Databricks đã chọn mô hình mã nguồn mở GLM 5.2 của Trung Quốc làm công cụ lập trình mặc định sau khi mô hình này đạt hiệu suất tương đương Opus với chi phí thấp hơn.

Databricks chọn mô hình mã nguồn mở GLM 5.2 của Trung Quốc làm công cụ mã hóa mặc định sau khi mô hình này đạt hiệu suất tương đương Opus với chi phí thấp hơn. Ngày 9/7/2026 **Những điểm chính** * Trong một thử nghiệm nội bộ sử dụng cơ sở mã của riêng mình, Databricks nhận thấy mô hình mã nguồn mở GLM 5.2 của Trung Quốc có hiệu suất tương đương về mặt thống kê với Anthropic’s Opus 4.8, nhưng chi phí trên mỗi tác vụ thấp hơn đáng kể. * Do đó, công ty có kế hoạch sử dụng GLM 5.2 làm mô hình làm việc hàng ngày cho các nhà phát triển của mình trong tương lai. Phân tích cũng cho thấy các mô hình được thử nghiệm thuộc ba nhóm hiệu suất, với nhóm hàng đầu bao gồm các mô hình từ nhiều nhà cung cấp khác nhau. * Để thực hiện thử nghiệm, nhóm đã phát triển một tiêu chuẩn riêng sử dụng các tác vụ thực tế, vì các bộ dữ liệu công khai thường không đại diện cho cơ sở mã của họ và các mô hình có thể "gian lận" bằng cách tận dụng kiến thức đã có từ dữ liệu huấn luyện. Databricks đã thử nghiệm GLM 5.2 trên cơ sở mã hàng triệu dòng của riêng mình và nhận thấy mô hình mã nguồn mở của Trung Quốc có hiệu suất tương đương về mặt thống kê với Anthropic's Opus 4.8 nhưng với chi phí thấp hơn. Công ty hiện có kế hoạch biến nó thành công cụ làm việc hàng ngày cho các nhà phát triển của mình. GLM 5.2 đạt nhóm hiệu suất cao nhất với chi phí 1,28 USD cho mỗi tác vụ so với 1,94 USD của Opus. "Bằng chứng cho thấy đã đến lúc bắt đầu triển khai chúng làm công cụ chính hàng ngày để mã hóa", các tác giả của bài đăng trên blog, bao gồm cả đồng sáng lập Databricks Matei Zaharia, viết. Phản hồi của nhà phát triển từ các thử nghiệm nội bộ đã củng cố kết quả, và công ty cho biết họ đã và đang nỗ lực để GLM hoạt động ở hiệu suất cao nhất. Databricks không phải là trường hợp duy nhất. Coinbase đã chuyển sang các mô hình của Trung Quốc bao gồm GLM-5.2 và Kimi 2.7, cắt giảm một nửa chi phí AI trong khi mức sử dụng token vẫn tăng. Lindy đã loại bỏ hoàn toàn Claude để sử dụng Deepseek v4 và tiết kiệm hàng triệu USD. Snowflake đã thử nghiệm GLM-5.2 so với Opus 4.7 và nhận thấy chúng gần như tương đương với một phần nhỏ chi phí. Trên OpenRouter, các mô hình của Trung Quốc đã chiếm hơn 30% lưu lượng truy cập hàng tuần kể từ tháng 2/2026, tăng từ 11% vào năm ngoái, với chi phí thấp hơn 60 đến 90% so với các lựa chọn thay thế của phương Tây. Không có phòng thí nghiệm nào thống trị cả ba nhóm hiệu suất. Nhìn chung, các mô hình và cấu hình được thử nghiệm thuộc ba nhóm, theo Databricks. Nhóm hàng đầu, với tỷ lệ đạt 82 đến 90%, bao gồm Opus 4.8, GLM 5.2 và GPT 5.5 trong một số cấu hình nhất định. Nhóm giữa ở mức 71 đến 82% bao gồm Sonnet 4.6, Sonnet 5 và GPT 5.4, cùng với các mô hình khác. Nhóm dưới cùng ở mức 51 đến 60% bao gồm GPT 