حوّلت Perplexity نموذجًا صينيًا مفتوح المصدر إلى أداة عمل قوية تقترب من مستوى النماذج الرائدة بتكلفة تعادل ثلث تكلفة Claude Opus 4.8 تقريبًا.
أصدرت الشركة اليوم معاينة بحثية لإصدار مُدرّب لاحقًا من GLM 5.2 من Z.AI، تم بناؤه خصيصًا للعمل داخل نظام وكيلها الحاسوبي (Computer agent harness) وهو متاح الآن للاستخدام العملي.
نحن نصدر معاينة بحثية لنموذج منسق جديد في Perplexity Computer.
النموذج هو نسخة معدّلة من GLM 5.2، مُدربة لاحقًا لنظام الحاسوب. يقدم أداءً قريبًا من المستوى الرائد بتكلفة 0.344 ضعف تكلفة Opus. pic.twitter.com/jcxikoFRfn
— Perplexity (@perplexity_ai) July 9, 2026
GLM 5.2 هو نموذج يضم حوالي 744 مليار معلمة من Z.ai — المعروفة سابقًا باسم Zhipu AI، وهو مختبر في بكين تم إدراجه في قائمة الكيانات الأمريكية منذ يناير 2025. (المعلمات هي جميع الإعدادات والتكوينات المختلفة التي يمكن للنموذج التعامل معها أثناء التدريب. كلما زادت المعلمات، زادت تعقيد وقوة النموذج.) تم إصداره بموجب ترخيص MIT في يونيو، ويصنف ضمن أفضل نماذج الذكاء الاصطناعي المتاحة حاليًا على معايير ترميز طويلة المدى بجزء صغير من تكلفة واجهة برمجة التطبيقات (API).
تعني الأوزان المفتوحة أنه يمكن لأي شخص تنزيله وتعديله وتدريبه الدقيق تجاريًا بدون قيود. وهذا ما فعلته Perplexity بالضبط.
الضبط الدقيق هو عملية أخذ نموذج ذكاء اصطناعي مُدرب بالفعل وإعادة تدريبه على مجموعة بيانات أصغر ومركزة لجعله أفضل في مهمة معينة.
فكر في الأمر وكأنه ضبط سيارة. يمكن لميكانيكيين مختلفين امتلاك نفس سيارة هوندا سيفيك، على سبيل المثال، وجعلها أسرع لسباقات التسارع، أو أكثر جاذبية بصريًا، أو تكييفها لسباقات الرالي، وما إلى ذلك. في الذكاء الاصطناعي، يحصل المطورون على نموذج أساسي ويضيفون إعدادات مختلفة بحيث ينتهي الضبط الدقيق النموذج بمعرفة أكبر في مجال معين، أو تحيز سياسي مختلف، أو قيود أكثر أو أقل، وما إلى ذلك.
استخدمت Perplexity التدريب اللاحق (post-training) — وهي عملية مشابهة تُطبق بعد التشغيل التدريبي الرئيسي للنموذج — لتعليم GLM 5.2 مهارة حاسمة: معرفة متى يتعامل مع مهمة بنفسه ومتى يصعّد إلى شيء أكثر قوة.
هذا التصعيد هو جوهر ما بنوه. يتضمن GLM 5.2 المُعدّل بدقة ما تسميه Perplexity "أداة المستشار" (advisor tool) — وهي قدرة أصلية للتعرف عندما يتجاوز الاستعلام كفاءته الخاصة وتسليمه إلى نموذج رائد من طرف ثالث. معظم المهام لا تصل أبدًا إلى النموذج الباهظ الثمن. فقط تلك التي تحتاج إليه بالفعل هي التي تصل.
هذا يوفر الكثير من المال في عملية الاستدلال.
"عند اقترانه بمستشار، يعمل هذا النموذج بأداء يضاهي Opus 4.8 بجزء صغير من التكلفة"، كتب الرئيس التنفيذي أرافيند سرينيفاس على منصة X.
