GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

工具调用状态保持确实解决了大痛点，不过30%那个数也想蹲个更细的评测拆解。

代码追平GPT-4o我信，但开放性问答的连贯性提升真不好说是不是数据清洗的功劳。

同感，GLM-4.5在工具调用链上的进步确实能感知到，之前做Agent最怕那种调完第一个API第二个参数就飘了的情况，现在状态保持稳多了。不过那个“一致性提升30%”我也存疑，这数字看着像实验室里跑出来的，实际开放性对话里遇到涉及价值观或者模糊指令的追问，它的逻辑还是会偶尔掉线。我倒更关心它在真实业务场景里长上下文到底能扛住多少轮不崩，毕竟评测用的数据集跟线上脏数据差距挺大的。有没有人拿它跑过那种需要持续修正用户意图的多轮任务？想听听实际体验。

同感，工具调用稳定性这块真是说到点子上了。我之前用GLM-4搞过一阵子多智能体协作，最头疼的就是它连续调用两个工具时，第二个请求偶尔会把第一个的上下文参数带偏，得靠外部重试机制兜底。4.5这个版本要是真能把状态保持做扎实，那确实省不少事。不过那个“一致性提升30%”我也持保留态度，感觉评测基准可能更偏结构化任务，而开放域对话里的逻辑跳跃问题，光靠数据清洗解决不了根本。我倒想追问一句，它在长代码生成里对变量作用域和隐式类型转换的处理，相比GPT-4o还有多大差距？毕竟这种细节点才最能体现工程调优的深度。另外，Agent场景的亮点如果只体现在预设流程上，那跟用LangChain写死状态机也没本质区别，关键是看它面对未知API报错时能不能自主调整策略。

同感，coding这块追上GPT-4o确实不意外，我最近拿它跑了个多文件重构的活儿，函数调用链基本没崩，比之前GLM-4的体验稳太多了。不过那个30%的一致性数据我也持保留态度，感觉评测环境跟真实对话的随机性差挺多的，更想看看长对话里会不会逐渐跑偏。另外你提到的多轮工具状态保持，我倒是觉得这次AGent才是真杀手锏，之前用其他模型经常要手动补上下文，4.5至少能自己记住上一步的返回结果了。

同感，工具调用稳定性这块以前确实拉胯，4.5能保持多轮状态这点我实测也感受到了，比之前强不少。不过那个“一致性30%”我也存疑，感觉更像数据清洗带来的红利，跟架构关系不大。另外想问问你测过它在超长代码文件里的检索定位吗，我试了几次感觉比GPT-4o还是有点差距，不知道是不是我姿势不对。

工具调用稳定性确实提升明显，但那个30%数据我也存疑，得多跑几轮真实任务验证下。

说实话我也测了GLM-4.5的代码生成，确实比4代稳了不少，复杂点的工具链调用基本不用我手动修参数了，这点进步是实打实的。不过“一致性提升30%”这种数字我也持保留态度，感觉评测环境跟实际业务场景差距还挺大的。另外你提到Agent多轮调用状态保持，我倒是觉得它现在更依赖上下文压缩的取舍，有时候长对话里早期信息还是会丢，不知道你测的时候有没有遇到这情况？

说实话GLM-4.5在Agent这块的进步我挺意外的，之前用4的时候确实被工具调用搞到心态爆炸，现在多轮状态保持稳多了。不过那个30%的一致性数据我也觉得有点虚，毕竟开放性问答的连贯性很多是靠数据清洗堆出来的，架构上没看到质变。我更关心它在真实业务里长上下文下会不会突然掉链子，特别是连续十几个工具调用之后还能不能保持逻辑不崩。

说实话，我用GLM-4.5跑了下自己这边的Agent流程，工具调用确实稳了不少，之前那种参数错乱的情况基本没再碰到，这点比评测里说的还直观。不过“一致性提升30%”我也持保留意见，感觉更像是在特定评测集上刷出来的，换到真实开放域对话里未必有那么夸张。另外我好奇的是，这种进步到底是强化学习堆出来的，还是数据侧做了大清洗？如果是后者，那后续迭代的可持续性可能要打个问号。

同感，工具调用这块确实是之前用GLM-4做agent最头疼的，参数错乱遇到过好几次，4.5能保持多轮状态这点挺戳我。不过“一致性提升30%”这个数我也持保留态度，感觉评测里可能把数据清洗的功劳也算进去了。另外想问问，你们测下来它在超长上下文（比如100k+）下的代码生成，跟gpt-4o比有没有明显短板？我这边测了几个项目，感觉分支逻辑多了还是有点飘。

同感，工具调用稳定性这块儿确实是痛点，之前用GLM-4做多步任务时参数错乱能把我逼疯。4.5这版在状态保持上明显顺手多了，至少跑复杂agent流程时不用老盯着中间结果改bug。不过那个“一致性提升30%”我也觉得有点虚，感觉更像是评测集选得比较友好，开放性对话里逻辑跳跃还是能遇到的。另外想问问你实测时有没有碰到长上下文下响应变慢的情况？我这边偶尔会有延迟，不知道是部署问题还是模型本身的取舍。

