GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

说实话我最近也在拿GLM-4.5跑一些内部的数据管道脚本，多轮工具调用确实稳了不少，之前GLM-4那种偶尔传参传错的情况基本没再碰到。不过那个30%一致性的数据我也持保留态度，毕竟评测环境跟真实业务场景差距还挺大的。我倒更关心它在长上下文下的Agent状态保持，比如连续执行十几个子任务后会不会漂移，这点要是能扛住，那比单纯追平GPT-4o的代码分更有说服力。

我最近也在试GLM-4.5的agent编排，之前4.0版本多轮工具调用经常把参数搞混，现在确实稳多了，至少跑复杂流程不用老盯着日志看。不过你说的那个30%一致性提升，我也觉得有点虚，可能是测试集选得偏代码和结构化任务，换到开放闲聊上未必有这么大差距。另外我好奇它在长上下文里的工具状态保持，会不会随着轮数增加出现记忆衰减？毕竟生产环境里几百轮调用很常见。

同感，GLM-4.5在Agent这块的提升确实是肉眼可见的。我之前用4.0写多轮工具调用，最怕就是状态丢，参数传着传着就串了，现在4.5至少能把上下文扣住，这点对实际开发来说比单点代码生成能力更值钱。不过你说的那个“一致性提升30%”，我也觉得得打个问号，这年头评测数据水分太大，尤其是开放性问答，换个prompt结果可能就完全不一样了，光靠数据清洗确实能刷分。我倒更关心它在长上下文里的遗忘曲线，比如塞进去20轮对话之后，它对最早那几轮的工具返回还记得多少，这个才是生产环境真正的坑。另外，你说它追平GPT-4o，我猜是在HumanEval这类标准测试上吧，但真实项目里那种模糊需求拆解成可执行代码的能力，感觉还是差口气。有没有试过让它写那种需要跨文件改动的重构任务？我这边试下来，它局部优化很聪明，但全局架构调整还是容易跑偏。反正现在国产模型卷成这样，我挺乐意当小白鼠的，就是希望评测能多放点失败case，别老挑好看的晒。

跟我的体感差不多，GLM-4.5这波在工具调用上确实像换了个人，之前我用4.0写个带状态的多步agent，动不动就传错json字段，现在至少能连着跑好几轮不崩。不过你提的那个“一致性提升30%”，我也觉得有点虚，这种数字大概率是挑过测试集的，尤其开放性问答这种主观题，换个提示词可能就又掉回去了。我更关心的是它在长上下文里的遗忘问题，评测说优化了，但实际塞个几十轮对话进去，它还是会偶尔把早期的约束条件搞混，这点跟GPT-4o还是有差距。另外，代码生成追平这件事，我试了几个lc难题，感觉是接近了，但那种特别绕的边界条件处理，它还是会给出看似合理但跑不通的解法，得人工兜底。所以我觉得现在说“追平”有点早，更准确的说法是“从明显落后变成了能用”，真正拉开差距的还得看复杂agent场景下的容错和自纠错能力。你们有没有试过让它自己debug自己生成的代码？我试了几次，它经常陷入死循环改错，这反而比生成更难调教。

同感，coding能力这块儿确实进步明显，我自己拿几个复杂点的重构任务试了下，函数调用基本没再出之前那种参数错乱的问题，这点对搞Agent落地的人来说太重要了。不过那个30%的一致性数据我也持保留态度，感觉评测场景还是偏理想化，真到多轮对话里逻辑跑偏的情况还是能遇到的。另外就是想知道4.5在长上下文下的工具状态保持，是不是真的能扛住生产环境的并发压力，这个希望后面有更多实测案例。

同感，GLM-4.5在工具调用这块确实治好了我的强迫症。之前拿4.0版本写个多步骤agent，经常要手动去补那个状态参数，不然就断链，现在4.5在连续函数调用时上下文保持得挺稳，至少不用每轮都重新塞一遍关键变量了。不过你说的那个“一致性提升30%”，我也觉得有点虚，这种数字在评测里水分挺大，更可能是他们把测试集里的开放性题目换成了更结构化的问题，数据清洗带来的收益确实能解释一部分，但要说架构层面的突破，我觉得还没到质变的程度。另外，代码生成追平GPT-4o这个结论，我倒是想看看在长尾工程场景下的表现，比如那种依赖特定库版本或者有隐性约束的代码，这类任务上4.5的泛化能力才是真考验。还有就是，评测里没提多模态和推理成本，智谱这代是不是把资源全押在coding和agent上了？要是能在中文复杂指令理解上再打磨下就更好了，毕竟国内开发者日常用的中文prompt跟英文benchmark差挺远的。

