Default
Door Remote - 09 Jul 2026
In het kort
Perplexity heeft een onderzoeksvoorbeeld uitgebracht van een post-getrainde GLM 5.2-versie, gebouwd om als orkestrator binnen het computerharnas te fungeren en alleen te escaleren naar Claude Opus 4.8 als dat nodig is.
Het systeem kost een derde van de prijs van Opus 4.8 vergeleken met benchmarks.
Het is Perplexity's tweede Chinese open-source verfijning in 18 maanden – de eerste is R1-1776, een versie van DeepSeek R1 ontdaan van ongeveer 300 door Beijing verplichte censuuronderwerpen.
Verbijstering heeft van een Chinees open-sourcemodel een werkpaard op de grens gemaakt, voor ongeveer een derde van wat Claude Opus 4.8 kost.
Het bedrijf heeft vandaag een onderzoeksvoorbeeld vrijgegeven van een post-getrainde versie van Z.AI's GLM 5.2, speciaal gebouwd om te werken in het computeragentharnas en nu beschikbaar in productie.
We brengen een onderzoeksvoorbeeld uit van een nieuw Orchestrator-model in Perplexity Computer.
Het model is een aangepaste versie van GLM 5.2, achteraf getraind voor het computerharnas. Het levert bijna grensverleggende prestaties tegen 0,344x de kosten van Opus. pic.twitter.com/jcxikoFRfn
— Verbijstering (@perplexity_ai) 9 juli 2026
GLM 5.2 is een model met grofweg 744 miljard parameters van Z.ai, voorheen Zhipu AI, een laboratorium in Beijing dat sinds januari 2025 op de Amerikaanse entiteitenlijst staat. (Parameters zijn alle verschillende draaiknoppen en configuraties die een model tijdens de training aankan. Hoe meer parameters, hoe complexer en krachtiger een model.) Het werd in juni uitgebracht onder een MIT-licentie en behoort tot de top AI-modellen die momenteel beschikbaar zijn aan de lange horizon. codeerbenchmarks tegen een fractie van de API-kosten.
Dankzij de open gewichten kan iedereen het zonder beperkingen commercieel downloaden, wijzigen en verfijnen. Verbijstering deed precies dat.
Wat verfijning eigenlijk is Verfijning is het proces waarbij een reeds getraind AI-model wordt hertraind op een kleinere, gerichte dataset om het voor een specifieke taak beter te maken.
Zie het als het tunen van een auto. Verschillende mechanismen kunnen bijvoorbeeld dezelfde Honda Civic hebben en deze sneller maken voor dragracen, visueel aantrekkelijker maken, aanpassen voor rally, enz. Bij AI krijgen ontwikkelaars een basismodel en voegen ze verschillende instellingen toe, zodat de verfijning resulteert in meer kennis op een specifiek gebied, een andere politieke vooringenomenheid, meer of minder beperkingen, enz.
Perplexity gebruikte post-training (een soortgelijk proces dat werd toegepast na de hoofdtraining van het model) om GLM 5.2 één cruciale vaardigheid te leren: weten wanneer een taak zelf moet worden afgehandeld en wanneer moet worden geëscaleerd naar iets krachtigers.
Die escalatie is de kern van wat ze hebben opgebouwd. De verfijnde GLM 5.2 bevat wat Perplexity een 'adviseurstool' noemt: een native mogelijkheid om te herkennen wanneer een vraag zijn eigen competentie overschrijdt en deze over te dragen aan een grensmodel van derden. De meeste taken bereiken nooit het dure model. Alleen degenen die het echt nodig hebben, doen dat.
Dit bespaart uiteindelijk veel geld op het gebied van gevolgtrekking.
“In combinatie met een adviseur functioneert dit model op niveau van Opus 4.8 tegen een fractie van de kosten”, schreef CEO Aravind Srinivas op X.
We hebben een versie van GLM nagetraind die is getraind om te escaleren naar een grensmodel binnen het computerharnas. In combinatie met een adviseur functioneert dit model op prestaties van Opus 4.8-niveau tegen een fractie van de kosten. Nu beschikbaar als onderzoekspreview! https://t.co/7y8CjOWOtI
— Aravind Srinivas (@AravSrinivas) 9 juli 2026
Perplexity heeft het systeem vergeleken met de normale GLM 5.2 om een basislijn voor de kosten vast te stellen. Met behulp van de interne efficiëntiemaatstaf van het bedrijf, die meet hoeveel het kost om complexe taken uit te voeren, bleek uit de resultaten dat het verfijnde model met een adviseur ongeveer twee keer zo duur is om te gebruiken als de basisversie. Het gebruik van het topmodel Opus 4.8 voor alles is echter veel duurder (ongeveer 600% duurder).
