Perplexity đã phát hành bản xem trước nghiên cứu vào ngày 9 tháng 7 năm 2026 về phiên bản sau đào tạo của mô hình GLM 5.2 của Z.AI, được xây dựng để hoạt động trong hệ thống Computer agent của nó và hiện đã có sẵn trong sản xuất. Hệ thống có giá bằng một phần ba so với Claude Opus 4.8 trên các bài kiểm tra chuẩn. Công ty đã tinh chỉnh mô hình mã nguồn mở Trung Quốc để hoạt động như một trình điều phối, chỉ nâng cấp lên các mô hình tiên phong khi cần thiết, đánh dấu lần tinh chỉnh mã nguồn mở Trung Quốc thứ hai của Perplexity trong 18 tháng sau R1-1776.
Perplexity Tinh Chỉnh GLM 5.2 với Công Cụ Tư Vấn để Giảm Chi Phí
GLM 5.2 là một mô hình 744 tỷ tham số của Z.ai, trước đây gọi là Zhipu AI, một phòng thí nghiệm Bắc Kinh đã nằm trong Danh sách Thực thể của Mỹ từ tháng 1 năm 2025. Phát hành dưới giấy phép MIT vào tháng 6, nó nằm trong số các mô hình AI hàng đầu hiện có trên các bài kiểm tra mã hóa dài hạn với chi phí API thấp hơn nhiều. Tham số là các nút điều chỉnh và cấu hình khác nhau mà một mô hình có thể xử lý trong quá trình đào tạo.
Perplexity đã sử dụng phương pháp hậu đào tạo để dạy cho GLM 5.2 một kỹ năng quan trọng: biết khi nào nên tự xử lý một nhiệm vụ và khi nào nên nâng cấp lên mô hình mạnh hơn. Phiên bản tinh chỉnh của GLM 5.2 bao gồm cái mà Perplexity gọi là "công cụ tư vấn" — khả năng gốc để nhận biết khi một truy vấn vượt quá năng lực của nó và chuyển giao cho một mô hình tiên phong bên thứ ba. Hầu hết các nhiệm vụ không bao giờ đến được mô hình đắt tiền.
"Khi kết hợp với tư vấn, mô hình này hoạt động với hiệu suất tương đương Opus 4.8 với chi phí thấp hơn nhiều," CEO Aravind Srinivas viết trên X.
Perplexity đã so sánh hệ thống này với phiên bản gốc của GLM 5.2 để thiết lập mức chi phí cơ sở. Sử dụng chỉ số hiệu quả nội bộ của công ty đo lường chi phí để hoàn thành các nhiệm vụ phức tạp, kết quả cho thấy mô hình tinh chỉnh có tư vấn tốn khoảng gấp đôi chi phí vận hành so với phiên bản cơ bản. Sử dụng mô hình Opus 4.8 hàng đầu cho mọi thứ thì tốn nhiều hơn (khoảng 600% đắt hơn). Bằng cách kết hợp các công cụ này, hệ thống của Perplexity đạt được chất lượng tương đương Opus nhưng chỉ với khoảng một phần ba giá.
Quá Trình Tinh Chỉnh Đào Tạo Lại Mô Hình Cơ Bản Trên Dữ Liệu Tập Trung
Tinh chỉnh là quá trình lấy một mô hình AI đã đào tạo sẵn và đào tạo lại nó trên một tập dữ liệu nhỏ hơn, tập trung hơn để làm cho nó tốt hơn trong một nhiệm vụ cụ thể. Perplexity đã sử dụng phương pháp hậu đào tạo — một quá trình tương tự được áp dụng sau khi mô hình chính đã hoàn thành đào tạo — để dạy cho GLM 5.2 khi nào nên tự xử lý nhiệm vụ và khi nào nên nâng cấp.
Các nhà phát triển nhận một mô hình cơ sở và thêm các cài đặt khác nhau để tinh chỉnh cuối cùng có nhiều kiến thức hơn về một lĩnh vực cụ thể, một thành kiến chính trị khác, hoặc ít hạn chế hơn. Các trọng số mở cho phép bất kỳ ai tải xuống, chỉnh sửa và tinh chỉnh thương mại mà không bị hạn chế. Perplexity đã làm chính xác điều đó.
