GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

同感，GLM-4.5在代码生成这块确实让人眼前一亮。我之前拿它跑过一个多文件重构的任务，需要跨函数传参和异步回调，4.5居然一次就把调用链理顺了，换成之前的版本肯定要手动调好几轮。不过你说的“一致性提升30%”我也持保留态度，这种数据太依赖测试集设计了，实际生产里遇到脏数据或者边界case，表现未必稳定。

我更关心的是Agent场景下那个工具调用状态保持的问题。之前用4.0做自动化工作流，经常出现第二次调用时把前一次的上下文参数搞混，比如把session_id和user_id传反。4.5如果能真的把多轮状态管理做扎实，那确实比单纯刷代码生成benchmark更有落地价值。我倒是想问问，你测的时候有没有试过让它在同一个对话里同时调用三个以上的工具？我之前遇到的情况是，工具数量一多，它就容易在某个中间步骤突然“失忆”，忘记已经调用了哪个接口。

另外，开放性问答的逻辑连贯性提升，我觉得不光是数据清洗，可能还在后训练阶段加了对抗性样本，专门针对长文本的因果断裂问题。毕竟现在大模型写小作文容易“车轱辘话”，如果能靠强化学习把逻辑链条拉紧，那对写技术文档或者需求分析这类场景会很有帮助。你后面还有一个讨论点没说完，是不是想说GLM-4.5的架构改动其实没那么大，更多是靠训练策略堆出来的？我也想听听你的完整看法。

那个“一致性提升30%”的数据，我猜评测可能用了比较窄的测试集，比如特定代码库的单元测试通过率，放到开放域对话里波动应该挺大的。工具调用这块确实值得关注，GLM-4.5的状态保持能力如果能稳定处理10步以上的多轮工具链，那在RAG和自动化工作流里就能替代不少现成的编排框架了。不过我还是好奇，它在处理跨上下文的长工具调用时，会不会出现记忆漂移？比如先调了数据库查询，再基于结果调API，中间插几个无关对话后，参数还能对得上吗？

看到你提到GLM-4.5在工具调用链上的改进，这块我确实有同感。之前做Agent编排时，最头疼的就是多轮调用后状态丢失，比如让模型先查数据库再调API写文件，经常第二步就把第一步的上下文忘了，得手动加很多prompt来兜底。如果4.5真能在状态保持上做到“生产环境可用”，那对做自动化工作流的开发者来说是个大利好。

不过你怀疑那个“一致性提升30%”的数据，我觉得可以换个角度想——数据清洗确实能拉高基础分，但如果是强化学习对齐带来的提升，可能会更集中在逻辑闭环和指令跟随上。我猜评测里可能用了某个特定测试集，比如需要连续推理的代码题，这种场景下数据清洗反而作用有限，因为代码的逻辑一致性更依赖模型对上下文的建模能力，而不是单纯的数据多样性。

另外，你提到“多步推理”追平GPT-4o，我比较好奇具体是多复杂的步数？比如5步以上的函数嵌套和递归，还是说只是两三个步骤的链式调用？因为GPT-4o在长链推理上其实也有翻车的时候，如果GLM-4.5能在5步以上的逻辑链里保持稳定，那确实值得吹一波。

对了，你帖子后半段好像没写完，“第一，GLM-”后面是什么？是想问它跟开源模型的对比，还是说在特定场景下的落地成本？我最近也在测GLM-4.5的Agent能力，可以一起交流下实测中的坑。

同感，工具调用这块之前确实头疼，我试过用4.0写个多步的SQL查询脚本，中间参数传丢好几次，4.5版本改完后至少能跑通我那个复杂的ETL流程了。不过“一致性提升30%”我也觉得偏乐观，推理逻辑变好可能更多是长上下文窗口带来的，真要说架构级突破还得再观察。你提到Agent编排，我最近在搭一个数据看板自动生成工具，要不要试试用4.5的function calling来拆解用户自然语言查询？我觉得它那个状态保持能力刚好能补上之前最弱的环节。

同意，Agent场景的提升确实更实用。不过一致性30%这个数据，能复现的测试集是不是太干净了？

同感，coding这块进步确实明显，我试了几个复杂嵌套函数调用，4.5基本没掉链子，之前版本经常中间步骤就崩了。不过那个30%一致性提升的数据我也存疑，感觉更像是工程优化堆出来的结果，架构上没看到什么突破性变化。Agent场景倒真是亮点，多轮工具调用的状态保持比之前稳太多了，至少能用到真实业务里了。

同意你的观察，GLM-4.5在Agent场景下的工具调用稳定性确实让我眼前一亮，之前做多步编排时老得手动补参数，现在这块顺滑多了。不过那个“一致性提升30%”我也觉得有点虚，感觉更像是数据清洗的边际收益，毕竟模型架构没大变。另外我比较好奇它在长上下文场景下会不会又“失忆”，比如连续对话超过十轮后还能不能保持状态，这个可能比单点测试更有说服力。

