پرپلکسیتی مدل هوش مصنوعی چینی را با یک سوم هزینه، هم‌تراز کلود اپوس 4.8 کرد

سردرگمی، یک مدل متن‌باز چینی را به ابزاری کارآمد در نزدیکی مرزهای پیشرفته با هزینه‌ای حدود یک سوم مدل Claude Opus 4.8 تبدیل کرده است.

این شرکت امروز پیش‌نمایش تحقیقاتی نسخه‌ای پس از آموزش‌دیده از مدل GLM 5.2 شرکت Z.AI را منتشر کرد که به طور خاص برای کار در چارچوب عامل کامپیوتر این شرکت طراحی شده و اکنون در دسترس است.

مدل جدید Perplexity Computer

این مدل، نسخه‌ای تطبیق‌یافته از GLM 5.2 است که برای چارچوب کامپیوتر پس از آموزش‌دیده است. این مدل عملکردی نزدیک به مرزهای پیشرفته را با هزینه‌ای معادل ۰.۳۴۴ برابر Opus ارائه می‌دهد.

جزئیات مدل GLM 5.2

GLM 5.2 مدلی با حدود ۷۴۴ میلیارد پارامتر از Z.ai است که پیشتر Zhipu AI نام داشت؛ این آزمایشگاه پکن از ژانویه ۲۰۲۵ در فهرست نهادهای ایالات متحده قرار گرفته است. (پارامترها، تمام تنظیمات و پیکربندی‌های مختلفی هستند که یک مدل می‌تواند در طول آموزش مدیریت کند. هرچه پارامترها بیشتر باشند، مدل پیچیده‌تر و قدرتمندتر است.) این مدل که در ماه ژوئن تحت مجوز MIT منتشر شد، در معیارهای کدنویسی بلندمدت در میان برترین مدل‌های هوش مصنوعی موجود قرار دارد و هزینه API آن بسیار کمتر است.

قدرت متن‌باز و تنظیم دقیق

وزن‌های باز به این معنی است که هر کسی می‌تواند آن را بدون محدودیت دانلود، اصلاح و برای اهداف تجاری تنظیم دقیق کند. Perplexity دقیقاً همین کار را انجام داده است. تنظیم دقیق، فرآیندی است که در آن یک مدل هوش مصنوعی از پیش آموزش‌دیده بر روی مجموعه داده‌ای کوچک و متمرکز دوباره آموزش داده می‌شود تا در انجام یک کار خاص بهتر عمل کند.

این فرآیند را می‌توان به تنظیم یک خودرو تشبیه کرد. مکانیک‌های مختلف می‌توانند یک هوندا سیویک مشابه داشته باشند و آن را برای مسابقات درگ سریع‌تر کنند، ظاهر آن را زیباتر کنند، یا آن را برای رالی تطبیق دهند. در هوش مصنوعی، توسعه‌دهندگان یک مدل پایه را دریافت کرده و تنظیمات متفاوتی را اضافه می‌کنند تا مدل تنظیم‌شده، دانش بیشتری در یک حوزه خاص، سوگیری سیاسی متفاوت، محدودیت‌های بیشتر یا کمتر و غیره کسب کند.

مهارت حیاتی: تشخیص زمان تشدید

Perplexity از پس‌آموزش‌دهی – فرآیندی مشابه که پس از اجرای اصلی آموزش مدل اعمال می‌شود – برای آموزش یک مهارت حیاتی به GLM 5.2 استفاده کرده است: تشخیص اینکه چه زمانی باید وظیفه‌ای را خودش انجام دهد و چه زمانی آن را به یک مدل قدرتمندتر ارجاع دهد.

این ارجاع، هسته اصلی آنچه را که ساخته‌اند تشکیل می‌دهد. GLM 5.2 تنظیم‌شده شامل چیزی است که Perplexity آن را “ابزار مشاور” می‌نامد – قابلیتی بومی برای تشخیص اینکه چه زمانی یک پرس‌وجو از توانایی‌های خود فراتر می‌رود و باید به یک مدل پیشرفته شخص ثالث واگذار شود. اکثر وظایف هرگز به مدل گران‌قیمت نمی‌رسند. تنها مواردی که واقعاً به آن نیاز دارند، به آن ارجاع داده می‌شوند.

