Ginawang isang halos frontier na workhorse ng Perplexity ang isang Chinese open-source model sa humigit-kumulang isang-katlo ng halaga ng Claude Opus 4.8.

Naglabas ang kumpanya ng research preview ngayong araw ng isang post-trained na bersyon ng GLM 5.2 ng Z.AI, na partikular na binuo upang gumana sa loob ng Computer agent harness nito at available na ngayon sa produksyon.

Ang GLM 5.2 ay isang humigit-kumulang 744-billion-parameter na modelo mula sa Z.ai—dating Zhipu AI, isang laboratoryo sa Beijing na nasa U.S. Entity List mula pa noong Enero 2025. (Ang mga parameter ay ang lahat ng iba't ibang setting at configuration na kayang hawakan ng isang modelo sa panahon ng pagsasanay. Kung mas maraming parameter, mas kumplikado at makapangyarihan ang isang modelo.) Inilabas sa ilalim ng lisensya ng MIT noong Hunyo, ito ay kabilang sa mga nangungunang modelo ng AI na kasalukuyang available sa long-horizon coding benchmarks sa mas mababang halaga ng API.

Ang open weights ay nangangahulugang kahit sino ay maaaring mag-download, mag-modify, at mag-fine-tune nito nang komersyal nang walang restriksyon. Ito ang mismong ginawa ng Perplexity.

Ano nga ba ang fine-tuning

Ang fine-tuning ay ang proseso ng pagkuha ng isang AI model na nasanay na at muling pagsasanay nito sa isang mas maliit, nakatutok na dataset upang mas mapabuti ito sa isang partikular na gawain.

Isipin ito tulad ng pag-tune ng kotse. Ang iba't ibang mekaniko ay maaaring may parehong Honda Civic, halimbawa, at gawin itong mas mabilis para sa drag racing, mas kaakit-akit sa paningin, i-adapt ito para sa rally, atbp. Sa AI, nakakakuha ang mga developer ng base model at nagdaragdag ng iba't ibang setting upang ang fine-tune ay magkaroon ng mas maraming kaalaman sa isang partikular na larangan, ibang political bias, mas marami o mas kaunting restriksyon, atbp.

Ginamit ng Perplexity ang post-training—isang katulad na proseso na inilalapat pagkatapos ng pangunahing pagpapatakbo ng pagsasanay ng modelo—upang turuan ang GLM 5.2 ng isang kritikal na kasanayan: ang pag-alam kung kailan nito kayang hawakan ang isang gawain at kung kailan ito kailangang iakyat sa mas makapangyarihang modelo.

Ang pag-akyat na iyon ang sentro ng kanilang binuo. Kasama sa fine-tuned GLM 5.2 ang tinatawag ng Perplexity na "advisor tool"—isang native na kakayahan upang makilala kung ang isang query ay lumalagpas sa sarili nitong kakayahan at ipasa ito sa isang third-party frontier model. Karamihan sa mga gawain ay hindi umaabot sa mamahaling modelo. Tanging ang mga kailangan lang talaga ang umaabot dito.

Nakakatipid ito ng maraming pera sa inference.

"Kapag ipinares sa isang advisor, ang modelong ito ay gumagana sa Opus 4.8 grade performance sa mas mababang halaga," isinulat ni CEO Aravind Srinivas sa X.

Binengmark ng Perplexity ang sistema laban sa normal na GLM 5.2 upang magtatag ng isang cost baseline. Gamit ang panloob na sukatan ng kahusayan ng kumpanya na sumusukat kung magkano ang gastos upang makumpleto ang mga kumplikadong gawain, ipinakita ng mga resulta na ang fine-tuned model na may advisor ay halos dalawang beses na mas mahal patakbuhin kaysa sa basic na bersyon. Gayunpaman, ang paggamit ng top-tier na Opus 4.8 model para sa lahat ay mas mahal (humigit-kumulang 600% na mas mahal).

Sa pamamagitan ng pagsasama-sama ng mga tool na ito, nakakamit ng sistema ng Perplexity ang parehong kalidad ng performance gaya ng Opus ngunit sa halos isang-katlo lamang ng presyo.

Bakit isang Chinese model—at bakit ginagawang posible ito ng open-source

Ang U.S.-China AI race ay kadalasang inilalarawan bilang zero-sum. Sa praktika, ang mga open-source model ay hindi humihinto sa mga hangganan. Ang lisensya ng MIT ng GLM 5.2 ay ginagawang simple ang kalkulasyon: Walang API contract na lalabagin, walang access switch na maaaring i-flip ng gobyerno. I-download mo ang mga weights at maaari mo itong i-fine-tune sa anumang kailangan mo.

Dumaan na ang Perplexity sa ganitong landas dati. Nang naging tanyag ang DeepSeek R1 sa mundo ng AI noong unang bahagi ng 2025, ang kumpanya ay nag-fine-tune nito sa R1-1776—minamapa ang humigit-kumulang 300 na paksa na tinanggihan ng orihinal na talakayin dahil sa censorship ng gobyerno ng China, at muling sinanay ang modelo upang maging mas biased pabor sa Estados Unidos. Ito ay naging isang Western-hosted na bersyon ng parehong reasoning engine.

"Hindi namin magagamit ang malakas na kakayahan ng R1 sa pag-iisip nang hindi muna pinapagaan ang bias at censorship nito," isinulat ng team ng Perplexity noon sa isang blog post.

Kaya, ang GLM 5.2 move na ito ay sumusunod sa parehong template, maliban na ang layunin sa pagkakataong ito ay hindi pulitikal kundi pang-ekonomiya. Ang produkto ng Perplexity na Computer ay nag-o-orchestrate na ng 19+ AI models; ang fine-tuned GLM ay idinisenyo upang maging murang default na sumisipsip ng karamihan sa mga gawain bago pa man hawakan ang isang frontier model.

Sinabi ni Srinivas na ang pangmatagalang thesis ay diretso: i-post-train ang mga open-source model upang maging mahusay sa pag-escalate, sa loob ng isang agent harness na nagsisilbi na sa milyun-milyong user. Ang Perplexity ay "natatanging posisyon" upang lutasin ito, isinulat niya, dahil ang imprastraktura ay nakakalat na sa malawakang saklaw.

Ang modelo ay tumatakbo sa Nvidia B200 GPUs sa Estados Unidos. Susunod sa linya: isang post-train ng Nemotron 3 Ultra, na magre-replicate ng parehong arkitektura gamit ang isang American open-source model.

Ang buong benchmarks at isang research paper ay inaasahan sa mga darating na linggo. Ang modelo ay available bilang research preview.