A Perplexity transformou um modelo chinês de código aberto em um cavalo de batalha quase de ponta, custando aproximadamente um terço do Claude Opus 4.8.
A empresa lançou hoje uma prévia de pesquisa de uma versão pós-treinada do GLM 5.2 da Z.AI, construída especificamente para operar dentro de sua estrutura de agente Computer e já disponível em produção.
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
O GLM 5.2 é um modelo de aproximadamente 744 bilhões de parâmetros da Z.ai — anteriormente Zhipu AI, um laboratório de Pequim que está na Lista de Entidades dos EUA desde janeiro de 2025. (Parâmetros são todos os diferentes ajustes e configurações que um modelo pode lidar durante o treinamento. Quanto mais parâmetros, mais complexo e poderoso é um modelo.) Lançado sob uma licença MIT em junho, ele se destaca entre os principais modelos de IA atualmente disponíveis em benchmarks de codificação de longo horizonte com uma fração do custo da API.
Os pesos abertos significam que qualquer pessoa pode baixá-lo, modificá-lo e ajustá-lo comercialmente sem restrições. A Perplexity fez exatamente isso.
Ajuste fino (fine-tuning) é o processo de pegar um modelo de IA já treinado e retreiná-lo em um conjunto de dados menor e focado para torná-lo melhor em uma tarefa específica.
Pense nisso como afinar um carro. Diferentes mecânicos podem ter o mesmo Honda Civic, por exemplo, e torná-lo mais rápido para corridas de arrancada, mais esteticamente agradável, adaptá-lo para rali, etc. Em IA, os desenvolvedores obtêm um modelo base e adicionam diferentes configurações para que o ajuste fino (finetune) acabe com mais conhecimento em um campo específico, um viés político diferente, mais ou menos restrições, etc.
A Perplexity usou o pós-treinamento — um processo similar aplicado após a execução do treinamento principal do modelo — para ensinar ao GLM 5.2 uma habilidade crítica: saber quando lidar com uma tarefa por si mesmo e quando escalar para algo mais poderoso.
Essa escalada é o cerne do que eles construíram. O GLM 5.2 ajustado inclui o que a Perplexity chama de "ferramenta de consultoria" — uma capacidade nativa de reconhecer quando uma consulta excede sua própria competência e passar para um modelo de fronteira de terceiros. A maioria das tarefas nunca chega ao modelo caro. Apenas aquelas que realmente precisam o fazem.
Isso acaba economizando muito dinheiro em inferência.
"Quando combinado com um consultor, este modelo funciona com desempenho de nível Opus 4.8 a uma fração do custo", escreveu o CEO Aravind Srinivas no X.
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
A Perplexity comparou o sistema com o GLM 5.2 normal para estabelecer uma linha de base de custo. Usando a métrica de eficiência interna da empresa, que mede quanto custa para completar tarefas complexas, os resultados mostraram que o modelo ajustado com um consultor é cerca de duas vezes mais caro para rodar do que a versão básica. No entanto, usar o modelo Opus 4.8 de ponta para tudo é muito mais caro (cerca de 600% mais caro).
Ao combinar essas ferramentas, o sistema da Perplexity alcança o mesmo desempenho de qualidade do Opus, mas por apenas um terço do preço.
A corrida de IA entre EUA e China tende a ser enquadrada como de soma zero. Na prática, os modelos de código aberto não param nas fronteiras. A licença MIT do GLM 5.2 torna o cálculo simples: não há contrato de API para violar, nem chave de acesso que um governo possa acionar. Você baixa os pesos e pode ajustá-los para o que precisar.
A Perplexity já trilhou esse caminho antes. Quando o DeepSeek R1 varreu o mundo da IA no início de 2025, a empresa o ajustou para R1-1776 — mapeando cerca de 300 tópicos que o original se recusava a discutir devido à censura do governo chinês, e retreinando o modelo para torná-lo mais tendencioso em favor dos Estados Unidos. Tornou-se uma versão hospedada no Ocidente do mesmo mecanismo de raciocínio.
"Não somos capazes de usar os poderosos recursos de raciocínio do R1 sem antes mitigar seu viés e censura", escreveu a equipe da Perplexity na época em um post de blog.
Então, essa mudança com o GLM 5.2 segue o mesmo modelo, exceto que o objetivo desta vez não é político, mas econômico. O produto Computer da Perplexity já orquestra mais de 19 modelos de IA; o GLM ajustado foi projetado para ser o padrão barato que absorve a maior parte das tarefas antes mesmo de tocar em um modelo de fronteira.
Srinivas disse que a tese de longo prazo é direta: pós-treinar modelos de código aberto para se tornarem bons em escalonamento, dentro de uma estrutura de agente que já atende milhões de usuários. A Perplexity está "singularmente posicionada" para resolver isso, ele escreveu, porque a infraestrutura já está implantada em escala.
O modelo roda em GPUs Nvidia B200 nos Estados Unidos. O próximo passo: um pós-treinamento do Nemotron 3 Ultra, que replicaria a mesma arquitetura usando um modelo de código aberto americano.
Benchmarks completos e um artigo de pesquisa são esperados nas próximas semanas. O modelo está disponível como prévia de pesquisa.
