Perplexity ajusta el modelo chino GLM 5.2 para igualar a Claude Opus a un tercio del coste

Perplexity lanzó una vista previa de investigación el 9 de julio de 2026 de una versión post-entrenada del modelo GLM 5.2 de Z.AI, construido para operar dentro de su sistema de agentes Computer y disponible ahora en producción. El sistema cuesta un tercio del precio de Claude Opus 4.8 en las pruebas de referencia. La compañía ajustó el modelo de código abierto chino para funcionar como un orquestador que escala a modelos de frontera solo cuando es necesario, marcando la segunda afinación de código abierto chino de Perplexity en 18 meses tras R1-1776.

Perplexity ajusta GLM 5.2 con herramienta asesora para reducir costos

GLM 5.2 es un modelo de 744 mil millones de parámetros de Z.ai, anteriormente Zhipu AI, un laboratorio de Pekín que ha estado en la Lista de Entidades de EE. UU. desde enero de 2025. Lanzado bajo licencia MIT en junio, se encuentra entre los principales modelos de IA disponibles actualmente en benchmarks de codificación a largo plazo a una fracción del costo de la API. Los parámetros son todos los controles y configuraciones que un modelo puede manejar durante el entrenamiento.

Perplexity utilizó post-entrenamiento para enseñarle a GLM 5.2 una habilidad clave: saber cuándo gestionar una tarea por sí mismo y cuándo escalar a un modelo de frontera más potente. El GLM 5.2 ajustado incluye lo que Perplexity llama una "herramienta asesora", una capacidad nativa para reconocer cuándo una consulta excede su competencia y transferirla a un modelo de frontera de terceros. La mayoría de las tareas nunca alcanzan el modelo costoso.

"Cuando se combina con un asesor, este modelo funciona con un rendimiento similar al de Opus 4.8 a una fracción del costo", escribió el CEO Aravind Srinivas en X.

Perplexity comparó el sistema con el GLM 5.2 normal para establecer una línea base de costos. Usando la métrica interna de eficiencia de la compañía, que mide cuánto cuesta completar tareas complejas, los resultados mostraron que el modelo ajustado con asesor es aproximadamente el doble de costoso de operar que la versión básica. Usar el modelo Opus 4.8 de primera categoría para todo es mucho más caro (alrededor del 600% más). Al combinar estas herramientas, el sistema de Perplexity logra la misma calidad de rendimiento que Opus pero solo por aproximadamente un tercio del precio.

El proceso de afinación reentrena el modelo base con un conjunto de datos específico

La afinación es el proceso de tomar un modelo de IA ya entrenado y volver a entrenarlo con un conjunto de datos más pequeño y enfocado para mejorar en una tarea específica. Perplexity utilizó post-entrenamiento, un proceso similar aplicado después del entrenamiento principal del modelo, para enseñarle a GLM 5.2 cuándo gestionar una tarea por sí mismo y cuándo escalar.

Los desarrolladores obtienen un modelo base y añaden diferentes configuraciones para que la afinación tenga más conocimientos en un campo específico, un sesgo político diferente, más o menos restricciones. Los pesos abiertos significan que cualquiera puede descargar, modificar y ajustar comercialmente sin restricciones. Perplexity hizo exactamente eso.

La licencia MIT de código abierto permite modificación comercial

La licencia MIT de GLM 5.2 simplifica el cálculo: no hay contrato de API que violar, ni cambio de acceso que pueda activar un gobierno. Descargas los pesos y puedes ajustarlos a lo que necesites.

Perplexity ya ha recorrido este camino antes. Cuando DeepSeek R1 revolucionó el mundo de la IA a principios de 2025, la compañía lo ajustó a R1-1776, mapeando aproximadamente 300 temas que el original se negó a discutir debido a la censura del gobierno chino, y reentrenando el modelo para hacerlo más sesgado a favor de Estados Unidos.

"No podemos aprovechar las poderosas capacidades de razonamiento de R1 sin primero mitigar su sesgo y censura", escribió el equipo de Perplexity en una publicación en su blog en ese momento.

Este movimiento con GLM 5.2 sigue el mismo esquema, excepto que el objetivo esta vez no es político sino económico. El producto Computer de Perplexity ya orquesta más de 19 modelos de IA; el GLM ajustado está diseñado para ser el predeterminado barato que absorbe la mayor parte de las tareas antes de tocar un modelo de frontera.

Srinivas afirmó que la tesis a largo plazo es sencilla: modelos de código abierto post-entrenados para mejorar en escalada, dentro de un sistema de agentes que ya atiende a millones de usuarios. Perplexity está "en una posición única" para resolverlo, escribió, porque la infraestructura ya está desplegada a gran escala.

El modelo funciona en GPUs Nvidia B200 en Estados Unidos

El modelo funciona en GPUs Nvidia B200 en Estados Unidos. Lo próximo en línea: un post-entrenamiento de Nemotron 3 Ultra, que replicaría la misma arquitectura usando un modelo de código abierto estadounidense.

Se esperan en las próximas semanas benchmarks completos y un artículo de investigación. El modelo está disponible como vista previa de investigación.

Preguntas frecuentes

¿Qué lanzó Perplexity el 9 de julio de 2026?
Perplexity lanzó una vista previa de investigación de una versión post-entrenada del modelo GLM 5.2 de Z.AI, construido para operar dentro de su sistema de agentes Computer y disponible ahora en producción. El sistema cuesta un tercio del precio de Claude Opus 4.8 en las pruebas de referencia.

¿Cómo reduce costos el GLM 5.2 ajustado de Perplexity?
El GLM 5.2 ajustado incluye una "herramienta asesora" que reconoce cuándo una consulta excede su competencia y la transfiere a un modelo de frontera de terceros. La mayoría de las tareas nunca alcanzan el modelo costoso. Perplexity comparó el sistema y encontró que logra el mismo rendimiento de calidad que Opus 4.8 por aproximadamente un tercio del precio.

¿Cuál es el próximo ajuste de modelo planeado por Perplexity?
El próximo en línea es un post-entrenamiento de Nemotron 3 Ultra, que replicaría la misma arquitectura usando un modelo de código abierto estadounidense. El modelo funciona en GPUs Nvidia B200 en Estados Unidos.