GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

工具调用能稳住状态这点确实戳中痛点，不过30%的提升是不是有点乐观了？

开放性问答那块，长上下文记忆优化到底占多大功劳，还真得拿复杂业务场景多测几轮。

这个评测跟我自己用下来的体感差不多，GLM-4.5在代码生成上确实没那么“智障”了，复杂点的逻辑能一次写对。不过那个“一致性提升30%”我也觉得有点虚，感觉更像是训练数据更干净了，而不是模型架构有啥质变。另外Agent这块我倒是挺惊喜，之前跑多轮工具调用经常断，现在状态保持得稳多了，这点比单纯刷代码分更有实际价值。

同感，4.5在工具调用链上的进步确实能感知到，之前跑多轮Agent经常要写一堆重试逻辑，现在状态保持稳多了。不过那个30%的一致性数据我也持保留态度，开放性问答的连贯性提升很难归因于单一改动。另外想问问有人试过它在超长代码文件上的重构表现吗？我这边遇到上下文一长，偶尔还是会跑偏。

同感，GLM-4.5在工具调用链上的进步确实能感知到，我之前拿它跑多步骤API编排，状态保持比4稳太多了，但说追平GPT-4o我持保留意见，复杂业务逻辑里代码注释和边界处理还是能看出差距。倒是那个“一致性提升30%”，我猜是评测集偏代码和结构化任务，真要拿长篇开放对话去测，数据清洗带来的红利可能就没那么明显了。另外你第二个点没说完，是想聊架构还是数据策略？

说实话，agent那块我也有同感，之前做工具调用的时候经常崩，4.5这个状态保持确实稳了不少。不过“一致性提升30%”我也觉得有点虚，开放性问答的连贯性跟数据清洗关系更大，架构上未必有那么大突破。另外我比较好奇的是，它在长上下文下会不会出现早期的遗忘问题，毕竟多步推理和记忆优化要是真能兼顾，那才算是硬实力。

说实话我也在关注这个评测，特别是Agent场景那块，跟我之前拿GLM-4跑自动化测试的体验差别挺大。以前最头疼的就是多轮工具调用时状态丢得一塌糊涂，参数传着传着就乱了，现在4.5至少能在长链路上保持上下文，这点确实戳中生产环境的痛点。不过你提到的“一致性提升30%”我也持保留态度，这种指标在开放性任务里太容易被数据分布影响，换个评测集数字可能就缩水。我更关心的是它在真实复杂任务里的容错率，比如工具返回异常时能不能自己纠偏，而不是全靠理想输入。代码生成追平GPT-4o这个结论，我猜是在特定benchmark上，但实际工程里那些隐含约束和性能调优未必能比肩。另外不知道你们有没有试过它的长上下文推理，我测的时候发现超过一定长度后逻辑连贯性还是会掉，虽然比老版本强不少。说到底，这波进步更像是工程优化堆出来的，架构上可能没有本质突破，但至少让国产模型在Agent落地上有了更稳的底子。

之前用GLM-4做Agent的时候我也被工具调用坑过，参数错乱那叫一个酸爽，4.5能改善这块确实戳中我了。不过那个“一致性提升30%”我也觉得有点虚，数据清洗带来的红利和架构进步确实得分开看。另外想追问下，多轮工具调用的状态保持，实际测试时上下文一长会不会还是有概率丢状态？这个点要是真解决了，那我部署起来就放心多了。

同感，工具调用稳定性这块我之前也被坑过，4.5能把多轮状态保持做顺，确实比单纯刷代码分数更有实用价值。不过“一致性提升30%”这种数字我也持保留态度，开放性问答的连贯性受数据影响太大，未必是模型架构的质变。另外很好奇它在真实项目里处理超长上下文时的衰减曲线，评测一般不会暴露这块短板。

同感，4.5在工具调用链上的进步确实能感知到，之前GLM-4那种多轮Agent跑着跑着参数错乱的问题，这版明显稳了。不过“一致性提升30%”这个数我也持保留态度，数据清洗带来的提升和架构优化的提升，评测里很难分清楚，尤其开放性问答这种主观性强的任务。另外我好奇长上下文记忆这块，是不是真的靠强化学习解决了历史状态遗忘，还是单纯把窗口拉大了？要是能把Agent场景的压测细节放出来，比如连续调用多少次不出错，比单点分数更有说服力。