5.4-mini và Haiku 4.5. Các mô hình được thử nghiệm được phân thành ba nhóm hiệu suất. Opus 4.8, GLM 5.2 và GPT 5.5 đạt tỷ lệ đạt 82 đến 90% trong nhóm hàng đầu, nhưng chi phí trên mỗi tác vụ thay đổi đáng kể tùy thuộc vào cấu hình và môi trường. | Hình ảnh: Databricks Một phân tích thông qua Unity AI Gateway cho thấy 61% tác vụ mã hóa từ các kỹ sư của Databricks có độ phức tạp trung bình, khoảng 19% thấp và chỉ 12% cao. Các mô hình đắt nhất đã được đặt làm mặc định. Hiện tại, công ty có kế hoạch chuyển nhiều công việc hơn sang các nhóm rẻ hơn dựa trên độ phức tạp của tác vụ. Đường biên Pareto, tỷ lệ chất lượng trên chi phí tốt nhất, được định hình bởi các mô hình từ ba nhà cung cấp: OpenAI, Anthropic và mã nguồn mở. Databricks cho biết chỉ có sự kết hợp mới mang lại hiệu suất ở mức biên. Đường Pareto, tỷ lệ chất lượng-chi phí tốt nhất, được định hình bởi các mô hình từ ba nhà cung cấp: OpenAI, Anthropic và mô hình mã nguồn mở GLM 5.2. Nhiều cấu hình đắt tiền hơn nằm dưới đường hiệu quả này. | Ảnh: Databricks Databricks cũng chỉ ra rằng giá token và chi phí thực tế của tác vụ không giống nhau. Hiệu quả token cũng quan trọng không kém, giống như mức tiêu thụ nhiên liệu của một chiếc ô tô, và thay đổi đáng kể tùy thuộc vào môi trường phần mềm. Trong một thử nghiệm, Pi harness gửi ngữ cảnh ít hơn khoảng ba lần so với Claude Code. Đối với Opus 4.8 ở chế độ "high effort" (nỗ lực cao), Pi rẻ hơn 2,08 lần với chất lượng tương đương (85 so với 87 phần trăm). GPT 5.5 cho thấy một mô hình tương tự: Codex sử dụng 1.235.000 token so với 665.000 token của Pi. Pi harness của Databricks gửi ngữ cảnh đến các mô hình ít hơn nhiều so với môi trường mã hóa gốc, giúp giảm chi phí lên tới 2,08 lần cho mỗi tác vụ với tỷ lệ thành công tương đương, như được thể hiện với Opus 4.8 ở chế độ "high effort". | Ảnh: Databricks **Các tác vụ thực tế thay vì bộ dữ liệu công khai** Databricks đã xây dựng điểm chuẩn riêng từ các pull request thực tế thay vì dựa vào các lựa chọn thay thế công khai như SWE-Bench. Các giải pháp bị rò rỉ vào dữ liệu huấn luyện theo thời gian, và các tác vụ không phù hợp với một stack bao gồm hơn mười ngôn ngữ, bao gồm Python, Go, TypeScript, Scala và Rust. OpenAI gần đây đã cảnh báo về SWE-Bench-Pro vì những lý do tương tự. Mỗi tác vụ phải là gần đây, được viết bởi con người, đi kèm với các bài kiểm tra chất lượng cao và đại diện cho toàn bộ stack. Tất cả đều được xem xét thủ công, với các bài kiểm tra được viết lại một phần để cho phép các triển khai thay thế. Việc chấm điểm chỉ dựa vào việc vượt qua các bài kiểm tra, không phải một giám khảo LLM, điều mà Databricks cho rằng có xu hướng thưởng cho các câu trả lời nghe có vẻ hay hơn là những câu trả lời đúng. Nhóm cũng gặp phải vấn đề gian lận: các mô hình tìm kiếm lịch sử Git để tìm giải pháp đúng thay vì tự giải quyết. Databricks đã khắc phục điều này bằng cách cắt bớt toàn bộ lịch sử Git cho mỗi lần chạy.