跳到正文
Databricks:Blog·· 3 小时前精选AI 评分70

Databricks 推出 AI Index:追踪企业级 AI 采用与 token 成本

Introducing the Databricks AI Index: The state of enterprise AI tokenomics

AI 导读

Databricks 推出 AI Index,将 Unity Gateway 上 10,000+ 家企业的匿名用量数据与基于私有代码库的编码 Agent 评测结合,每周更新并首次公开其内部评测套件。

推荐理由

原文基于万家企业真实用量给出模型采用、开放权重份额与单任务成本数据,可帮助读者判断选型与预算策略。

正文 · AI 翻译

开发者可选的 AI 模型和编程智能体比以往任何时候都多。自 2026 年 5 月起,几乎每周都有一款新的旗舰级闭源或开放权重模型发布;如果把各地区实验室也算上,平均每 3.7 天就有一款。选择如此之多,要弄清哪些模型表现最好、成本多少、何时该切换,正变得越来越难。

在 Databricks,我们对这一快速变化的格局有着独特的观察视角。数千家企业通过 Unity Gateway 访问和治理 AI 模型,这让我们得以洞察真实世界中的模型采用情况和支出。同时,Databricks 内部 12,000 多名员工也大量使用 AI,我们在评估新前沿模型在企业任务上的质量与成本方面投入了大量研究。

今天,我们推出 Databricks AI Index,这是一个把这些洞察汇聚在一起的公开资源。客户一再询问我们新模型之间如何比较、企业 AI 采用的整体情况如何,以便为自己的投资决策提供参考。现在,我们首次将内部评估套件永久公开,并随着我们评估新发布的闭源和开放权重模型每周更新。

Databricks AI Index 衡量什么

该指数结合了两类互补的数据来源:

企业 AI 使用与支出。来自 10,000 多家使用 Unity Gateway 的公司的汇总匿名数据,涵盖数字原生企业、财富 500 强和全球 2000 强企业,也包括流向 Anthropic、OpenAI 等外部提供商的流量。该指数通过闭源模型和开放权重模型的 token 份额与支出份额来追踪模型采用情况,同时记录单个用户的每周 AI 支出模式。

持续更新的编程智能体评估。在我们7 月发布的编程智能体基准基础上,最新评估取材于 Databricks 工程师通过 Unity Gateway 产生的真实编程智能体工作流。这些工作流涵盖创建和审查拉取请求、排查问题以及处理复杂开发任务。使用来自我们私有代码库的任务和未公开的测试,有助于降低基准污染的风险,同时能一致地比较模型与运行框架(harness)的组合,以及任务成功率和每个已完成任务的成本。

这两类数据来源合在一起,展示了企业正在采用哪些模型、不同模型与运行框架组合的表现如何,以及成本是多少。以下是一些要点:

AI 模型偏好变化之快前所未有

企业正越来越多地在模型版本和提供商之间迁移工作负载。今年年中,大多数组织的主要工作依赖少数几款 Anthropic 模型。如今,采用情况在模型版本和提供商之间都分散得多。同期,OpenAI 在企业 token 流量中的份额显著增长,主要得益于其 6 系列 Sol 和 Astra 模型。不过,模型质量仍然强烈影响提供商的市场份额;Claude Opus 5.5 发布后,势头又转回了 Anthropic。短短六周内,Opus 5.5 在闭源模型 token 中的占比从 7.2% 飙升至 37.9%,推动 Anthropic 的整体份额从 57.6% 升至 68.8%。

AI model

这种在模型和供应商之间灵活切换负载的模式,与 Databricks 自身的 AI 战略高度契合——我们一直快速评估并上线新模型。两个月前,我们推出了一套内部的首日模型上线流程,让我们能在几天内完成对新版本的评估。这套流程帮助我们在控制成本的同时提升了内部 AI 工作的质量。例如,我们发现 Opus 5.5 相比上一代,每次会话的质量更高、成本低 29%,这为我们决定将其设为 Claude Code 的默认模型提供了依据。

