Perplexity یک مدل متنباز چینی را به یک اسب کاری نزدیک به مدلهای پیشرفته (فرانتیر) تبدیل کرده است که تقریباً یک سوم هزینه Claude Opus 4.8 را دارد.
این شرکت امروز پیشنمایش تحقیقاتی از نسخه پسآموزشدیده GLM 5.2 از Z.AI را منتشر کرد که به طور خاص برای کار در داخل مهار عامل کامپیوتری آن ساخته شده و اکنون در حال تولید (عملیاتی) است.
We're releasing a research preview of a new orchestrator model in Perplexity Computer.
The model is an adapted version of GLM 5.2, post-trained for the Computer harness. It delivers near-frontier performance at 0.344x of the cost of Opus. pic.twitter.com/jcxikoFRfn
— Perplexity (@perplexity_ai) July 9, 2026
GLM 5.2 یک مدل تقریباً ۷۴۴ میلیارد پارامتری از Z.ai است – که قبلاً Zhipu AI نامیده میشد، یک آزمایشگاه در پکن که از ژانویه ۲۰۲۵ در فهرست نهادهای تحت تحریم آمریکا قرار گرفته است. (پارامترها همه تنظیمات و پیکربندیهای مختلفی هستند که یک مدل میتواند در طول آموزش انجام دهد. هرچه تعداد پارامترها بیشتر باشد، مدل پیچیدهتر و قدرتمندتر است.) این مدل که در ژوئن با مجوز MIT منتشر شد، در حال حاضر در میان برترین مدلهای هوش مصنوعی موجود در معیارهای کدنویسی بلندمدت با کسری از هزینه API قرار دارد.
وزنهای باز (open weights) به این معنی است که هر کسی میتواند آن را بدون محدودیت دانلود، تغییر و به صورت تجاری تنظیم دقیق (فاین تیون) کند. Perplexity دقیقاً همین کار را انجام داد.
فاین تیونینگ فرآیند برداشتن یک مدل هوش مصنوعی از قبل آموزشدیده و بازآموزی آن بر روی یک مجموعه داده کوچکتر و متمرکز برای بهبود عملکرد آن در یک کار خاص است.
این را مانند تنظیم یک خودرو در نظر بگیرید. مکانیکهای مختلف میتوانند یک هوندا سیویک مشابه داشته باشند، به عنوان مثال، و آن را برای مسابقات درگ سریعتر کنند، از نظر بصری جذابتر کنند، آن را برای رالی تطبیق دهند و غیره. در هوش مصنوعی، توسعهدهندگان یک مدل پایه دریافت میکنند و تنظیمات مختلفی را اضافه میکنند تا مدل تنظیمشده نهایی دانش بیشتری در یک زمینه خاص، سوگیری سیاسی متفاوت، محدودیتهای بیشتر یا کمتر و غیره داشته باشد.
Perplexity از پسآموزش (post-training) — یک فرآیند مشابه که پس از مرحله اصلی آموزش مدل اعمال میشود — برای آموزش یک مهارت حیاتی به GLM 5.2 استفاده کرد: دانستن اینکه چه زمانی خودش یک کار را انجام دهد و چه زمانی آن را به یک مدل قدرتمندتر ارجاع دهد.
این ارجاع هسته اصلی آنچه آنها ساختهاند است. GLM 5.2 تنظیمشده شامل چیزی است که Perplexity آن را "ابزار مشاور" مینامد — یک قابلیت بومی برای تشخیص زمانی که یک پرس و جو از صلاحیت خود فراتر میرود و آن را به یک مدل پیشرفته (فرانتیر) شخص ثالث منتقل میکند. بیشتر وظایف هرگز به مدل گرانقیمت نمیرسند. فقط آنهایی که واقعاً به آن نیاز دارند.
این کار در نهایت باعث صرفهجویی زیادی در هزینه استنتاج (inference) میشود.
آراویند سرینیواس، مدیرعامل Perplexity، در X نوشت: "هنگامی که این مدل با یک مشاور همراه شود، با کسری از هزینه، عملکردی در سطح Opus 4.8 ارائه میدهد."
