پرپلکسی یک مدل هوش مصنوعی چینی را به گونه‌ای تنظیم کرد که با هزینه یک سوم کلود اوپس ۴.۸ مطابقت دارد

پرپلکسی یک مدل متن باز چینی را به یک کارگر نزدیک به مرز تبدیل کرده است که تقریباً یک سوم هزینه کلود اوپس ۴.۸ را دارد.

این شرکت امروز یک پیش‌نمایش تحقیقاتی از نسخه پس‌آموزش‌دیده GLM 5.2 از Z.AI را منتشر کرد که به طور خاص برای کار در داخل سامانه عامل کامپیوتری خود ساخته شده و اکنون در تولید در دسترس است.

GLM 5.2 یک مدل با حدود ۷۴۴ میلیارد پارامتر از Z.ai است---که قبلاً Zhipu AI نامیده می‌شد، یک آزمایشگاه در پکن که از ژانویه ۲۰۲۵ در فهرست نهادهای ایالات متحده قرار دارد. (پارامترها همه دکمه‌ها و تنظیمات مختلفی هستند که یک مدل می‌تواند در طول آموزش مدیریت کند. هر چه پارامترها بیشتر باشند، مدل پیچیده‌تر و قدرتمندتر است.) این مدل تحت مجوز MIT در ژوئن منتشر شد و در میان بهترین مدل‌های هوش مصنوعی موجود در معیارهای کدنویسی بلندمدت قرار دارد و هزینه API آن بسیار کمتر است.

وزن‌های باز به این معنی است که هر کسی می‌تواند آن را دانلود، تغییر و به صورت تجاری بدون محدودیت تنظیم کند. پرپلکسی دقیقاً همین کار را انجام داد.

تنظیم دقیق چیست

تنظیم دقیق فرآیند گرفتن یک مدل هوش مصنوعی از پیش آموزش‌دیده و دوباره آموزش دادن آن بر روی یک مجموعه داده کوچک و متمرکز است تا آن را برای یک کار خاص بهتر کند.

پرپلکسی از پس‌آموزش استفاده کرد---یک فرآیند مشابه که پس از دوره اصلی آموزش مدل اعمال می‌شود---تا به GLM 5.2 یک مهارت حیاتی بیاموزد: دانستن اینکه چه زمانی یک کار را خود انجام دهد و چه زمانی به چیزی قدرتمندتر ارجاع دهد.

این در نهایت در هزینه‌های استنتاج صرفه‌جویی زیادی می‌کند.

پرپلکسی سیستم را در برابر GLM 5.2 معمولی آزمایش کرد تا یک خط پایه هزینه تعیین کند. با استفاده از معیار کارایی داخلی شرکت که اندازه‌گیری می‌کند چقدر هزینه دارد تا کارهای پیچیده را کامل کند، نتایج نشان داد که مدل تنظیم‌شده با یک مشاور تقریباً دو برابر هزینه اجرای نسخه پایه است. با این حال، استفاده از مدل اوپس ۴.۸ برای همه چیز بسیار گران‌تر است (حدود ۶۰۰٪ گران‌تر).

با ترکیب این ابزارها، سیستم پرپلکسی همان کیفیت عملکرد اوپس را با هزینه تقریباً یک سوم به دست می‌آورد.

چرا یک مدل چینی---و چرا متن باز این امکان را فراهم می‌کند

رقابت هوش مصنوعی ایالات متحده و چین معمولاً به عنوان یک بازی صفر-جمع مطرح می‌شود. در عمل، مدل‌های متن باز از مرزها عبور می‌کنند. مجوز MIT GLM 5.2 محاسبات را ساده می‌کند: هیچ قراردادی برای API وجود ندارد که نقض شود، هیچ سوئیچ دسترسی که یک دولت بتواند آن را تغییر دهد. شما وزن‌ها را دانلود می‌کنید و می‌توانید آن‌ها را به هر چیزی که نیاز دارید تنظیم کنید.

پرپلکسی قبلاً این مسیر را طی کرده است. زمانی که DeepSeek R1 در اوایل ۲۰۲۵ در دنیای هوش مصنوعی طوفانی به پا کرد، این شرکت آن را به R1-1776 تنظیم کرد---حدود ۳۰۰ موضوع را که نسخه اصلی به دلیل سانسور دولت چین از بحث در مورد آن‌ها خودداری کرده بود، نقشه‌برداری کرده و مدل را دوباره آموزش داد تا به نفع ایالات متحده بیشتر تمایل داشته باشد. این یک نسخه میزبانی شده در غرب از همان موتور استدلال شد.

بنابراین، این حرکت GLM 5.2 از همان الگو پیروی می‌کند، با این تفاوت که هدف این بار سیاسی نیست بلکه اقتصادی است. محصول کامپیوتری پرپلکسی در حال حاضر ۱۹+ مدل هوش مصنوعی را هماهنگ می‌کند؛ GLM تنظیم‌شده به عنوان پیش‌فرض ارزان طراحی شده است که بخش عمده‌ای از کارها را قبل از اینکه هرگز به یک مدل مرزی برسد، جذب کند.

سری نیواس گفت که فرضیه بلندمدت ساده است: مدل‌های متن باز را پس‌آموزش دهید تا در ارجاع به خوبی عمل کنند، در داخل یک سامانه عاملی که در حال حاضر به میلیون‌ها کاربر خدمت می‌کند. پرپلکسی "به طور منحصر به فردی در موقعیت" حل این مشکل است، او نوشت، زیرا زیرساخت قبلاً در مقیاس بزرگ مستقر شده است.

مدل بر روی GPU های Nvidia B200 در ایالات متحده اجرا می‌شود. مرحله بعد: یک پس‌آموزش از Nemotron 3 Ultra، که همان معماری را با استفاده از یک مدل متن باز آمریکایی تکرار خواهد کرد.

انتظار می‌رود که معیارهای کامل و یک مقاله تحقیقاتی در هفته‌های آینده منتشر شود. این مدل به عنوان پیش‌نمایش تحقیقاتی در دسترس است.