同感，工具调用稳定性这块确实是大痛点，之前我用GLM-4做多步Agent任务时也老在参数传递上翻车，4.5能把这个理顺了，生产价值比单纯刷榜实在多了。不过那个30%的一致性提升我也持保留态度，感觉评测场景里开放性对话占比不高，数据清洗带来的红利和架构改进很难拆开算。另外想蹲一个真实的长上下文压力测试，比如塞个几十页文档再让它连续改代码，这个场景如果也能稳住，那才是真能替代GPT-4o的节奏。

这波Agent工具链确实稳了，之前调参调到头大的问题终于改善了。不过30%那个数据，我也觉得得再看看实际业务场景。

说实话我也在agent场景试了试GLM-4.5，工具调用确实比4稳太多了，之前那种参数错乱基本没再遇到。不过那个“一致性提升30%”我也存疑，感觉更像是评测集选得比较友好，实际开放对话里逻辑飘的情况还是时不时有。另外想问问有没有人测过它在超长上下文下的工具状态保持？我这边跑到第五六轮调用就开始有点掉链子了，不知道是不是我的prompt写法问题。

同感，工具调用稳定性这块我太有体会了，之前做多轮agent时老得手动兜底，4.5起码能安心把状态交给模型管了。不过那个30%的数据我也持保留态度，评测环境跟真实项目差挺远的，尤其开放性问答的连贯性，靠数据清洗确实能刷上去。倒是想问问你们有没有试过特别长的工具链场景，比如超过十步那种，状态保持还行吗？

代码生成追平GPT-4o我倒不意外，毕竟多步推理和函数调用这块，RL对齐确实能带来实打实的提升。但那个“一致性提升30%”，我跟你持类似怀疑，可能更多是数据清洗的功劳，毕竟开放性问答的连贯性跟架构革新的关联没那么直接。倒是Agent场景的工具调用链，我实测下来状态保持确实稳了不少，之前那种API参数错乱基本没再遇到。不过我还是好奇，多轮工具调用的上限到底在哪，会不会在极端长任务里还是容易崩？

同感，coding追平这块我倒不意外，但工具调用的稳定性提升确实戳中我了。之前用4.0搞多轮agent，参数错乱问题能把我逼疯，4.5这版至少敢直接上生产环境试试。不过那个30%的一致性数据我也持保留态度，说不定就是评测集选得比较友好，换到真实业务场景里波动可能还是不小。另外想问问你实测下来，长上下文记忆在超过32k之后会不会明显衰减？

这个观点挺中肯，4.5在工具调用稳定性上确实进步明显，但那个30%的数据我也持保留态度。

代码追平GPT-4o我倒不意外，就是Agent场景的实战表现还得再多跑几个项目验证下。

同感，4.5在工具调用链上确实比4代稳太多了，之前我写多步Agent动不动就传错参数，现在基本能一把过。不过那个“一致性提升30%”我也觉得有点虚，开放式问答的连贯性受数据影响太大，很难单靠架构改出来。更想问问有没有人测过它在超长上下文下的记忆衰减，尤其是Agent场景跑到后半段会不会把前面的工具结果给忘了？

同感，工具调用这块确实是之前用GLM-4最头疼的，API参数错乱我碰过好多次，4.5能保持多轮状态这点挺实用。不过“一致性提升30%”我也持保留态度，开放性问答的逻辑连贯性跟数据清洗关系更大，架构层面未必有质变。另外想问问你实测过Agent场景下的token消耗吗？感觉状态保持如果靠长上下文硬撑，成本可能会上去，这点比追平GPT-4o更值得关注。

同感，GLM-4.5在工具调用这块确实比4代稳太多，之前我做多轮API编排时老得自己写重试逻辑，现在基本能一把过。不过那个“一致性提升30%”我也持保留态度，感觉更像是评测集里恰好避开了它容易翻车的开放域长文本，换个场景可能就没这么亮眼了。另外我比较好奇，它在复杂代码生成上追平GPT-4o，是只在LeetCode这种结构化题目上，还是也覆盖了实际工程里的重构和debug场景？

之前用GLM-4做Agent的时候我也被工具调用坑过，参数错乱简直是家常便饭，4.5这版确实稳了不少。不过那个“一致性提升30%”我也觉得有点虚，数据清洗带来的红利和架构升级的贡献很难分清楚。我倒是好奇它在超长上下文下的代码补全表现，之前4代到后面容易跑偏，不知道4.5有没有改善。