Perplexity ha convertido un modelo de código abierto chino en una potencia casi de vanguardia a aproximadamente un tercio de lo que cuesta Claude Opus 4.8.

La compañía lanzó hoy una vista previa de investigación de una versión post-entrenada del GLM 5.2 de Z.AI, construida específicamente para operar dentro de su marco de agente Computer y ya disponible en producción.

GLM 5.2 es un modelo de aproximadamente 744 mil millones de parámetros de Z.ai, antes conocido como Zhipu AI, un laboratorio de Beijing que ha estado en la Lista de Entidades de EE. UU. desde enero de 2025. (Los parámetros son todos los diferentes controles y configuraciones que un modelo puede manejar durante el entrenamiento. Cuantos más parámetros, más complejo y potente es un modelo). Lanzado bajo una licencia MIT en junio, se encuentra entre los principales modelos de IA actualmente disponibles en puntos de referencia de codificación de largo alcance a una fracción del costo de la API.

Los pesos abiertos significan que cualquiera puede descargarlo, modificarlo y ajustarlo comercialmente sin restricciones. Perplexity hizo exactamente eso.

Qué es realmente el fine-tuning (ajuste fino)

El ajuste fino (fine-tuning) es el proceso de tomar un modelo de IA ya entrenado y volver a entrenarlo con un conjunto de datos más pequeño y enfocado para mejorarlo en una tarea específica.

Piénselo como afinar un coche. Diferentes mecánicos pueden tener el mismo Honda Civic, por ejemplo, y hacerlo más rápido para carreras de aceleración, más visualmente atractivo, adaptarlo para rally, etc. En IA, los desarrolladores obtienen un modelo base y añaden diferentes configuraciones para que el modelo ajustado termine con más conocimiento en un campo específico, un sesgo político diferente, más o menos restricciones, etc.

Perplexity utilizó el post-entrenamiento —un proceso similar aplicado después de la ejecución principal del entrenamiento del modelo— para enseñar a GLM 5.2 una habilidad crítica: saber cuándo manejar una tarea por sí mismo y cuándo escalar a algo más potente.

Esa escalada es el núcleo de lo que construyeron. El GLM 5.2 ajustado incluye lo que Perplexity llama una "herramienta de asesoramiento": una capacidad nativa para reconocer cuándo una consulta excede su propia competencia y pasarla a un modelo de vanguardia de terceros. La mayoría de las tareas nunca llegan al modelo caro. Solo lo hacen las que realmente lo necesitan.

Esto termina ahorrando mucho dinero en inferencias.

"Cuando se combina con un asesor, este modelo funciona con un rendimiento de grado Opus 4.8 a una fracción del costo", escribió el CEO Aravind Srinivas en X.

Perplexity comparó el sistema con el GLM 5.2 normal para establecer una línea base de costos. Utilizando la métrica de eficiencia interna de la compañía, que mide cuánto cuesta completar tareas complejas, los resultados mostraron que el modelo ajustado con un asesor es aproximadamente el doble de caro de ejecutar que la versión básica. Sin embargo, usar el modelo Opus 4.8 de primer nivel para todo es mucho más caro (alrededor de un 600% más).

Al combinar estas herramientas, el sistema de Perplexity logra el mismo rendimiento de calidad que Opus, pero a aproximadamente un tercio del precio.

Por qué un modelo chino, y por qué el código abierto lo hace posible

La carrera de IA entre EE. UU. y China tiende a enmarcarse como de suma cero. En la práctica, los modelos de código abierto no se detienen en las fronteras. La licencia MIT de GLM 5.2 simplifica el cálculo: no hay un contrato de API que violar, ni un interruptor de acceso que un gobierno pueda activar. Se descargan los pesos y se pueden ajustar a lo que se necesite.

Perplexity ya ha recorrido este camino antes. Cuando DeepSeek R1 irrumpió en el mundo de la IA a principios de 2025, la compañía lo ajustó en R1-1776, mapeando aproximadamente 300 temas que el original se negaba a discutir debido a la censura del gobierno chino, y reentrenando el modelo para hacerlo más sesgado a favor de Estados Unidos. Se convirtió en una versión alojada en Occidente del mismo motor de razonamiento.

"No podemos utilizar las potentes capacidades de razonamiento de R1 sin antes mitigar su sesgo y censura", escribió el equipo de Perplexity en ese momento en una publicación de blog.

Así, este movimiento de GLM 5.2 sigue la misma plantilla, excepto que el objetivo esta vez no es político, sino económico. El producto Computer de Perplexity ya orquesta más de 19 modelos de IA; el GLM ajustado está diseñado para ser el predeterminado barato que absorbe la mayor parte de las tareas antes de siquiera tocar un modelo de vanguardia.

Srinivas dijo que la tesis a largo plazo es sencilla: post-entrenar modelos de código abierto para que sean buenos en la escalada, dentro de un marco de agente que ya atiende a millones de usuarios. Perplexity está "en una posición única" para resolverlo, escribió, porque la infraestructura ya está desplegada a escala.

El modelo se ejecuta en GPU Nvidia B200 en Estados Unidos. El siguiente paso: un post-entrenamiento de Nemotron 3 Ultra, que replicaría la misma arquitectura utilizando un modelo de código abierto estadounidense.

Se esperan puntos de referencia completos y un documento de investigación en las próximas semanas. El modelo está disponible como vista previa de investigación.