We’ve been post-training a version of GLM that is trained to escalate to a frontier model inside the Computer harness. When paired with an advisor, this model functions at Opus 4.8 grade performance at a fraction of the cost. Available now as a research preview! https://t.co/7y8CjOWOtI
— Aravind Srinivas (@AravSrinivas) July 9, 2026
Perplexity برای تعیین خط مبنای هزینه، سیستم را در برابر GLM 5.2 عادی بنچمارک کرد. با استفاده از معیار کارایی داخلی شرکت که میزان هزینه انجام وظایف پیچیده را اندازهگیری میکند، نتایج نشان داد که مدل تنظیم دقیق شده با یک مشاور، تقریباً دو برابر گرانتر از نسخه پایه است. با این حال، استفاده از مدل رده بالای Opus 4.8 برای همه چیز بسیار گرانتر است (حدود ۶۰۰% گرانتر).
با ترکیب این ابزارها، سیستم Perplexity به همان کیفیت عملکرد Opus دست مییابد، اما تنها با تقریباً یک سوم قیمت.
رقابت هوش مصنوعی آمریکا و چین معمولاً به عنوان یک بازی با حاصل جمع صفر تلقی میشود. در عمل، مدلهای متنباز در مرزها متوقف نمیشوند. مجوز MIT مدل GLM 5.2 محاسبات را ساده میکند: هیچ قرارداد API برای نقض وجود ندارد، هیچ سوئیچ دسترسی دولتی نمیتواند آن را خاموش کند. شما وزنهای مدل را دانلود میکنید و میتوانید آنها را به هر آنچه که نیاز دارید، تنظیم دقیق کنید.
Perplexity قبلاً این مسیر را رفته است. هنگامی که DeepSeek R1 در اوایل سال ۲۰۲۵ دنیای هوش مصنوعی را درنوردید، این شرکت آن را به R1-1776 تنظیم دقیق کرد — که تقریباً ۳۰۰ موضوعی را که نسخه اصلی به دلیل سانسور دولتی چین از بحث در مورد آنها خودداری میکرد، ترسیم و مدل را بازآموزی کرد تا سوگیری بیشتری به نفع ایالات متحده داشته باشد. این مدل به یک نسخه میزبانی شده غربی از همان موتور استدلال تبدیل شد.
تیم Perplexity در آن زمان در یک پست وبلاگ نوشت: "ما نمیتوانیم از قابلیتهای استدلالی قدرتمند R1 بدون کاهش سوگیری و سانسور آن استفاده کنیم."
بنابراین، این حرکت GLM 5.2 از همان الگو پیروی میکند، با این تفاوت که هدف این بار سیاسی نیست بلکه اقتصادی است. محصول Computer Perplexity از قبل بیش از ۱۹ مدل هوش مصنوعی را هماهنگ میکند؛ GLM تنظیمشده برای این طراحی شده است که پیشفرض ارزان قیمتی باشد که بخش عمدهای از وظایف را قبل از دست زدن به یک مدل پیشرفته (فرانتیر) جذب کند.
سرینیواس گفت که فرضیه بلندمدت روشن است: مدلهای متنباز را پسآموزش دهید تا در ارجاع دادن مهارت پیدا کنند، در داخل یک مهار عامل که از قبل به میلیونها کاربر خدمات میدهد. او نوشت که Perplexity "موقعیت منحصر به فردی" برای حل آن دارد، زیرا زیرساخت از قبل در مقیاس وسیع مستقر شده است.
این مدل بر روی پردازندههای گرافیکی Nvidia B200 در ایالات متحده اجرا میشود. گام بعدی: یک پسآموزش از Nemotron 3 Ultra، که همان معماری را با استفاده از یک مدل متنباز آمریکایی تکرار میکند.
معیارهای کامل و یک مقاله پژوهشی در هفتههای آتی منتشر خواهد شد. این مدل به عنوان پیشنمایش تحقیقاتی در دسترس است.
