Databricks 內部編碼評測：開源模型 GLM 5.2 如何以低成本媲美頂尖效能

Databricks 這家資料與人工智慧公司，於 2026 年 7 月公布了一份內部編碼評測結果。該評測基於其自家數百萬行程式碼庫（涵蓋 Python、Go、TypeScript、Scala 與 SQL）的真實工程任務，用以評估代理式 AI 模型的效能。評測的結論促使公司採用來自中國開源模型 GLM 5.2（由 Z.ai，前身為智譜 AI 開發）作為其預設的程式碼引擎。以下揭曉評測發現了什麼，以及 Databricks 為何做出這項轉換。

評測揭露了什麼

Databricks 之所以自建評測，是因為發現像 SWE-bench 這類公開基準可能已被過度針對性訓練，他們希望衡量哪些代理模型能端到端地解決真實任務，並通過精心設計的測試套件驗證 。該評測帶來了三大驚喜。

開源模型已達到前沿水準。 在 AI 編碼任務的帕累托前緣（即在特定成本下能達到的最佳品質）中，現在已包含 OpenAI、Anthropic 以及開源供應商的模型。Databricks 共同創辦人 Matei Zaharia 表示「許多模型，包括開源模型，現在確實極具競爭力」。該公司結論指出，開放模型，特別是 GLM 5.2，已能處理他們測試中最困難的任務等級 。

Token 價格是誤導性的成本指標。 評測發現，在代理式編碼工作流程中，模型的每個 token 價格並不能可靠預測實際總成本。較大的模型可能在 token 使用上效率高得多，這意味著一個 token 單價更便宜的模型，如果完成相同任務需要耗費更多 token，最終成本反而更高。這促使 Databricks 根據真實的端到端任務完成成本來評估模型，而非僅看原始 API 費率 。

總持有成本（TCO）有利於 GLM 5.2。 在 Z.ai 的 API 上，GLM 5.2 的定價約為每百萬輸入 token 1.40 美元，每百萬輸出 token 4.40 美元 。對於一個每月處理 1000 萬 token、輸入輸出各半的團隊，總費用約為每月 29 美元 。相比之下，競爭對手模型如 Anthropic 的 Opus 4.8（每百萬 token 輸入 5 美元、輸出 25 美元），在取得差不多甚至略高評測分數的情況下，成本可能高出 3 到 6 倍 。以每項任務成本來看，Databricks 一項測試顯示，使用 Pi 代理的 GLM 5.2 以每項任務 1.25 美元的成本達成 87.5% 的通過率，而使用 Claude Code 的 Opus 4.8（高強度模式）以每項任務 2.00 美元的成本達成相似的通過率 。

Databricks 為何採用 GLM 5.2

效能媲美前沿模型，成本大幅降低。 GLM 5.2 在 SWE-bench Pro 獲得 62.1 分，超越 GPT-5.5（58.6 分），並與 Anthropic 的 Opus 4.8 差距僅數分 。在 FrontierSWE Dominance 指標上，它達到 74.4%，幾乎與 Opus 4.8 的 75.1% 持平 。Databricks 的內部測試呼應了這些公開評測：這款中國的開放權重模型在相同的真實工程任務上，匹配或接近了領先專有模型的效能 。

開放權重、MIT 授權的部署靈活性。 由於 GLM 5.2 採用 MIT 授權且為完全開放權重，Databricks 能夠在內部部署、進行微調，並緊密整合到其代理式編碼工作流程中，無需按席位授權，也不會被單一廠商綁定 。這種授權模式允許企業在自己的基礎設施上運行模型，對於高用量場景可避免持續性的 API 成本。

適合長期、多步驟任務。 該評測重點關注橫跨多個檔案與推理步驟的代理式編碼修改。GLM 5.2 擁有 100 萬 token 的上下文視窗和 7440 億參數的混合專家（MoE）架構，正是針對此類倉庫規模、長期規劃的工作進行了優化，而非僅止於單一檔案的自動補全 。在測試命令列與代理式任務執行的 Terminal-Bench 2.1 上，它獲得 81.0 分，是表現最強的開源模型，僅次於 Claude Opus 4.8（85.0 分）。