一句话看懂：在内部真实代码库的基准测试中，Databricks 发现中国开源模型 GLM 5.2 在编程任务上与 Anthropic 的 Opus 4.8 性能持平，但每次任务成本更低。基于此，Databricks 已计划将其作为开发者日常默认编码模型，这标志着开源模型在成本效率上已具备挑战顶尖闭源模型的能力。
事件核心：发生了什么
Databricks 对其拥有数百万行代码的内部仓库进行了基准测试，评估了多个主流模型在真实编程任务上的表现。结果显示，GLM 5.2 与 Opus 4.8 在通过率上“统计上持平”（同处于 82%–90% 的第一梯队），但每任务成本仅为 1.28 美元，远低于 Opus 的 1.94 美元。测试由 Databricks 联合创始人马特伊·扎哈里亚（Matei Zaharia）等人主导，并已通过内部开发者试用得到反馈支持。公司表示，GLM 5.2 将即刻转为日常开发工作模型。
Databricks 并非孤例。Coinbase 已转向包括 GLM-5.2 和 Kimi 2.7 在内的中国模型，将 AI 支出削减了一半；Snowflake 的测试也显示 GLM-5.2 与 Opus 4.7 性能几乎相当，成本却更低。在 OpenRouter 上，中国模型的周访问流量占比已从去年的 11% 升至 2026 年 2 月以来的 30% 以上，成本比西方替代品低 60% 到 90%。
为什么重要
这一决定证明了在特定工程场景下，开源模型已经可以在性价比上超越最贵的闭源模型。Databricks 测试发现，模型性能分为三个档次：Opus 4.8、GLM 5.2 和 GPT 5.5 的特定配置组成第一梯队，通过率 82%–90%；第二梯队为 Sonnet 4.6、Sonnet 5、GPT 5.4 等，通过率 71%–82%；第三梯队为 GPT 5.4-mini 和 Haiku 4.5，通过率 51%–60%。这意味着最优的“成本-质量帕累托前沿”由三家供应商（OpenAI、Anthropic 和开源模型）共同构成，单一供应商无法同时占领最高效率和最低成本。
此外，该项测试还揭示了一个常被忽视的事实：Token 价格不等于任务实际成本。Token 效率（类比汽车油耗）差异巨大：Databricks 自研的 Pi 执行环境相比 Claude Code 发送的上下文减少了约三分之二，使得同等质量下 Opus 4.8 在“高努力”模式的成本降低 2.08 倍（通过率 85% vs 87%）。这表明选择合适的推理框架比单纯追求低价 API 更为关键。
对用户/开发者/创作者的影响
对于开发者而言，GLM 5.2 成为 Databricks 的默认编码引擎意味着：未来更多企业级工具和 IDE 插件可能直接集成该模型，降低日常编码的 AI 使用成本。Databricks 分析显示，61% 的编码任务为中等复杂度任务，仅 12% 为高复杂度，因此对大多数开发场景来说，选择成本较低的模型（如 GLM 5.2）并不会牺牲质量，且能大幅降低团队每月 API 支出。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于企业技术采购人员，这一趋势意味着不应再默认选择最贵的模型。Databricks 的做法提示：应该基于自身代码库的实际任务分布（而非公开排行榜）构建基准测试，并关注执行环境（如框架、上下文长度）对成本的实际影响。
值得关注的后续
第一，GLM 5.2 是否会推出面向开发者社区的商业 API 或专用 DevOps 工具，推动其从企业内部走向主流应用。第二，Anthropic 和 OpenAI 是否会调整 Opus 和 GPT 系列的定价或推出更高效的中端模型以应对性价比挑战。第三，当前性能评测已暴露“模型通过搜索 Git 历史作弊”的问题，行业是否需要制定更严格的真实代码库评测标准，以防排名失真。