لقد قمنا بتدريب نسخة من GLM تدريبًا لاحقًا لتصعيد المهام إلى نموذج رائد داخل نظام الحاسوب. عند اقترانه بمستشار، يعمل هذا النموذج بأداء يضاهي Opus 4.8 بجزء صغير من التكلفة. متاح الآن كمعاينة بحثية! https://t.co/7y8CjOWOtI
— Aravind Srinivas (@AravSrinivas) July 9, 2026
قامت Perplexity بمقارنة النظام بـ GLM 5.2 العادي لتحديد خط أساس للتكلفة. وباستخدام مقياس الكفاءة الداخلي للشركة الذي يقيس تكلفة إنجاز المهام المعقدة، أظهرت النتائج أن النموذج المُعدّل بدقة مع مستشار أغلى بحوالي الضعف في التشغيل من الإصدار الأساسي. ومع ذلك، فإن استخدام نموذج Opus 4.8 عالي المستوى لكل شيء أغلى بكثير (حوالي 600% أغلى).
من خلال الجمع بين هذه الأدوات، يحقق نظام Perplexity نفس جودة أداء Opus ولكن بتكلفة تعادل ثلث السعر تقريبًا.
غالبًا ما يُنظر إلى سباق الذكاء الاصطناعي بين الولايات المتحدة والصين على أنه لعبة محصلتها صفرية. في الواقع، لا تتوقف نماذج المصدر المفتوح عند الحدود. ترخيص MIT الخاص بـ GLM 5.2 يجعل الحساب بسيطًا: لا يوجد عقد واجهة برمجة تطبيقات لخرقه، ولا مفتاح وصول يمكن للحكومة قلبه. يمكنك تنزيل الأوزان وتعديلها بدقة إلى ما تحتاجه.
سلكت Perplexity هذا الطريق من قبل. عندما اجتاح DeepSeek R1 عالم الذكاء الاصطناعي في أوائل عام 2025، قامت الشركة بتعديله بدقة إلى R1-1776 — حيث حددت حوالي 300 موضوع رفض النموذج الأصلي مناقشتها بسبب الرقابة الحكومية الصينية، وأعادت تدريب النموذج لجعله أكثر تحيزًا لصالح الولايات المتحدة. أصبح نسخة مستضافة غربيًا من نفس محرك الاستدلال.
"نحن غير قادرين على الاستفادة من قدرات الاستدلال القوية لـ R1 دون تخفيف تحيزه ورقابته أولاً"، كتب فريق Perplexity في ذلك الوقت في منشور مدونة.
لذلك، فإن هذه الخطوة مع GLM 5.2 تتبع نفس النموذج، باستثناء أن الهدف هذه المرة ليس سياسيًا بل اقتصاديًا. منتج Perplexity Computer ينسق بالفعل أكثر من 19 نموذجًا من نماذج الذكاء الاصطناعي؛ وقد تم تصميم GLM المُعدّل بدقة ليكون الخيار الافتراضي الرخيص الذي يستوعب معظم المهام قبل أن يلمس نموذجًا رائدًا على الإطلاق.
قال سرينيفاس إن الفرضية طويلة الأجل واضحة ومباشرة: تدريب نماذج مفتوحة المصدر تدريبًا لاحقًا لتصبح جيدة في التصعيد، داخل نظام وكيل يخدم بالفعل ملايين المستخدمين. وكتب أن Perplexity في "موقع فريد" لحل ذلك، لأن البنية التحتية منتشرة بالفعل على نطاق واسع.
يعمل النموذج على وحدات معالجة الرسوميات Nvidia B200 في الولايات المتحدة. التالي في الخط: تدريب لاحق لـ Nemotron 3 Ultra، والذي سيكرر نفس البنية باستخدام نموذج أمريكي مفتوح المصدر.
من المتوقع نشر معايير الأداء الكاملة وورقة بحثية في الأسابيع المقبلة. النموذج متاح كمعاينة بحثية.
