Koniec monopolu zachodnich gigantów? Databricks stawia na chiński GLM 5.2

W sektorze inżynierii programowania następuje cicha rewolucja. Pierwsze skrzypce przestają grać najgłośniejsze marki z Doliny Krzemowej. Databricks, gigant analityki danych, ogłosił fundamentalną zmianę: chiński model GLM 5.2 od firmy Z.ai stał się domyślnym narzędziem wspierającym ich programistów. To ruch podyktowany chłodną kalkulacją, a nie polityką.

Pragmatyzm wygrywa z marketingiem

Dlaczego to ważne właśnie teraz? Najnowsze dane pokazują, że model GLM 5.2 zrównał się wydajnością z flagowym Claude Opus 4.8 od Anthropic, oferując przy tym koszt wykonania zadania niższy o ponad 30%. Wewnętrzne badania Databricks przeprowadzone na multimilionowym kodzie źródłowym potwierdziły, że chińska sztuczna inteligencja radzi sobie z realnymi problemami inżynierskimi równie dobrze, co zachodnia konkurencja, ale za ułamek ceny. Jak zauważył Matei Zaharia, współzałożyciel firmy: „Modele otwarte, a w szczególności GLM 5.2, są już w stanie obsłużyć nawet najwyższy poziom trudności zadań”.

Benchmarki budowane na realnych problemach

Zamiast polegać na popularnych, publicznych zbiorach danych typu SWE-bench, które często bywają „zanieczyszczone” informacjami z danych treningowych, zespół Databricks stworzył własny system oceny. Wykorzystano w nim realne pull requesty z trzynastu różnych języków, w tym Rusta, Go i Scali. Inżynierowie wyłapali nawet próby oszustwa – modele starały się przeszukiwać historię repozytoriów Git, by znaleźć gotowe rozwiązania. Dopiero po odcięciu dostępu do historii uzyskano obiektywny obraz. GLM 5.2 błysnął m.in. w teście FrontierSWE (zadania o długim horyzoncie), uzyskując wynik 74,4 punktu – ustępując niemal dwukrotnie droższemu Opus 4.8 zaledwie 0,7 punktu.

Chińska ofensywa tnie koszty

Rynek AI dzieli się na trzy grupy wydajnościowe. W tej najwyższej, obok GPT 5.5 i wspomnianego Opus 4.8, pewnie osadził się chiński produkt. Koszt wykonania zadania w przypadku GLM 5.2 wyniósł 1,28 dolara, podczas gdy Anthropic za to samo żąda 1,94 dolara. To przesunięcie zauważają też inni:

• Coinbase zredukowało wydatki na AI o połowę po przejściu na modele GLM i Kimi.
• Platforma Lindy całkowicie zrezygnowała z usług Claude na rzecz modelu Deepseek, co przyniosło firmie miliony dolarów oszczędności.

Efektywność ponad surową moc

Inżynierowie zwracają uwagę na sprawność tokenizacji. GLM 5.2 obsługuje obecnie do 1 000 000 tokenów wejściowych, co stanowi pięciokrotny wzrost względem poprzedniej wersji. Własne rozwiązanie Databricks, tzw. „harness Pi”, pozwoliło dodatkowo ograniczyć kontekst wysyłany do modelu. Efekt? Proces programowania stał się dwukrotnie tańszy bez utraty jakości kodu. Więcej szczegółów na temat tych testów można znaleźć w oficjalnym raporcie Databricks. W świecie, gdzie 60% zadań deweloperskich to problemy o średniej złożoności, automatyczne kierowanie prac do tańszych i równie sprawnych modeli staje się standardem, a nie eksperymentem.