این امر منجر به صرفه‌جویی قابل توجهی در هزینه استنتاج می‌شود.

عملکرد و هزینه

آراویند سرینیواس، مدیرعامل، در پلتفرم X نوشت: “هنگامی که این مدل با یک مشاور همراه می‌شود، با عملکردی در سطح Opus 4.8 و با کسری از هزینه عمل می‌کند.”

نتایج بنچمارک

Perplexity این سیستم را در مقایسه با GLM 5.2 معمولی برای تعیین مبنای هزینه، بنچمارک کرد. با استفاده از معیار بهره‌وری داخلی شرکت که میزان هزینه تکمیل وظایف پیچیده را اندازه‌گیری می‌کند، نتایج نشان داد که اجرای مدل تنظیم‌شده با مشاور حدود دو برابر گران‌تر از نسخه پایه است. با این حال، استفاده از مدل پیشرفته Opus 4.8 برای همه چیز بسیار گران‌تر است (حدود ۶۰۰ درصد گران‌تر).

با ترکیب این ابزارها، سیستم Perplexity به همان کیفیت عملکرد Opus دست می‌یابد، اما تنها با هزینه‌ای حدود یک سوم.

فراتر از مرزها

رقابت هوش مصنوعی آمریکا و چین معمولاً به صورت مجموع-صفر تعریف می‌شود. در عمل، مدل‌های متن‌باز در مرزها متوقف نمی‌شوند. مجوز MIT برای GLM 5.2 محاسبات را ساده می‌کند: هیچ قرارداد API برای نقض وجود ندارد، هیچ سوئیچ دسترسی وجود ندارد که دولت بتواند آن را قطع کند. شما وزن‌ها را دانلود می‌کنید و می‌توانید آن‌ها را به هر آنچه نیاز دارید تنظیم دقیق کنید.

سابقه Perplexity

Perplexity قبلاً این مسیر را طی کرده است. هنگامی که DeepSeek R1 در اوایل سال ۲۰۲۵ در دنیای هوش مصنوعی طوفان به پا کرد، این شرکت آن را به R1-1776 تنظیم دقیق کرد – که حدود ۳۰۰ موضوع را که مدل اصلی به دلیل سانسور دولت چین از بحث درباره آن‌ها خودداری می‌کرد، پوشش داد و مدل را برای سوگیری بیشتر به نفع ایالات متحده دوباره آموزش داد. این مدل به نسخه‌ای با میزبانی غربی از همان موتور استدلال تبدیل شد.

تیم Perplexity در آن زمان در یک پست وبلاگ نوشت: “ما قادر به استفاده از قابلیت‌های استدلال قدرتمند R1 بدون کاهش سوگیری و سانسور آن نبودیم.”

بنابراین، این حرکت GLM 5.2 از الگوی مشابهی پیروی می‌کند، با این تفاوت که هدف این بار سیاسی نیست، بلکه اقتصادی است. محصول Computer شرکت Perplexity در حال حاضر ۱۹+ مدل هوش مصنوعی را هماهنگ می‌کند؛ GLM تنظیم‌شده به عنوان گزینه پیش‌فرض ارزان طراحی شده است که بخش عمده‌ای از وظایف را قبل از رسیدن به یک مدل پیشرفته جذب می‌کند.

سرینیواس گفت که تئوری بلندمدت ساده است: پس‌آموزش‌دهی مدل‌های متن‌باز برای خوب شدن در ارجاع، در چارچوب یک عامل که در حال حاضر به میلیون‌ها کاربر خدمات می‌دهد. او نوشت که Perplexity “در موقعیت منحصر به فردی” برای حل این مشکل قرار دارد، زیرا زیرساخت در مقیاس بزرگ مستقر شده است.

این مدل بر روی پردازنده‌های گرافیکی Nvidia B200 در ایالات متحده اجرا می‌شود. مرحله بعدی: پس‌آموزش‌دهی Nemotron 3 Ultra، که همان معماری را با استفاده از یک مدل متن‌باز آمریکایی تکرار خواهد کرد.

بنچمارک‌های کامل و یک مقاله تحقیقاتی در هفته‌های آینده انتظار می‌رود. این مدل به عنوان پیش‌نمایش تحقیقاتی در دسترس است.