Door deze tools te combineren, bereikt het systeem van Perplexity dezelfde kwaliteitsprestaties als Opus, maar slechts tegen ongeveer een derde van de prijs
Waarom een Chinees model – en waarom open source het mogelijk maakt De AI-race tussen de VS en China wordt vaak als een nulsom beschouwd. In de praktijk stoppen open-sourcemodellen niet bij de grens. De MIT-licentie van GLM 5.2 maakt de berekening eenvoudig: er is geen API-contract dat kan worden geschonden, geen toegangsschakelaar die een overheid kan omdraaien. Je downloadt de gewichten en je kunt ze afstemmen op wat je nodig hebt.
Verbijstering is al eerder op deze weg geweest. Toen DeepSeek R1 begin 2025 door de AI-wereld raasde, verfijnde het bedrijf het tot R1-1776, waarbij het ongeveer 300 onderwerpen in kaart bracht die het origineel weigerde te bespreken vanwege censuur door de Chinese overheid, en het model opnieuw trainde om het meer bevooroordeeld te maken ten gunste van de Verenigde Staten. Het werd een door het Westen gehoste versie van dezelfde redeneermachine.
“We zijn niet in staat gebruik te maken van de krachtige redeneermogelijkheden van R1 zonder eerst de vooringenomenheid en censuur ervan te verzachten”, schreef het team van Perplexity destijds in een blogpost.
Deze GLM 5.2-zet volgt dus hetzelfde sjabloon, behalve dat het doel deze keer niet politiek maar economisch is. Het computerproduct van Perplexity orkestreert al meer dan 19 AI-modellen; de verfijnde GLM is ontworpen als de goedkope standaard die het grootste deel van de taken op zich neemt voordat hij ooit een grensmodel raakt.
Srinivas zei dat de stelling voor de lange termijn eenvoudig is: open source-modellen na de training om goed te worden in escalatie, binnen een harnas van agenten dat al miljoenen gebruikers bedient. Perplexity bevindt zich “in een unieke positie” om het op te lossen, schreef hij, omdat de infrastructuur al op grote schaal wordt ingezet.
Het model draait op Nvidia B200 GPU's in de Verenigde Staten. De volgende in de rij: een post-trein van Nemotron 3 Ultra, die dezelfde architectuur zou repliceren met behulp van een Amerikaans open-sourcemodel.
Volledige benchmarks en een onderzoekspaper worden in de komende weken verwacht. Het model is beschikbaar als onderzoekspreview.
Dagelijkse debriefing NieuwsbriefBegin elke dag met de belangrijkste nieuwsverhalen van dit moment, plus originele artikelen, een podcast, video's en meer. Uw e-mail Download het! Download het!
Perplexity heeft een onderzoeksvoorbeeld uitgebracht van een post-getrainde GLM 5.2-versie, gebouwd om als orkestrator binnen het computerharnas te fungeren en alleen te escaleren naar Claude Opus 4.8 als dat nodig is.
Het systeem kost een derde van de prijs van Opus 4.8 vergeleken met benchmarks.
Het is Perplexity's tweede Chinese open-source verfijning in 18 maanden – de eerste is R1-1776, een versie van DeepSeek R1 ontdaan van ongeveer 300 door Beijing verplichte censuuronderwerpen.
Verbijstering heeft van een Chinees open-sourcemodel een werkpaard op de grens gemaakt, voor ongeveer een derde van wat Claude Opus 4.8 kost.
Het bedrijf heeft vandaag een onderzoeksvoorbeeld vrijgegeven van een post-getrainde versie van Z.AI's GLM 5.2, speciaal gebouwd om te werken in het computeragentharnas en nu beschikbaar in productie.
We brengen een onderzoeksvoorbeeld uit van een nieuw Orchestrator-model in Perplexity Computer.
Het model is een aangepaste versie van GLM 5.2, achteraf getraind voor het computerharnas. Het levert bijna grensverleggende prestaties tegen 0,344x de kosten van Opus. pic.twitter.com/jcxikoFRfn
— Verbijstering (@perplexity_ai) 9 juli 2026
GLM 5.2 is een model met grofweg 744 miljard parameters van Z.ai, voorheen Zhipu AI, een laboratorium in Beijing dat sinds januari 2025 op de Amerikaanse entiteitenlijst staat. (Parameters zijn alle verschillende draaiknoppen en configuraties die een model tijdens de training aankan. Hoe meer parameters, hoe complexer en krachtiger een model.) Het werd in juni uitgebracht onder een MIT-licentie en behoort tot de top AI-modellen die momenteel beschikbaar zijn aan de lange horizon. codeerbenchmarks tegen een fractie van de API-kosten.
Dankzij de open gewichten kan iedereen het zonder beperkingen commercieel downloaden, wijzigen en verfijnen. Verbijstering deed precies dat.
Wat verfijning eigenlijk is Verfijning is het proces waarbij een reeds getraind AI-model wordt hertraind op een kleinere, gerichte dataset om het voor een specifieke taak beter te maken.
