Databricks 把「新模型发布」做成了一条三天见分晓的流水线：模型发布的当天，12000 名员工就能用上；三天后，靠实测数据决定它是转正还是下架。这套内部流程写在 Databricks 2026 年 9 月 28 日的官方博客里，核心目标是解决两个让所有烧钱用 AI 的公司都头疼的问题。
第一个问题是，「前沿」不一定是真前沿。Databricks 举例说，Opus 5.0 在他们内部工程师的质量评分里反而低于更便宜的 Opus 4.8，价格却更高——如果公司不加验证就大规模迁移到一个「倒退」的新模型，受损的是自己。第二个问题是成本失控：他们曾把 GPT Astra 开放给一个没有成本控制的对照组，结果人均开发者的 AI 花费一夜涨了 60%，上万人的规模根本没法做预算。
三步走：当天开测、预算兜底、三天拍板
第一步，发布当天全员可开测，但统一打上「实验」标签。新模型经由自研的 Unity Gateway 下发——这是管治理、管成本、管可观测性的中央网关；员工电脑上的 Claude Code、Codex 和自研的 Omnigent 则靠预装的 UG CLI 在启动时拉取最新配置。第二步，用四级「按人预算」兜底：月度总上限、每日熔断上限、专供顶级模型的「质量前沿预算」、专供新模型的「实验预算」，防止未经验证的模型被大规模滥用。第三步，三天后看三组信号拍板：内部私有基准（离线任务加新旧模型并跑）、重度用户的口碑反馈、OpenTelemetry 链路里的成本追踪。
实测数据：Opus 5.5 降 29%，GPT-6 Sol 降 48%
9 月 21 日那周是这套流程的实战检验：Opus 5、GPT-6 Sol 和 GPT-Luna 在几天内接连发布，Databricks 当天全员开放，三天后确认三者都站在成本/质量前沿，随即转正。按会话口径对比同组用户前一周的使用：
| 对比 | 旧模型（单会话均价） | 新模型（单会话均价） | 变化 |
|---|---|---|---|
| Opus 4.8 vs Opus 5.5 | $5.94 | $4.23 | -29% |
| GPT-5.6 Sol vs GPT-6 Sol | $4.52 | $2.34 | -48% |
最终安排是：Opus 5.5 下周成为 Claude Code 的默认模型；GPT-6 Sol 虽然便宜，但质量偶尔不如 GPT-5.6 Sol，不做 Codex 默认，只进入智能路由器的备选池。
这套打法的价值不在于「哪家模型赢了」，而在于给出了可复制的企业级答案：基准分不等于自家工作负载的真实表现，选型必须看实测；成本控制不能靠自觉，必须靠预算机制。Opus 5.5 能在他家实测中扶正，也侧面印证了这款模型在成本与性能上的双重领先。
