Perplexity 发布 GLM 5.2 后训练版：轻量协调器模型，专注低成本任务调度

Perplexity 推出专用于 Computer 代理系统的后训练模型 Perplexity 正式发布一款面向其 Computer 代理架构的后训练模型预览版本。该模型基于 Z.ai 开源的 GLM 5.2 进行定向优化，核心目标并非单纯提升单模型能力上限，而是赋予其任务判断与调度能力——即在执行过程中自主识别是否需调用更高成本的前沿模型。 以“协调器”角色降低整体推理开销 新模型被定位为代理系统中的智能协调层。它优先独立完成常规查询与操作；仅当检测到当前任务超出自身能力边界时，才触发升级机制，调用 Anthropic 的 Claude Opus 4.8。这种分层响应策略显著压缩了高成本模型的调用频次，使系统在保持接近 Opus 4.8 综合表现的同时，将平均推理成本控制在后者的约 34.4%。 基于开源权重开展可控后训练 GLM 5.2 由 Z.ai 于 2026 年 6 月以 MIT 许可证开源，参数量约为 7440 亿。Perplexity 直接采用其公开权重，在自有 Computer 框架下开展后训练。训练重点不在于全面超越顶级闭源模型，而在于强化模型对任务复杂度的感知力与转交决策的准确性。开发者可自由下载、修改并商用该基础权重，Perplexity 的实践正是这一开源路径的典型应用。 成本对比凸显调度价值 以原始 GLM 5.2 为基准，启用“顾问式调度”机制后的版本运行成本约为基础版的两倍；但若全部请求无差别交由 Opus 4.8 处理，成本则远高于此。这表明：适度引入高阶模型作为后备，并非简单叠加资源，而是通过精准调度实现性价比跃升。 延续开源模型深度适配策略 此次调整延续 Perplexity 长期坚持的技术路线——依托高质量开源模型进行场景化再训练。此前曾基于 DeepSeek R1 推出 R1-1776，侧重内容策略调整；本次则聚焦系统级效率，将 GLM 5.2 定位为 Computer 架构中默认启用的轻量入口模型。目前该代理系统已支持协同调度 19 个以上模型，新 GLM 版本将承担大部分初始请求，成为成本敏感型任务的首选执行单元。 技术部署与后续计划 当前模型运行于美国数据中心的 Nvidia B200 GPU 群上。Perplexity 已启动对 Nemotron 3 Ultra 的同类后训练工作，预计将在未来数周内同步发布完整基准测试数据及配套研究论文。