Zie het als het tunen van een auto. Verschillende mechanismen kunnen bijvoorbeeld dezelfde Honda Civic hebben en deze sneller maken voor dragracen, visueel aantrekkelijker maken, aanpassen voor rally, enz. Bij AI krijgen ontwikkelaars een basismodel en voegen ze verschillende instellingen toe, zodat de verfijning resulteert in meer kennis op een specifiek gebied, een andere politieke vooringenomenheid, meer of minder beperkingen, enz.
Perplexity gebruikte post-training (een soortgelijk proces dat werd toegepast na de hoofdtraining van het model) om GLM 5.2 één cruciale vaardigheid te leren: weten wanneer een taak zelf moet worden afgehandeld en wanneer moet worden geëscaleerd naar iets krachtigers.
Die escalatie is de kern van wat ze hebben opgebouwd. De verfijnde GLM 5.2 bevat wat Perplexity een 'adviseurstool' noemt: een native mogelijkheid om te herkennen wanneer een vraag zijn eigen competentie overschrijdt en deze over te dragen aan een grensmodel van derden. De meeste taken bereiken nooit het dure model. Alleen degenen die het echt nodig hebben, doen dat.
Dit bespaart uiteindelijk veel geld op het gebied van gevolgtrekking.
“In combinatie met een adviseur functioneert dit model op niveau van Opus 4.8 tegen een fractie van de kosten”, schreef CEO Aravind Srinivas op X.
We hebben een versie van GLM nagetraind die is getraind om te escaleren naar een grensmodel binnen het computerharnas. In combinatie met een adviseur functioneert dit model op prestaties van Opus 4.8-niveau tegen een fractie van de kosten. Nu beschikbaar als onderzoekspreview! https://t.co/7y8CjOWOtI
— Aravind Srinivas (@AravSrinivas) 9 juli 2026
Perplexity heeft het systeem vergeleken met de normale GLM 5.2 om een basislijn voor de kosten vast te stellen. Met behulp van de interne efficiëntiemaatstaf van het bedrijf, die meet hoeveel het kost om complexe taken uit te voeren, bleek uit de resultaten dat het verfijnde model met een adviseur ongeveer twee keer zo duur is om te gebruiken als de basisversie. Het gebruik van het topmodel Opus 4.8 voor alles is echter veel duurder (ongeveer 600% duurder).
Door deze tools te combineren, bereikt het systeem van Perplexity dezelfde kwaliteitsprestaties als Opus, maar slechts tegen ongeveer een derde van de prijs
Waarom een Chinees model – en waarom open source het mogelijk maakt De AI-race tussen de VS en China wordt vaak als een nulsom beschouwd. In de praktijk stoppen open-sourcemodellen niet bij de grens. De MIT-licentie van GLM 5.2 maakt de berekening eenvoudig: er is geen API-contract dat kan worden geschonden, geen toegangsschakelaar die een overheid kan omdraaien. Je downloadt de gewichten en je kunt ze afstemmen op wat je nodig hebt.
Verbijstering is al eerder op deze weg geweest. Toen DeepSeek R1 begin 2025 door de AI-wereld raasde, verfijnde het bedrijf het tot R1-1776, waarbij het ongeveer 300 onderwerpen in kaart bracht die het origineel weigerde te bespreken vanwege censuur door de Chinese overheid, en het model opnieuw trainde om het meer bevooroordeeld te maken ten gunste van de Verenigde Staten. Het werd een door het Westen gehoste versie van dezelfde redeneermachine.
“We zijn niet in staat gebruik te maken van de krachtige redeneermogelijkheden van R1 zonder eerst de vooringenomenheid en censuur ervan te verzachten”, schreef het team van Perplexity destijds in een blogpost.
Deze GLM 5.2-zet volgt dus hetzelfde sjabloon, behalve dat het doel deze keer niet politiek maar economisch is. Het computerproduct van Perplexity orkestreert al meer dan 19 AI-modellen; de verfijnde GLM is ontworpen als de goedkope standaard die het grootste deel van de taken op zich neemt voordat hij ooit een grensmodel raakt.
Srinivas zei dat de stelling voor de lange termijn eenvoudig is: open source-modellen na de training om goed te worden in escalatie, binnen een harnas van agenten dat al miljoenen gebruikers bedient. Perplexity bevindt zich “in een unieke positie” om het op te lossen, schreef hij, omdat de infrastructuur al op grote schaal wordt ingezet.
Het model draait op Nvidia B200 GPU's in de Verenigde Staten. De volgende in de rij: een post-trein van Nemotron 3 Ultra, die dezelfde architectuur zou repliceren met behulp van een Amerikaans open-sourcemodel.
Volledige benchmarks en een onderzoekspaper worden in de komende weken verwacht. Het model is beschikbaar als onderzoekspreview.
Dagelijkse debriefing NieuwsbriefBegin elke dag met de belangrijkste nieuwsverhalen van dit moment, plus originele artikelen, een podcast, video's en meer. Uw e-mail Download het! Download het!