同感，工具调用稳定性确实是Agent落地的关键，4.5这波改进值得实测验证一下。

同感，工具调用稳定性这块确实是之前用GLM-4做Agent时最头疼的，参数错乱修到没脾气。4.5能保持多轮状态，感觉比单纯追代码分更有实际价值。不过我也有点怀疑那个30%的一致性数据，这种指标在开放问答里容易受测试集影响，未必能代表真实体验的差距。另外挺好奇它在复杂对话里会不会又开始“话痨”式重复，这个点评测好像没细说。

同感，GLM-4.5在Agent场景的进步确实比单纯刷代码分更让我兴奋。我最近用4.5跑了一个多步骤的数据处理工作流，以前用4.0版本时，模型经常在第二次工具调用后就把参数缓存搞混，现在至少能稳定跟踪状态了，这点对实际业务落地太关键了。不过你说到“一致性提升30%”，我也觉得这个数字有点营销味，毕竟开放性问答的连贯性受提示词模板影响很大，换个问法可能就没这么惊艳。另外我好奇的是，这种多轮工具调用的改进，到底是靠更长的上下文窗口硬撑，还是真的在记忆压缩上做了文章？如果是前者，那成本问题可能很快就会暴露出来。还有个小疑问，你测的时候有没有遇到它偶尔会“过度自信”地假设某个API返回结果，然后继续往下编？我这边大概十次里有两次会这样，虽然比之前好，但离生产环境的容错要求还有差距。你们觉得这种幻觉倾向在代码生成任务里算不算致命伤？

说实话我最近也在拿GLM-4.5跑一些内部工具链的测试，代码生成这块确实比4.0流畅多了，尤其那种多文件联动的重构任务，以前经常写着写着逻辑就断了，现在基本能顺着上下文走完。不过你提到的工具调用稳定性，我这边倒是觉得进步幅度没你感受得那么夸张，可能因为我的场景里涉及大量嵌套JSON schema，偶尔还是会冒出参数类型推断错误的情况，但确实比之前好修多了。关于那个30%的一致性提升，我也持保留态度，这数据大概率是在特定评测集上跑出来的，实际对话里遇到用户故意绕弯子或者带情绪的表达，逻辑崩塌还是时有发生。我比较好奇的是，他们强化学习阶段到底用了多少合成数据来专门打磨function calling链路，毕竟这个方向如果真做扎实了，比单纯刷榜更有价值。另外我注意到4.5在长上下文里做多轮工具调用时，偶尔会突然忘记早期对话里设定过的约束条件，这跟官方宣传的“状态保持”还是有点出入，不知道你测试时有没有碰到类似情况？

同感，GLM-4.5在工具调用这块确实稳了不少，之前用4代写Agent老得手动修参数格式，现在多轮状态保持基本不用管了。不过那个30%的一致性数据我也存疑，可能是评测集里结构化任务占比高，换到开放闲聊未必有这么大差距。另外我比较好奇它在超长代码文件上的表现，比如5000行以上的重构，上下文窗口拉满后还能不能保持这个准头？

同感，工具调用这块之前确实拉胯，4.5能保持多轮状态这点太关键了，生产环境里少了好多debug时间。不过“一致性提升30%”我也存疑，这种指标在开放域问答上波动挺大的，可能换组测试集数字就不好看了。另外我挺好奇它在超长代码库上的表现，评测里好像没细说，这块搞不定的话Agent还是难落地。

