Perplexity Ajustou um Modelo de IA Chinês para Igualar o Claude Opus 4.8 a um Terço do Custo

A Perplexity transformou um modelo de código aberto chinês em uma máquina de trabalho quase de ponta por aproximadamente um terço do custo 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 seu sistema de agente computacional e disponível agora em produção.

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. (Os parâmetros são todos os diferentes ajustes e configurações que um modelo pode lidar durante o treinamento. Quanto mais parâmetros, mais complexo e poderoso é o modelo.) Lançado sob uma licença MIT em junho, ele está entre os principais modelos de IA atualmente disponíveis em benchmarks de codificação de longo prazo a uma fração do custo da API.

Os pesos abertos significam que qualquer pessoa pode baixar, modificar e ajustar comercialmente sem restrições. A Perplexity fez exatamente isso.

O que é ajuste fino na verdade

O ajuste fino é o processo de pegar um modelo de IA já treinado e re-treiná-lo em um conjunto de dados menor e focado para torná-lo melhor em um trabalho específico.

A Perplexity usou o pós-treinamento---um processo semelhante aplicado após a execução principal de treinamento do modelo---para ensinar ao GLM 5.2 uma habilidade crítica: saber quando lidar com uma tarefa por conta própria e quando escalar para algo mais poderoso.

Isso acaba economizando muito dinheiro em inferência.

A Perplexity avaliou o sistema em comparação com o GLM 5.2 normal para estabelecer uma linha de base de custo. Usando a métrica interna de eficiência da empresa, que mede quanto custa completar tarefas complexas, os resultados mostraram que o modelo ajustado com um conselheiro é cerca de duas vezes mais caro de operar do que a versão básica. No entanto, usar o modelo Opus 4.8 de primeira linha 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 que o Opus, mas apenas a aproximadamente um terço do preço.

Por que um modelo chinês---e por que o código aberto torna isso possível

A corrida de IA entre os EUA e a China tende a ser enquadrada como um jogo de soma zero. Na prática, modelos de código aberto não param nas fronteiras. A licença MIT do GLM 5.2 torna o cálculo simples: Não há contrato de API a ser violado, nenhum interruptor de acesso que um governo possa ativar. Você baixa os pesos e pode ajustá-los para o que precisar.

A Perplexity já percorreu esse caminho antes. Quando o DeepSeek R1 varreu o mundo da IA no início de 2025, a empresa o ajustou para R1-1776---mapeando aproximadamente 300 tópicos que o original se recusou a discutir devido à censura do governo chinês, e re-treinando o modelo para torná-lo mais tendencioso a favor dos Estados Unidos. Tornou-se uma versão hospedada no Ocidente do mesmo motor de raciocínio.

Assim, esse movimento do GLM 5.2 segue o mesmo modelo, exceto que o objetivo desta vez não é político, mas econômico. O produto Computador 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 de tocar em um modelo de ponta.

Srinivas disse que a tese de longo prazo é simples: pós-treinar modelos de código aberto para se tornarem bons em escalonamento, dentro de um sistema de agentes que já atende milhões de usuários. A Perplexity está "unicamente posicionada" para resolver isso, escreveu ele, porque a infraestrutura já está implantada em grande escala.

O modelo roda em GPUs Nvidia B200 nos Estados Unidos. O próximo na fila: 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.