企业正在拥抱多 AI 与开放权重模型

企业正日益走出单一 AI 供应商的格局。就在今年 7 月,使用 Unity Gateway 的企业中约有 64% 只依赖一家模型供应商。到 11 月 2 日,这一比例已降至 28%,更多组织开始采用两家或更多供应商的模型。

Multi-AI and Open-Weight Models

与此同时,开放权重模型也在稳步扩大份额。其占企业 token 流量的比例从 7 月的 7.3% 升至 11 月的 30.9%,不到四个月增长了三倍多。开放权重模型的竞争力也在不断增强,逐渐逼近专有模型。在我们的编码质量基准测试中,有三款开放权重模型跻身前十,其中 DeepSeek V4.1 和 GLM 5.3 以 93.1% 的通过率并列第三。正如我们在开放权重模型研究中所探讨的,这些模型不断提升的能力、成本效率和灵活性,正使其成为对企业越来越有吸引力的选择。

没有单一模型或运行框架能主导成本-质量前沿

选择合适的编码智能体,意味着要同时评估模型和运行它的框架。我们最新的编码智能体基准测试覆盖了九家 AI 实验室的模型,分别使用 Claude Code 和 Codex 运行。来自四家实验室(OpenAI、DeepSeek、Meta 和 Anthropic)的五款模型位于成本-质量前沿,在任务成功率和成本之间取得了最佳平衡。

OpenAI

这些结果说明,单看模型排名并不能反映全貌。企业需要结合自身工作负载来评估模型与框架的组合,利用真实使用数据和调用轨迹来理解性能与成本之间的权衡。

我们在 Databricks 内部就是这么做的。在评估是否要从 Opus 4.8 升级到 Opus 5 时,我们分析了成本-质量的帕累托前沿,并回放了自身工作负载的调用轨迹。结果显示,对我们的用例而言,这次升级不值得额外付出的成本,因此我们决定继续使用 4.8。

token 价格并不能说明 AI 编码成本的全貌

两款模型可能跑出几乎相同的基准成绩,成本却相差悬殊。在我们的编码基准测试中,GPT-6 Luna 和 Claude Opus 5.5 的任务成功率均为 89.1%。但 Luna 平均每个任务仅花费 0.05 美元,而 Opus 5.5 为 1.62 美元,相差约 32 倍。

每个任务的成本既取决于 token 价格,也取决于模型为得出答案所需的工作量。额外的轮次、冗长的输出和失败的尝试都会推高成本。Gemini 3.8 Flash 的 token 价格很低,但平均每个任务要跑 140 轮,最终以每个任务 11.97 美元成为基准测试中最贵的模型之一。对编码智能体而言,当模型需要更多步骤才能完成任务时,更低的 token 价格并不保证更低的成本。

性能最强的 AI 模型往往并非性价比最高的选择

更高的基准测试成绩往往要付出高昂代价,哪怕质量只提升一点,成本也可能很高。Claude Fable 5.1 以 96.0% 的任务成功率登顶我们的基准测试,但每项任务成本为 7.47 美元;Muse Wonder 得分 94.9%,每项任务仅需 1.53 美元。多出的这 1.1 个百分点性能,代价接近五倍。企业似乎也认同这一点:自发布以来的 6 周里,Fable 5.1 在专有模型 token 中的份额从 5.5% 降到了 0.6%。

对企业来说,问题在于一项任务究竟需要多高的质量。对于复杂、高风险的工作,高端模型值得付出这个成本;但常规任务用更便宜的替代方案可能就够了。智能模型路由,比如 Unity Gateway 中的 Smart Routing,可以根据质量和成本把任务匹配到合适的模型。

AI 支出仍然高度集中

不同企业用户的 AI 支出差异极大。一个整天运行编程智能体的开发者,消费模式和每天向 AI 助手问几个问题的员工完全不同。我们的数据凸显了这一悬殊差距:中位数用户只花了 2.49 美元,而第 99 百分位的用户花了 699.74 美元,约为前者的 281 倍。

AI spending

六周内,每周支出的中位数从 1.10 美元增长了一倍多,而第 90 和第 99 百分位的支出基本持平。这说明普通用户的 AI 消费在增长,但大部分 AI 账单仍由一小部分人贡献。