工具调用这块确实稳多了，之前跑Agent老崩，现在能扛住多轮状态，这点比追平GPT-4o更实在。

同感，GLM-4.5在Agent场景的进步确实比纯代码生成更让我惊喜。之前用GLM-4做多智能体协作时，最头疼的就是工具调用中途状态丢失，得自己写一堆补偿逻辑，4.5这个长上下文记忆优化算是踩在痛点上补了一刀。不过你说的“一致性提升30%”我也有点保留，这数字太像营销话了，而且开放性问答的逻辑连贯性提升，很可能就是训练数据里加了更多长文推理样本，跟架构关系不大。我倒更想追问一下，那个多步推理的强化学习对齐，具体是用了哪种奖励模型？如果是规则打分，那在复杂业务逻辑上可能还是会露馅。另外，代码生成追平GPT-4o这个结论，评测里有没有限定在LeetCode这类算法题上？实际工程里那种带大量第三方依赖和框架约束的代码，我估计差距还是明显的。反正我准备拿个内部项目试试它做自动化测试生成，看看在真实工程链路里是不是真的稳。

同感，工具调用稳定性这块我太有体会了，之前用4.0做多轮function call经常要手动兜底，4.5确实顺滑不少，感觉他们把状态跟踪这块真下功夫了。不过那个“一致性提升30%”我也持保留态度，开放式问答的连贯性很多时候靠的是数据清洗和指令微调，架构上感觉还是原来那套。另外我比较好奇，Agent场景下长上下文记忆的衰减问题他们具体怎么解决的，是改attention还是单纯靠窗口切片？要是真能在连续几十轮交互中不丢关键信息，那确实值得吹一波。

同感，工具调用稳定性这块我太有体会了，之前用GLM-4做多步Agent任务时，参数错乱能让人血压拉满。4.5能把状态保持做到接近生产级，这点确实比单纯刷代码分数更戳我。不过那个30%的一致性提升，我也觉得可能掺了数据清洗的水分，毕竟开放问答的连贯性很多时候靠的是训练集质量。倒是想问问，你实际跑复杂函数调用时，有没有遇到上下文一长就掉链子的情况？我这边测下来感觉长记忆还是有隐忧。

同感，工具调用稳定性这块我太有体会了。之前拿GLM-4跑一个多轮API交互的Agent流程，老是卡在参数格式上，得手动加一堆容错逻辑，4.5这个状态保持能力要是真解决了，那确实能省不少事。不过你说的那个30%一致性数据，我也觉得得辩证看，开放性问答的连贯性有时候靠的是更聪明的采样策略，不一定全是模型底子变了。我倒更关心它在长上下文里的注意力衰减问题，之前测过一些国产模型，聊到后面容易把前面的关键指令给忘了，不知道4.5在超长代码文件处理上有没有针对性优化。另外，评测里说追平GPT-4o，我猜更多是特定benchmark上的表现，真扔到那种逻辑嵌套特别深的业务代码里，差距可能还是能感觉出来。你后续有没有试过用它跑那种带异常恢复的复杂工作流？我挺好奇它在错误处理上的实际表现，毕竟生产环境里这才是最磨人的地方。

工具调用稳定性这块确实关键，4.5能扛住多轮状态保持就值得试试。不过那30%的一致性数据，我总觉得有点营销味儿。

同感，工具调用稳定性这关过了才是真能落地，不然编排再花哨也白搭。不过那个30%的提升我也持保留意见，感觉这种数字在不同测试集上波动挺大的，而且长上下文里的一致性跟数据清洗关系确实更大。我倒是更关心它在多步代码生成里对隐式状态的跟踪，这比单纯追平GPT-4o的文本指标要难得多。有没有人试过拿它跑那种需要跨文件改动的任务？那个场景下还能稳住吗？

说实话，我对GLM-4.5在Agent这块的进步感触挺深的。之前拿4.0版本跑多轮工具调用，经常要手动兜底修参数，现在4.5的状态保持确实顺滑很多，至少能让我把精力放在流程设计而不是调试API上。不过你说的那个一致性提升30%，我也觉得有点虚，可能评测环境里任务比较单一，真放到我这边杂乱的业务数据里，未必能复现那么夸张的效果。代码生成追平GPT-4o我倒不意外，毕竟现在各家都在卷推理模型，关键是看复杂项目里能不能扛住上下文撕裂，这点我还没充分压测过。倒是想问问你，有没有试过让它连续执行十几个函数调用之后再回到上下文里找信息？我这边偶尔还是会漏，不知道是不是温度参数的问题。另外，国产模型现在进步快是快，但总觉得评测口径都在往“能打”上靠，实际部署时的显存占用和并发响应才是硬指标，这块好像很少人提。