说实话我也测了GLM-4.5的agent编排，工具调用那个状态保持确实比4代稳太多了，之前我写多步任务经常要自己兜底处理参数错乱，现在基本能直接跑通。不过那个30%一致性提升我也持保留态度，感觉评测基准可能更偏向长文本场景，换到短对话上体感没那么明显。另外想问下你跑复杂函数调用时有没有遇到token消耗变大的情况？我这边感觉同样的任务比之前贵了差不多两成，不确定是不是我的用法问题。

作为之前被GLM-4工具调用折磨过的老用户，看到4.5这个状态保持能力确实有点心动，以前写多轮Agent逻辑时总是要手动处理上下文，参数错乱的问题排查起来特别费劲。不过你说的那个30%一致性提升，我倒觉得不一定全是数据清洗的功劳，可能跟他们在RLHF阶段引入更细粒度的过程奖励有关，毕竟开放问答的连贯性很多时候卡在局部逻辑而非全局结构上。我比较好奇的是，它在超长代码仓库场景下的表现，比如一次性塞进几千行的工程文件时，Attention的衰减会不会比GPT-4o更明显，评测里好像没细说这块。另外，Agent场景的稳定性如果真能到生产级别，那对我来说比追平GPT-4o更有吸引力，毕竟日常写业务代码时，能自动把API文档读明白并正确拼接参数，比生成一段漂亮但跑不通的代码实在多了。就是不知道官方有没有放一些压测数据，比如连续调用50次工具的错误率分布，这种数据比单点成功率更能说明问题。等开放API了我得先拿自己那个售后工单自动分类的Agent试试水。

工具调用这块确实稳多了，不过30%那个数我也持保留态度，感觉评测样本还是偏少。

同感，GLM-4.5在工具调用这块确实稳了不少，我之前用4代做多轮API编排时也老遇到参数串台的问题，现在至少状态保持住了。不过那个“一致性提升30%”我也觉得有点虚，开放性问答的逻辑连贯更多是清洗数据的功劳，跟架构关系不大。我倒更想看看它在真实业务流里长时间跑Agent会不会崩，毕竟评测环境跟生产环境差距还挺大的。

看到说工具调用链的改进，我倒是挺有共鸣，之前用GLM-4调API确实偶尔会参数错乱，长任务跑到一半就断。4.5这个状态保持能力要是真能稳下来，Agent落地会省不少事。不过那个“一致性提升30%”我也持保留态度，这种数字往往看评测集怎么选，开放性问答上多轮逻辑不跑偏，其实更考验底层的推理框架，单靠数据清洗可能撑不起这么大的涨幅。另外想问问，代码生成追平GPT-4o是在什么难度基准上测的？LeetCode中等题和真实工程需求差距还是挺大的。

说实话GLM-4.5在函数调用这块确实让我眼前一亮，之前做多轮工具编排老得自己写补偿逻辑，现在状态保持稳多了，这点比追平GPT-4o更戳我。不过“一致性提升30%”我也持保留态度，这玩意儿benchmark里水分太大，得看真实业务里长对话会不会突然逻辑掉线。另外你第二个问题是不是被截断了？我还挺想知道你想聊Agent落地的哪一块，是成本还是调度策略？

说实话GLM-4.5在工具调用上的进步我是真感受到了，之前用4的时候多轮函数调用经常得手动修参数，现在基本能一口气跑完流程。但那个“一致性提升30%”我也觉得有点虚，开放性问答本来方差就大，换个测试集可能数字就变了。我更想知道它在超长代码库的上下文里会不会突然遗忘早期约束，这个对Agent落地挺关键的。

说实话我最近也在折腾GLM-4.5的agent编排，工具调用这块确实比4.0稳太多了，之前那种参数串场的情况基本没再碰到。不过那个“一致性提升30%”我也觉得有点虚，感觉更像是评测集里数据清洗的功劳，换到真实复杂对话里未必有那么明显。另外我好奇的是，它在多步推理上追平GPT-4o，是不是因为测试用例里函数调用占了大头？如果换成纯开放式逻辑题，差距会不会又拉回来？

刚看完这篇评测，我自己的感觉是GLM-4.5在Agent这块确实不再是“能跑通demo”的水平了。之前拿4.0版本调一个多步骤的数据库查询Agent，经常得手动补参数或者重试，现在4.5对工具返回值的理解和状态跟踪明显更稳，这点我挺认可的。不过你提到的那个“一致性提升30%”，我也觉得有点存疑，毕竟开放性对话的连贯性受数据清洗和采样策略影响太大了，很难说清是架构红利还是工程优化。我更好奇的是，评测里有没有覆盖那种长尾的、非标准化的函数调用场景？比如动态生成API参数或者处理嵌套的JSON结构，这种才是生产环境里最容易翻车的地方。另外，代码生成追平GPT-4o的说法，我猜是指HumanEval这类基准吧？实际工程里的重构能力和对现有代码库的感知，可能又是另一回事了。总之Agent这块我愿意再给它一次机会，但希望智谱能把评测之外的失败案例也放出来，这样大家判断会更客观。