Perplexity 已將一個中國開源模型轉化為接近前沿水準的主力模型，其成本大約是 Claude Opus 4.8 的三分之一。

該公司今天發布了 Z.AI 的 GLM 5.2 後期訓練版本的技術預覽，該版本專為在其 Computer 代理框架內部運作而建構，現已投入生產。

GLM 5.2 是來自 Z.ai（前身為智譜 AI，一家自 2025 年 1 月起被列入美國實體清單的北京實驗室）的一個約 7440 億參數模型。（參數是模型在訓練期間可以處理的所有不同「撥盤」和配置。參數越多，模型就越複雜和強大。）該模型於 6 月在 MIT 許可證下發布，目前在長期程式碼基準測試中位居頂級 AI 模型之列，而其 API 成本僅為一小部分。

開放權重意味著任何人都可以不受限制地商業下載、修改和微調它。Perplexity 正是這樣做的。

微調的實際意義

微調是將一個已經訓練好的 AI 模型，在一個更小、更集中的資料集上重新訓練的過程，使其在特定任務上表現更好。

想像一下調校汽車。例如，不同的技師可以擁有同一輛 Honda Civic，並使其在直線競速中更快，外觀更具吸引力，改裝用於拉力賽等。在 AI 中，開發者獲得一個基礎模型，然後添加不同的設定，使微調後的模型在特定領域擁有更多知識、不同的政治偏見、更多或更少的限制等。

Perplexity 使用後期訓練——一個在模型主要訓練運行之後應用的類似過程——來教導 GLM 5.2 一項關鍵技能：知道何時自行處理任務，以及何時升級到更強大的模型。

這種升級是他們建構的核心。經過微調的 GLM 5.2 包含 Perplexity 稱之為「顧問工具」的功能——一種原生的能力，能夠識別查詢何時超出其自身能力範圍，並將其轉交給第三方的前沿模型。大多數任務從未觸及昂貴的模型。只有實際需要的任務才會。

這最終在推理方面節省了大量成本。

Perplexity 執行長 Aravind Srinivas 在 X 上寫道：「當與顧問配對時，該模型能以 Opus 4.8 級別的性能運行，而成本僅為一小部分。」

Perplexity 將該系統與標準 GLM 5.2 進行基準測試，以建立成本基準。使用該公司衡量完成複雜任務成本的內部效率指標，結果顯示，帶有顧問的微調模型運行成本約為基本版本的兩倍。然而，將頂級的 Opus 4.8 模型用於所有任務則昂貴得多（約高出 600%）。

透過結合這些工具，Perplexity 的系統達到了與 Opus 相同的性能品質，但成本僅為其約三分之一。

為何選擇中國模型—以及開源為何使其成為可能

美中 AI 競賽常被視為零和遊戲。然而在實踐中，開源模型並不受國界限制。GLM 5.2 的 MIT 許可證使其計算變得簡單：沒有 API 合約可違反，也沒有政府可以翻轉的存取開關。你可以下載權重並根據需要對其進行微調。

Perplexity 之前也曾走過這條路。2025 年初，當 DeepSeek R1 席捲 AI 業界時，該公司將其微調為 R1-1776——繪製出大約 300 個因中國政府審查而拒絕討論的主題，並重新訓練模型使其更偏向美國。它成為了同一推理引擎的西方託管版本。

Perplexity 團隊當時在一篇部落格文章中寫道：「如果不及早消除其偏見和審查，我們將無法利用 R1 強大的推理能力。」

因此，這次 GLM 5.2 的舉動遵循了相同的模式，只不過這次的目標不是政治性的，而是經濟性的。Perplexity 的 Computer 產品已經協調了 19 個以上的 AI 模型；經過微調的 GLM 被設計為廉價的預設模型，在接觸前沿模型之前吸收大部分任務。

Srinivas 表示，長期論點很直接：後期訓練開源模型，使其擅長在已經服務數百萬用戶的代理框架內部進行升級。他寫道，Perplexity 處於「獨特的地位」來解決這個問題，因為其基礎設施已經大規模部署。

該模型在美國的 Nvidia B200 GPU 上運行。接下來將是 Nemotron 3 Ultra 的後期訓練，這將使用美國的開源模型複製相同的架構。

完整的基準測試和研究論文預計將在未來幾週內發布。該模型目前作為技術預覽提供。