Perplexity 发布了一款用于其 Computer 代理系统的后训练模型研究预览版。该模型基于 Z.ai 的开源模型 GLM 5.2 调整而来，重点不是单独追求更强能力，而是在执行任务时判断是否需要调用更昂贵的前沿模型。

用低成本模型承担大部分任务

Perplexity 表示，这个版本的 GLM 5.2 被训练成代理系统中的“协调器”。在多数情况下，它会先自行处理任务；只有当问题超出能力范围时，才会升级调用 Anthropic 的 Claude Opus 4.8。

公司称，这种设计的重点在于推理成本控制。按其披露的基准测试结果，加入升级调用机制后的系统，整体表现接近 Opus 4.8，但成本约为后者的 0.344 倍。

基于开源模型做后训练

GLM 5.2 由 Z.ai 发布，参数规模约为 7440 亿，并在 2026 年 6 月以 MIT 许可证开源。Perplexity 直接在这一模型基础上进行后训练，使其更适合在自家 Computer 框架中运行。

开源权重意味着开发者可以下载、修改并进行商业化微调。Perplexity 此次采用的正是这一方式。公司称，后训练的关键不是让模型在所有任务上都替代顶级模型，而是让它学会在合适的时候转交任务。

全程调用 Opus 成本更高

Perplexity 以原始版 GLM 5.2 作为成本基线进行比较。结果显示，加入“顾问工具”后的版本，运行成本大约是基础版的两倍；但如果所有任务都直接交给 Opus 4.8 处理，成本则要高得多。

• 基准对象为原始版 GLM 5.2
• 升级目标为 Claude Opus 4.8
• 公司披露成本约为 Opus 的 34.4%

延续开源模型改造路线

这不是 Perplexity 第一次基于中国开源模型做调整。此前，DeepSeek R1 受到关注后，Perplexity 曾推出 R1-1776，对原模型的部分内容限制进行重新训练。

这一次，公司把重点放在成本和代理调度，而不是内容层面的改造。Perplexity 称，其 Computer 产品目前已可协调 19 个以上模型，新版本 GLM 5.2 将作为更便宜的默认模型，优先承接大部分请求。

补充信息：Perplexity 表示，该模型目前运行在美国的 Nvidia B200 GPU 上，下一步计划对 Nemotron 3 Ultra 进行类似后训练，并在未来几周公布完整基准测试和研究论文。