Perplexity a affiné un modèle d'IA chinois pour égaler Claude Opus 4.8 à un tiers du coût

Perplexity a transformé un modèle open-source chinois en un véritable cheval de bataille à peu près au tiers du coût de Claude Opus 4.8.

L'entreprise a publié aujourd'hui un aperçu de recherche d'une version post-entraînement de GLM 5.2 de Z.AI, conçu spécifiquement pour fonctionner dans son agent informatique et disponible dès maintenant en production.

GLM 5.2 est un modèle d'environ 744 milliards de paramètres de Z.ai---anciennement Zhipu AI, un laboratoire de Pékin qui figure sur la liste des entités américaines depuis janvier 2025. (Les paramètres sont tous les différents réglages et configurations qu'un modèle peut gérer pendant l'entraînement. Plus il y a de paramètres, plus un modèle est complexe et puissant.) Publié sous une licence MIT en juin, il se classe parmi les meilleurs modèles d'IA actuellement disponibles sur des benchmarks de codage à long terme à une fraction du coût de l'API.

Les poids ouverts signifient que tout le monde peut le télécharger, le modifier et l'affiner commercialement sans restrictions. Perplexity a fait exactement cela.

Qu'est-ce que l'affinage ?

L'affinage est le processus qui consiste à prendre un modèle d'IA déjà entraîné et à le réentraîner sur un ensemble de données plus petit et ciblé pour l'améliorer dans un travail spécifique.

Perplexity a utilisé le post-entraînement---un processus similaire appliqué après le principal entraînement du modèle---pour enseigner à GLM 5.2 une compétence critique : savoir quand gérer une tâche lui-même et quand escalader vers quelque chose de plus puissant.

Cela permet d'économiser beaucoup d'argent en inférence.

Perplexity a évalué le système par rapport au GLM 5.2 normal pour établir une base de coût. En utilisant la métrique d'efficacité interne de l'entreprise qui mesure combien cela coûte pour accomplir des tâches complexes, les résultats ont montré que le modèle affiné avec un conseiller coûte environ deux fois plus cher à faire fonctionner que la version de base. Cependant, utiliser le modèle Opus 4.8 de premier ordre pour tout est beaucoup plus coûteux (environ 600 % plus cher).

En combinant ces outils, le système de Perplexity atteint la même qualité de performance qu'Opus mais à environ un tiers du prix.

Pourquoi un modèle chinois---et pourquoi l'open-source le rend possible

La course à l'IA entre les États-Unis et la Chine a tendance à être présentée comme un jeu à somme nulle. En pratique, les modèles open-source ne s'arrêtent pas aux frontières. La licence MIT de GLM 5.2 rend le calcul simple : il n'y a pas de contrat API à violer, pas de commutateur d'accès qu'un gouvernement peut actionner. Vous téléchargez les poids et vous pouvez les affiner selon vos besoins.

Perplexity a déjà emprunté cette voie. Lorsque DeepSeek R1 a fait sensation dans le monde de l'IA au début de 2025, l'entreprise l'a affiné en R1-1776---cartographiant environ 300 sujets que l'original refusait de discuter en raison de la censure du gouvernement chinois, et réentraînant le modèle pour le rendre plus biaisé en faveur des États-Unis. Il est devenu une version hébergée en Occident du même moteur de raisonnement.

Ainsi, ce mouvement GLM 5.2 suit le même modèle, sauf que l'objectif cette fois n'est pas politique mais économique. Le produit informatique de Perplexity orchestre déjà plus de 19 modèles d'IA ; le GLM affiné est conçu pour être le choix par défaut peu coûteux qui absorbe la majorité des tâches avant de toucher un modèle de pointe.

Srinivas a déclaré que la thèse à long terme est simple : post-entraîner des modèles open-source pour bien gérer l'escalade, au sein d'un agent qui sert déjà des millions d'utilisateurs. Perplexity est "uniquement positionné" pour le résoudre, a-t-il écrit, car l'infrastructure est déjà déployée à grande échelle.

Le modèle fonctionne sur des GPU Nvidia B200 aux États-Unis. Prochain sur la liste : un post-entraînement de Nemotron 3 Ultra, qui répliquerait la même architecture en utilisant un modèle open-source américain.

Des benchmarks complets et un article de recherche sont attendus dans les semaines à venir. Le modèle est disponible en tant qu'aperçu de recherche.