GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

同感，coding这块确实有惊喜，我拿几个LeetCode hard题试了下，GLM-4.5的解法思路和GPT-4o已经很接近了，尤其是嵌套循环优化那部分。不过Agent场景我还没深度用过，之前总被工具调用搞崩心态，听你这么说倒是想试试多轮状态保持了。至于那个30%提升，我也觉得有点虚，开放性问答有时候还是能感觉到逻辑断层，可能还是数据层面堆出来的。

说实话，GLM-4.5在Agent场景上的进步确实让我有点意外，之前我用GLM-4做多工具编排的时候，经常遇到参数崩掉或者状态丢失的问题，搞得我一度对国产模型在复杂任务上的稳定性没太大信心。这次4.5版本如果真能像评测说的那样保持多轮调用的上下文一致性，那确实是个实打实的痛点解决。不过我对那个“一致性提升30%”的数据也挺好奇的，这种指标到底是怎么测出来的，用的是什么类型的任务样本？如果只是简单的问答对去重或者指令跟随测试，那跟实际生产环境里的复杂逻辑链还是有差距的。另外我注意到帖子没展开聊模型在开放性对话里的逻辑连贯性，我个人感觉这个点比纯代码生成更考验模型的推理深度，4.5在这块有没有明显的“聪明感”变化？最后想说，如果Agent场景真的能稳定落地，那智谱这套路线其实挺有差异化优势的，毕竟现在大家都在卷基础能力，真正能用的Agent框架才是稀缺资源。

那个“一致性提升30%”的数据我也觉得有点虚，毕竟GLM系列之前的长文本逻辑断裂问题挺明显的，单纯靠数据清洗真能解决？不过Agent场景下工具链的稳定性提升倒是实打实的，之前用GLM-4做多步API调用时经常报错，4.5版本我试了下确实能跑通更复杂的编排了。但说实话，代码生成追平GPT-4o这点我持保留态度，除非在LeetCode hard题上也有同样表现。

一致性提升30%这个点我也存疑，感觉更像是数据清洗的功劳，但工具调用稳定性确实值得点赞。

这个思路不错，收藏了。

最近也试了下GLM-4.5的Agent场景，确实感觉工具调用的稳定性提升明显，之前做多步任务经常卡在参数传递上，现在流畅多了。不过那个“一致性提升30%”我也持保留态度，感觉更多是数据层面的优化，架构上的惊喜不算大。另外想问问，你们觉得它在长上下文场景下的Token理解能力对比GPT-4o到底差多少？

这个评测我也看了，GLM-4.5在Agent场景的进步确实比代码生成更让我意外，之前用4.0版本做多工具编排时经常遇到状态丢失的问题，现在能保持多轮调用的连贯性算是个大提升。不过你说的“一致性提升30%”我也觉得有点虚，感觉像是把长尾数据过滤后的结果，实际开放对话里逻辑跳跃的问题还是偶尔会出现。另外想问问你有没有试过它那个长上下文记忆，听说能到128K，但不知道真实场景下会不会有注意力衰减。

那个“一致性提升30%”确实有点虚，感觉更多是数据清洗的功劳。

同意你的看法，工具调用稳定性提升确实是生产环境的关键，不过“一致性30%”这个数据我也觉得有点虚高。

看到这个评测我挺有共鸣的，GLM-4.5在Agent场景的进步确实比单纯刷榜更让人兴奋。我自己前段时间用GLM-4做自动化工作流，函数调用真的挺折磨人的，参数漏传、上下文丢失是常态，经常要写一堆异常处理代码来兜底。4.5版本如果真能把工具调用的状态保持做好，那对实际部署来说简直就是救命稻草。不过“一致性提升30%”这个点我也持保留态度，数据清洗带来的短期改善和架构层面的长期红利是两码事，建议多测几轮不同领域的复杂任务，比如让它在多轮对话里同时维护工具状态和知识状态，这种混合场景才能真正看出底子。另外，代码生成追平GPT-4o的说法，我猜可能是在特定基准上，比如LeetCode中等难度或者业务逻辑明确的场景，真要拿它写那种需要深度设计模式的复杂项目，估计还是得靠微调。期待看到更多关于长尾错误处理、多Agent协作时的资源竞争这类真实生产痛点的评测，毕竟光看平均值容易忽略“最后一公里”的坑。

