Perplexity telah mengubah model open-source Tiongkok menjadi mesin pekerja mendekati batas teknologi dengan biaya sekitar sepertiga dari biaya Claude Opus 4.8.

Perusahaan tersebut hari ini merilis pratinjau riset dari versi GLM 5.2 dari Z.AI yang telah dilatih ulang, dibangun secara khusus untuk beroperasi di dalam sistem agen Komputernya dan kini tersedia dalam produksi.

GLM 5.2 adalah model dengan sekitar 744 miliar parameter dari Z.ai—sebelumnya Zhipu AI, sebuah lab Beijing yang telah masuk Daftar Entitas AS sejak Januari 2025. (Parameter adalah semua pengaturan dan konfigurasi berbeda yang dapat ditangani model selama pelatihan. Semakin banyak parameter, semakin kompleks dan kuat modelnya.) Dirilis di bawah lisensi MIT pada bulan Juni, model ini termasuk di antara model AI teratas yang saat ini tersedia pada benchmark pengkodean jangka panjang dengan sebagian kecil dari biaya API.

Bobot terbuka (open weights) berarti siapa pun dapat mengunduh, memodifikasi, dan menyempurnakannya secara komersial tanpa batasan. Perplexity melakukan hal itu.

Apa sebenarnya fine-tuning itu

Fine-tuning adalah proses mengambil model AI yang sudah dilatih dan melatihnya kembali pada kumpulan data yang lebih kecil dan terfokus untuk membuatnya lebih baik dalam pekerjaan tertentu.

Bayangkan seperti menyetel mobil. Mekanik yang berbeda dapat memiliki Honda Civic yang sama, misalnya, dan membuatnya lebih cepat untuk balap drag, lebih menarik secara visual, menyesuaikannya untuk reli, dll. Dalam AI, pengembang mendapatkan model dasar dan menambahkan pengaturan yang berbeda sehingga fine-tune berakhir dengan lebih banyak pengetahuan di bidang tertentu, bias politik yang berbeda, lebih banyak atau lebih sedikit batasan, dll.

Perplexity menggunakan post-training—proses serupa yang diterapkan setelah pelatihan utama model—untuk mengajari GLM 5.2 satu keterampilan penting: mengetahui kapan harus menangani tugas itu sendiri dan kapan harus meningkatkan (escalate) ke sesuatu yang lebih kuat.

Eskalasi itulah inti dari apa yang mereka bangun. GLM 5.2 yang telah di-fine-tune menyertakan apa yang disebut Perplexity sebagai "advisor tool"—kemampuan bawaan untuk mengenali ketika sebuah pertanyaan melebihi kompetensinya sendiri dan menyerahkannya kepada model frontier pihak ketiga. Sebagian besar tugas tidak pernah mencapai model yang mahal. Hanya yang benar-benar membutuhkannya yang akan sampai.

Hal ini pada akhirnya menghemat banyak uang dalam inferensi.

"Ketika dipasangkan dengan seorang penasihat, model ini berfungsi pada kinerja kelas Opus 4.8 dengan sebagian kecil dari biayanya," tulis CEO Aravind Srinivas di X.

Perplexity membandingkan sistem ini dengan GLM 5.2 normal untuk menetapkan dasar biaya. Menggunakan metrik efisiensi internal perusahaan yang mengukur berapa biaya untuk menyelesaikan tugas-tugas kompleks, hasilnya menunjukkan bahwa model yang disetel dengan penasihat sekitar dua kali lebih mahal untuk dijalankan daripada versi dasar. Namun, menggunakan model Opus 4.8 tingkat atas untuk semuanya jauh lebih mahal (sekitar 600% lebih mahal).

Dengan menggabungkan alat-alat ini, sistem Perplexity mencapai kinerja kualitas yang sama dengan Opus tetapi hanya dengan sekitar sepertiga harga.

Mengapa model Tiongkok—dan mengapa open-source memungkinkan hal itu

Perlombaan AI AS-Tiongkok cenderung dibingkai sebagai zero-sum. Dalam praktiknya, model open-source tidak berhenti di perbatasan. Lisensi MIT GLM 5.2 membuat perhitungan menjadi sederhana: Tidak ada kontrak API yang dilanggar, tidak ada tombol akses yang dapat diputar oleh pemerintah. Anda mengunduh bobotnya dan Anda dapat menyempurnakannya menjadi apa pun yang Anda butuhkan.

Perplexity pernah menempuh jalan ini sebelumnya. Ketika DeepSeek R1 melanda dunia AI pada awal 2025, perusahaan tersebut menyempurnakannya menjadi R1-1776—memetakan sekitar 300 topik yang awalnya menolak untuk dibahas karena sensor pemerintah Tiongkok, dan melatih kembali model tersebut untuk membuatnya lebih bias mendukung Amerika Serikat. Ini menjadi versi Barat dari mesin penalaran yang sama.

"Kami tidak dapat memanfaatkan kemampuan penalaran R1 yang kuat tanpa terlebih dahulu mengurangi bias dan sensornya," tulis tim Perplexity saat itu dalam sebuah postingan blog.

Jadi, langkah GLM 5.2 ini mengikuti templat yang sama, kecuali tujuannya kali ini bukan politik melainkan ekonomi. Produk Komputer Perplexity sudah mengorkestrasi 19+ model AI; GLM yang disetel dirancang untuk menjadi standar murah yang menyerap sebagian besar tugas sebelum menyentuh model frontier.

Srinivas mengatakan tesis jangka panjangnya lugas: melatih ulang model open-source untuk menjadi ahli dalam eskalasi, di dalam sistem agen yang sudah melayani jutaan pengguna. Perplexity "secara unik diposisikan" untuk menyelesaikannya, tulisnya, karena infrastrukturnya sudah diterapkan dalam skala besar.

Model ini berjalan di GPU Nvidia B200 di Amerika Serikat. Selanjutnya: pelatihan ulang Nemotron 3 Ultra, yang akan mereplikasi arsitektur yang sama menggunakan model open-source Amerika.

Benchmark lengkap dan makalah riset diharapkan dalam beberapa minggu mendatang. Model ini tersedia sebagai pratinjau riset.