Perplexity a publié le 9 juillet 2026 un aperçu de recherche d'une version post-entraînée du modèle GLM 5.2 de Z.AI, conçue pour fonctionner dans son système d'agents Computer et désormais disponible en production. Le système coûte un tiers du prix de Claude Opus 4.8 selon les benchmarks. La société a ajusté le modèle open-source chinois pour qu'il agisse comme un orchestrateur, n'escaladant vers des modèles de pointe que lorsque cela est nécessaire, marquant ainsi le deuxième ajustement open-source chinois de Perplexity en 18 mois après R1-1776.
Perplexity ajuste le GLM 5.2 avec un outil de conseil pour réduire les coûts
Le GLM 5.2 est un modèle de 744 milliards de paramètres de Z.ai, anciennement Zhipu AI, un laboratoire de Pékin inscrit sur la liste des entités américaines depuis janvier 2025. Publié sous licence MIT en juin, il figure parmi les meilleurs modèles d'IA disponibles actuellement sur des benchmarks de codage à long terme, à une fraction du coût de l'API. Les paramètres représentent tous les réglages et configurations qu’un modèle peut gérer lors de l’entraînement.
Perplexity a utilisé un post-entraînement pour enseigner au GLM 5.2 une compétence essentielle : savoir quand traiter une tâche lui-même et quand l’escalader vers un modèle de pointe. Le GLM 5.2 ajusté inclut ce que Perplexity appelle un « outil de conseil » — une capacité native à reconnaître quand une requête dépasse ses compétences et à la transmettre à un modèle de pointe tiers. La plupart des tâches n’atteignent jamais le modèle coûteux.
« Associé à un conseiller, ce modèle fonctionne avec une performance équivalente à Opus 4.8 à une fraction du coût », a écrit le PDG Aravind Srinivas sur X.
Perplexity a comparé le système au GLM 5.2 standard pour établir une référence de coût. En utilisant la métrique d’efficacité interne de l’entreprise, qui mesure combien coûte l’accomplissement de tâches complexes, les résultats ont montré que le modèle ajusté avec un conseiller coûte environ deux fois plus cher à faire fonctionner que la version de base. Utiliser le modèle Opus 4.8 pour tout est beaucoup plus coûteux (environ 600 % plus cher). En combinant ces outils, le système de Perplexity offre la même performance de qualité qu’Opus, mais à seulement environ un tiers du prix.
Le processus d’ajustement réentraîne le modèle de base sur un ensemble de données ciblé
L’ajustement consiste à prendre un modèle d’IA déjà entraîné et à le réentraîner sur un ensemble de données plus petit et spécialisé pour améliorer ses performances dans un domaine précis. Perplexity a utilisé un post-entraînement — un processus similaire appliqué après la phase principale d’entraînement — pour apprendre à GLM 5.2 quand traiter une tâche lui-même et quand l’escalader.
Les développeurs obtiennent un modèle de base et y ajoutent différents réglages pour que l’ajustement final lui donne plus de connaissances dans un domaine spécifique, une orientation politique différente, ou des restrictions plus ou moins strictes. Les poids ouverts permettent à quiconque de télécharger, modifier et ajuster commercialement le modèle sans restrictions. Perplexity a fait exactement cela.
La licence open-source MIT permet une modification commerciale
La licence MIT du GLM 5.2 simplifie la démarche : il n’y a pas de contrat API à violer, pas de porte d’accès que le gouvernement peut fermer. Vous téléchargez les poids et pouvez les ajuster selon vos besoins.
Perplexity a déjà emprunté cette voie. Lors du lancement de DeepSeek R1 début 2025, la société l’a ajusté en R1-1776 — cartographiant environ 300 sujets que l’original refusait de traiter en raison de la censure du gouvernement chinois, et réentraîner le modèle pour le rendre plus biaisé en faveur des États-Unis.
« Nous ne pouvons pas exploiter les puissantes capacités de raisonnement de R1 sans d’abord atténuer ses biais et sa censure », écrivait l’équipe de Perplexity dans un article de blog à l’époque.
Ce mouvement avec le GLM 5.2 suit le même modèle, sauf que cette fois l’objectif n’est pas politique mais économique. Le produit Computer de Perplexity orchestre déjà plus de 19 modèles d’IA ; le GLM ajusté est conçu pour être le paramètre par défaut peu coûteux, absorbant la majorité des tâches avant de faire appel à un modèle de pointe.
Srinivas a déclaré que la thèse à long terme est simple : ajuster des modèles open-source post-entraînement pour devenir performants en escalade, dans un système d’agents déjà utilisé par des millions d’utilisateurs. Perplexity est « idéalement positionnée » 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
Le modèle fonctionne sur des GPU Nvidia B200 aux États-Unis. La prochaine étape : un post-entraînement de Nemotron 3 Ultra, qui reproduirait la même architecture en utilisant un modèle open-source américain.
Les benchmarks complets et un article de recherche sont attendus dans les semaines à venir. Le modèle est disponible en aperçu de recherche.
FAQ
Qu’a publié Perplexity le 9 juillet 2026 ?
Perplexity a publié un aperçu de recherche d’une version post-entraînée du modèle GLM 5.2 de Z.AI, conçue pour fonctionner dans son système d’agents Computer et désormais disponible en production. Le système coûte un tiers du prix de Claude Opus 4.8 selon les benchmarks.
Comment l’ajustement du GLM 5.2 par Perplexity réduit-il les coûts ?
Le GLM 5.2 ajusté inclut un « outil de conseil » qui reconnaît quand une requête dépasse ses compétences et la transmet à un modèle de pointe tiers. La plupart des tâches n’atteignent jamais le modèle coûteux. Perplexity a benchmarké le système et a constaté qu’il offre la même performance de qualité qu’Opus 4.8 à environ un tiers du prix.
Quel est le prochain ajustement de modèle prévu par Perplexity ?
Le prochain est un post-entraînement de Nemotron 3 Ultra, qui reproduirait la même architecture en utilisant un modèle open-source américain. Le modèle fonctionne sur des GPU Nvidia B200 aux États-Unis.