Giấy Phép Mã Nguồn Mở MIT Cho Phép Chỉnh Sửa Thương Mại
Giấy phép MIT của GLM 5.2 làm cho việc tính toán trở nên đơn giản: Không có hợp đồng API nào để vi phạm, không có cài đặt truy cập nào mà chính phủ có thể bật. Bạn tải xuống trọng số và có thể tinh chỉnh chúng thành bất cứ thứ gì bạn cần.
Perplexity đã đi theo con đường này trước đây. Khi DeepSeek R1 lan tỏa trong thế giới AI đầu năm 2025, công ty đã tinh chỉnh nó thành R1-1776 — ánh xạ khoảng 300 chủ đề mà ban đầu từ chối thảo luận do bị kiểm duyệt bởi chính phủ Trung Quốc, và đào tạo lại mô hình để làm nó thiên về lợi ích của Hoa Kỳ hơn.
"Chúng tôi không thể khai thác khả năng lý luận mạnh mẽ của R1 mà không trước tiên giảm thiểu thành kiến và kiểm duyệt của nó," nhóm của Perplexity đã viết trong một bài đăng trên blog vào thời điểm đó.
Chuyển động GLM 5.2 này theo cùng một mẫu, ngoại trừ mục tiêu lần này không phải chính trị mà là kinh tế. Sản phẩm Computer của Perplexity đã điều phối hơn 19 mô hình AI; mô hình tinh chỉnh này được thiết kế để là mặc định rẻ tiền, tiếp nhận phần lớn các nhiệm vụ trước khi chạm vào mô hình tiên phong.
Srinivas cho biết luận điểm dài hạn là rõ ràng: đào tạo sau mở để trở nên giỏi trong việc nâng cấp, trong một hệ thống agent đã phục vụ hàng triệu người dùng. Perplexity "được định vị độc đáo" để giải quyết vấn đề này, vì hạ tầng đã được triển khai quy mô lớn, ông viết.
Mô Hình Chạy Trên GPU Nvidia B200 tại Hoa Kỳ
Mô hình chạy trên GPU Nvidia B200 tại Hoa Kỳ. Tiếp theo là một phiên bản hậu đào tạo của Nemotron 3 Ultra, sẽ mô phỏng cùng kiến trúc bằng một mô hình mã nguồn mở của Mỹ.
Các bài kiểm tra toàn diện và bài báo nghiên cứu dự kiến sẽ ra mắt trong vài tuần tới. Mô hình hiện có dưới dạng bản xem trước nghiên cứu.
Câu Hỏi Thường Gặp
Perplexity đã phát hành gì vào ngày 9 tháng 7 năm 2026?
Perplexity đã phát hành bản xem trước nghiên cứu của phiên bản sau đào tạo của mô hình GLM 5.2 của Z.AI, được xây dựng để hoạt động trong hệ thống Computer agent của nó và hiện đã có sẵn trong sản xuất. Hệ thống có giá bằng một phần ba so với Claude Opus 4.8 trên các bài kiểm tra chuẩn.
Làm thế nào mô hình GLM 5.2 tinh chỉnh của Perplexity giảm chi phí?
Mô hình GLM 5.2 tinh chỉnh bao gồm "công cụ tư vấn" nhận biết khi một truy vấn vượt quá năng lực của nó và chuyển giao cho mô hình tiên phong bên thứ ba. Hầu hết các nhiệm vụ không bao giờ đến được mô hình đắt tiền. Perplexity đã so sánh hệ thống và thấy nó đạt hiệu suất chất lượng như Opus 4.8 với khoảng một phần ba chi phí.
Mô hình kế tiếp của Perplexity dự kiến tinh chỉnh là gì?
Tiếp theo là một phiên bản hậu đào tạo của Nemotron 3 Ultra, sẽ mô phỏng cùng kiến trúc bằng một mô hình mã nguồn mở của Mỹ. Mô hình chạy trên GPU Nvidia B200 tại Hoa Kỳ.
