Perplexity Ajustó un Modelo de IA Chino para Igualar a Claude Opus 4.8 a un Tercio del Costo

Perplexity ha convertido un modelo chino de código abierto en una potente herramienta de rendimiento casi frontera, a aproximadamente un tercio del costo de Claude Opus 4.8.

Hoy, la empresa lanzó una vista previa de investigación de una versión post-entrenada del GLM 5.2 de Z.AI, desarrollada específicamente para operar dentro de su agente Computer, y ya disponible en producción.

GLM 5.2 es un modelo de aproximadamente 744.000 millones de parámetros de Z.ai —antes conocida como Zhipu AI, un laboratorio de Beijing que ha estado en la Lista de Entidades de EE.UU. desde enero de 2025—. (Los parámetros son todas las configuraciones y variables que un modelo puede manejar durante el entrenamiento. A mayor número de parámetros, más complejo y potente es el modelo.) Lanzado bajo una licencia MIT en junio, se posiciona entre los mejores modelos de IA disponibles actualmente en benchmarks de codificación de largo horizonte, a una fracción del costo de API.

Los pesos abiertos significan que cualquiera puede descargarlo, modificarlo y ajustarlo comercialmente sin restricciones. Perplexity hizo exactamente eso.

Qué es el fine-tuning

El fine-tuning es el proceso de tomar un modelo de IA ya entrenado y reentrenarlo con un conjunto de datos más pequeño y específico para hacerlo más eficiente en una tarea concreta.

Es como afinar un auto. Distintos mecánicos pueden tener el mismo Honda Civic, por ejemplo, y hacerlo más rápido para carreras de aceleración, más atractivo visualmente, adaptarlo para rally, etc. En IA, los desarrolladores toman un modelo base y le agregan diferentes configuraciones para que el modelo ajustado adquiera más conocimiento en un campo específico, un sesgo político diferente, más o menos restricciones, etc.

Perplexity utilizó el post-entrenamiento —un proceso similar aplicado después de la ejecución principal de entrenamiento del modelo— para enseñarle a GLM 5.2 una habilidad crítica: saber cuándo gestionar una tarea por sí mismo y cuándo escalarla a algo más poderoso.

Esa escalada es el núcleo de lo que construyeron. El GLM 5.2 ajustado incluye lo que Perplexity denomina una “herramienta de asesor” —una capacidad nativa para reconocer cuándo una consulta supera su propia competencia y transferirla a un modelo frontera de terceros—. La mayoría de las tareas nunca llegan al modelo costoso. Solo las que realmente lo necesitan.

Esto termina generando un gran ahorro en inferencia.

“Cuando se combina con un asesor, este modelo funciona al nivel de rendimiento de Opus 4.8 a una fracción del costo”, señaló el CEO Aravind Srinivas en X.

Perplexity evaluó el sistema frente al GLM 5.2 estándar para establecer una línea base de costos. Usando la métrica de eficiencia interna de la empresa —que mide cuánto cuesta completar tareas complejas— los resultados mostraron que el modelo ajustado con un asesor es aproximadamente el doble de costoso de ejecutar que la versión básica. Sin embargo, utilizar el modelo Opus 4.8 de nivel superior para todo resulta mucho más caro (alrededor de un 600% más costoso).

Al combinar estas herramientas, el sistema de Perplexity logra el mismo rendimiento de calidad que Opus, pero a aproximadamente un tercio del precio.

Por qué un modelo chino —y por qué el código abierto lo hace posible

La carrera de IA entre EE.UU. y China suele enmarcarse como un juego de suma cero. En la práctica, los modelos de código abierto no se detienen en las fronteras. La licencia MIT de GLM 5.2 simplifica el cálculo: no hay contrato de API que violar, ni interruptor de acceso que un gobierno pueda activar. Se descargan los pesos y se pueden ajustar para lo que se necesite.

Perplexity ya ha recorrido este camino antes. Cuando DeepSeek R1 irrumpió en el mundo de la IA a principios de 2025, la empresa lo ajustó y lo convirtió en R1-1776 —mapeando aproximadamente 300 temas que el original se negaba a abordar debido a la censura del gobierno chino, y reentrenando el modelo para hacerlo más favorable a Estados Unidos—. Se convirtió en una versión alojada en Occidente del mismo motor de razonamiento.

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

Este movimiento con GLM 5.2 sigue el mismo esquema, salvo 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 modelo económico predeterminado que absorba la mayor parte de las tareas antes de tocar siquiera un modelo frontera.

Srinivas afirmó que la tesis a largo plazo es sencilla: post-entrenar modelos de código abierto para que sean buenos en la escalada, dentro de un agente que ya atiende a millones de usuarios. Perplexity está “en una posición única” para resolverlo, escribió, porque la infraestructura ya está desplegada a escala.

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

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