opus 4.8 від Anthropic . На FrontierSWE Dominance він досяг 74,4%, майже наздогнавши Opus 4.8 з 75,1% . Внутрішні тести Databricks підтвердили ці публічні результати: китайська модель з відкритою вагою зрівнялася або наблизилася до можливостей провідних пропрієтарних моделей на тих самих реальних інженерних завданнях .

Гнучкість розгортання завдяки MIT-ліцензії. Оскільки GLM 5.2 має ліцензію MIT і повністю відкриту вагу, Databricks зміг розгорнути її локально, доналаштувати та тісно інтегрувати у свій агентний робочий процес без необхідності платити за кожне робоче місце чи потрапляти у залежність від одного постачальника . Ця модель ліцензування дозволяє підприємствам запускати модель на власній інфраструктурі, уникаючи повторюваних витрат на API при великих обсягах використання.

Підходить для довгострокових багатокрокових завдань. Бенчмарк зосереджувався на агентних змінах коду, які охоплюють багато файлів та етапів міркування. GLM 5.2 з контекстним вікном в 1 мільйон токенів та архітектурою суміші експертів (MoE) з 744 мільярдами параметрів був спеціально оптимізований для такого масштабу роботи на рівні репозиторію . На Terminal-Bench 2.1, який тестує роботу з командним рядком та виконання агентних завдань, він набрав 81,0, ставши найпотужнішою відкритою моделлю, поступаючись лише Claude Opus 4.8 (85,0) .