对企业而言,这一趋势让掌握支出分布的可见性变得尤为重要。了解这些差异,有助于企业制定更有针对性的预算和支出控制,同时避免不必要地限制使用。

用 Unity Gateway 把这些洞察用起来

Databricks AI Index 揭示了模型使用、性能和成本方面的行业趋势。Databricks Unity Gateway 帮助企业在自己的 AI 工作负载中应对这些趋势:

无锁定地访问和切换模型。通过 Databricks 托管的模型服务或连接外部提供商,集中访问前沿模型、开放权重模型和自定义模型。借助 Unity Gateway CLI,开发者还能在 Claude Code、Codex 等受支持的编程工具中使用已批准的模型。

分析你自己的 AI token 经济账。使用 Unity Gateway 的用量仪表盘和统一追踪,了解不同用户、团队和应用中的模型消耗、支出和编程智能体活动。你可以分析和回放追踪记录,在自己的工作负载上比较模型性能和成本,就像 Databricks 内部所做的那样。

优化模型选择和成本。使用 Smart Routing 根据质量和性能把编程智能体任务匹配到高性价比的模型,并通过设置预算和支出上限来控制 AI 支出。

image1.png

关于数据

Databricks AI Index 汇总了数千家使用 Unity Gateway 的企业的匿名化使用数据,并结合基于 Databricks 私有代码库真实拉取请求的编程智能体基准测试。模型支出按提供商公开标价估算,基准测试结果依据隐藏测试评估,而非由 LLM 评判。结果反映的是所评估的工作负载和模型,不同组织之间可能有所差异。当前数据集覆盖 2026 年 9 月 21 日至 11 月 7 日。

查看完整指数

浏览 Databricks AI Index,了解最新的模型使用趋势、编程智能体基准测试和成本对比。我们会持续用最新的企业使用趋势和编程智能体评测来更新该指数,为开发者和企业提供一个长期可用的资源,用来比较模型、性能和成本。

想分析自己的 AI 使用情况、比较模型并优化成本?请从 Unity Gateway 快速入门指南开始。

常见问题

什么是 Databricks AI Index?

Databricks AI Index 是一个公开资源,用于追踪企业 AI 模型的采用情况、支出趋势和编程智能体性能。它结合了来自数千家使用 Databricks Unity Gateway 的企业的聚合匿名使用数据,以及基于真实开发任务的编程智能体基准测试。随着新模型接受评测,该指数每周更新。

如何比较用于编程任务的 AI 模型?

比较用于编程的 AI 模型时,应看任务成功率、单任务成本,以及在不同编程智能体运行框架下的表现。Databricks AI Index 使用 Databricks 私有代码库中的真实编程工作流和隐藏测试,评测模型与运行框架的组合,以衡量质量和成本。结果会因工作负载而异,因此企业还应针对自己的开发任务评测模型。

为什么更便宜的 AI 模型使用成本可能更高?

更低的 token 价格并不总能带来更低的成本,因为不同模型完成任务所需的工作量不同。需要更多推理轮次、生成更长输出或反复尝试的模型,总体上可能消耗更多 token。衡量 AI 效率时,完成单个任务的成本往往比单纯的 token 价格更有用。

开放权重 AI 模型能与专有模型竞争吗?

可以,开放权重 AI 模型在编程性能和成本效率上正越来越有竞争力。在 Databricks AI Index 的编程基准测试中,有三个开放权重模型进入任务成功率前 10 名,其中 DeepSeek V4.1 达到 93.1%。最佳选择取决于工作负载、所需质量和成本。

企业如何优化 AI 模型选择和支出?

企业可以通过在自身工作负载上比较模型质量和成本、监控使用情况,并根据任务需求选择模型来优化 AI 成本。Databricks Unity Gateway 提供集中式模型访问、使用仪表盘、统一追踪和预算功能,帮助组织管理 AI 支出。其智能路由能力还可以根据质量和性能,将编程智能体任务匹配到高性价比的模型。

来源:Databricks:Blog · databricks.com