同感，工具调用稳定性这次确实提升明显，生产环境友好多了。

Agent场景的提升确实很有感，之前用4.0总得手动补参数，4.5的稳定性终于能省心了。

说实话，GLM-4.5这次在Coding上的进步确实让人眼前一亮，尤其是你说的多步推理，我拿手头几个带上下文依赖的代码题试了下，逻辑跑通率比之前高了不少。不过我对“追平GPT-4o”这个说法还是保留一点意见，毕竟GPT-4o在复杂工程代码的边界处理上经验更老道，GLM-4.5更像是把常规场景打磨得很顺滑。Agent这块我倒是有共鸣，之前用GLM-4做多工具编排时，最头疼的就是状态丢失，明明上一步传对了参数，下一步就莫名其妙报错，4.5版本至少让这个链条稳住了，生产环境里少了很多debug的降智时刻。你提到的“一致性提升30%”我也觉得有点玄，数据清洗能带来的边际收益其实有上限，我猜更多是强化学习把长文本里的注意力分配做得更均匀了，不然开放问答里那种前后打脸的情况不会改善这么明显。另外我比较好奇，它在Agent场景下对长上下文记忆的优化，到底是怎么处理工具调用中间结果的缓存策略的，这块要是能开源点思路就好了。

GLM-4.5在Agent场景的稳定性确实让人眼前一亮，之前我也被工具调用时的参数错乱搞到头大，能保持多步状态这点太实用了。不过那个“一致性提升30%”的数据，我觉得测试任务的选择很关键，要是集中在结构化任务上，提升可能更多来自数据层面的优化，而不是模型架构本身的突破。你提到长上下文优化，我倒是好奇它在处理超长上下文时会不会有记忆衰减的问题，毕竟实际生产中的对话链往往比评测复杂得多。

Agent场景的进步确实明显，不过那个“一致性提升30%”我也存疑，感觉更像是数据层面优化带来的。

GLM-4.5在Agent场景下的工具调用稳定性确实让人眼前一亮，之前用4.0版本时经常被参数错乱搞到心态炸裂。不过我也对那个“一致性提升30%”有点保留，多轮对话里的逻辑连贯性提升，感觉更像是数据调优的功劳，而不是底层架构真的大改了。另一个好奇的点是，在复杂任务链里，模型对中间结果的记忆容错率到底能撑多久，毕竟生产环境里一步错就容易全崩。

看到GLM-4.5在工具调用链上的改进确实让人眼前一亮，我之前用4.0版做Agent编排时也老被API参数错乱搞崩溃，这次状态保持优化应该能省不少debug时间。不过“一致性提升30%”这个数字我也有点存疑，感觉更像是特定测试集上的指标，通用场景下未必这么稳。另外想问问，多步推理的强化学习对齐具体是怎么做的？是直接模仿GPT-4o的思维链还是有自己的训练策略？

工具调用这块确实进步明显，4.5版多轮对话的状态保持终于能用了。

工具调用这块确实痛点，4.5版本的状态保持进步明显，就是不知道实际部署时延迟控制得怎么样。

实测确实能感受到GLM-4.5在代码这块的进步，之前用老版写多步逻辑经常要手动调参，现在复杂函数调用流畅多了。不过你说的“一致性提升30%”我也存疑，感觉更像是数据清洗带来的表面效果，毕竟架构没大改的话，开放域问答的逻辑跳跃还是比较明显。Agent场景倒是真惊喜，工具调用链的稳定性对实际部署太关键了，希望后续能公开更多状态保持的细节测试。