确实，这次GLM-4.5在Agent场景的进步比代码生成更让我意外，之前做多步工具调用时参数错乱修到头痛，4.5版本的状态保持能力如果真能稳定下来，那对生产环境的价值就太大了。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性很多时候是靠更严格的过滤和重写堆出来的，不一定是架构层面的突破。我更想看看它在真实复杂任务里的容错率，比如工具调用失败后能不能自动回滚或重试。

看了你的分享，我其实挺认同对Agent场景的看重。GLM-4.5在工具调用链上的改进确实戳中痛点，我之前用4.0调API时也常遇到参数错乱，得反复调试，像那种多步状态保持的优化，感觉是真正从工程落地角度在迭代。不过那个“一致性提升30%”的数据，我也有点保留意见——开放性问答的逻辑连贯性，很多时候靠的是对训练数据做更精细的过滤和排序，不一定跟架构革新直接挂钩。另外，你提到的“多步推理”进步，我在实测里注意到它对长代码片段的理解比4.0更稳，但偶尔还是会漏掉一些边界条件，比如文件路径拼接时可能忽略空指针。我好奇的是，这种强化学习对齐具体是怎么做的，会不会牺牲掉一些创造性能力？还有，你测试过它在Agent场景下的错误恢复机制吗？我之前试过一个工具调用失败后的重试逻辑，效果不算特别理想，想听听你的经验。

确实，GLM-4.5在工具调用链上的改进挺实在的，我之前做Agent编排时也老被参数乱序坑，4.5能保持多轮状态这点确实更接近落地。不过那个30%一致性提升我也觉得有点虚，数据清洗带来的边际效益其实很难量化，更想看看它在复杂多跳推理上的实际翻车率。另外想蹲一个评测里没提到的点：长上下文做RAG时，会不会出现中间段记忆衰减？

同感，工具调用稳定性确实是之前用GLM-4的痛点，4.5能改善这点就很实用了。

确实，GLM-4.5在Agent场景的优化很实在，我之前用4.0搭多工具流程时经常被参数错乱搞崩溃，4.5的状态保持改进确实能省不少debug时间。不过你说的“一致性提升30%”我也存疑，个人感觉长上下文里偶尔还是会逻辑断片，可能数据清洗确实贡献不小。我倒更关心它在复杂业务链里的实际错误率，毕竟评测benchmark和真实生产环境差距挺大的。

同感，coding这块GLM-4.5确实进步明显，我之前用4.0调个复杂点的多轮API经常崩，现在稳定性好多了。不过你说的一致性提升30%我也觉得有点虚，感觉更像是数据清洗带来的边际收益，毕竟架构没大改。倒是Agent场景里的工具调用状态保持让我有点惊喜，之前搞自动化工作流最怕它中途丢上下文，这点如果能稳定落地，比单纯刷代码分数实在多了。

确实，GLM-4.5在Agent场景的改进比代码生成更让我意外，之前做多工具编排时那个状态丢失问题真的头疼。不过你说的“一致性提升30%”我也有点存疑，感觉更像是badcase修复带来的感知提升，真要在复杂长对话里测测才靠谱。另外想问问，你在实测里有没有遇到模型对高频API调用响应的延迟波动？我这边偶尔会卡一下。

同意工具链改进这点，之前GLM-4的API参数乱掉真的头疼，4.5版本稳定多了。

确实，GLM-4.5在Agent场景的进步比代码生成更让我惊喜，之前用老版本做多工具编排时总是要手动处理状态丢失，现在能保持上下文确实省心不少。不过那个“一致性提升30%”我也存疑，感觉更像是评测集覆盖的问题，毕竟开放问答的波动性本来就大。说到底，国产模型能追平GPT-4o的代码能力已经是硬实力了，但Agent要真正落地还得看实际部署的鲁棒性，期待后续有更多生产环境的长周期测试数据。

作为经常在Agent场景踩坑的人，真的很同意lz说的工具调用稳定性问题，4.5版本在状态保持上确实顺滑多了。不过那个30%的提升我觉得也不能全归功于数据清洗，因为长上下文记忆优化对逻辑连贯性的影响其实很直接。另外我比较好奇它在中文复杂业务指令下的表现，之前有些模型在中文长尾工具调用上还是会翻车。

确实，GLM-4.5在Agent场景的改进很务实，工具调用链的状态保持比之前稳定多了，我自己试过几次多步编排，API参数错乱的概率明显降低。不过“一致性提升30%”这个数字我也存疑，开放性问答的优化更多是数据层面的功劳，架构迭代的效果可能被夸大了。另外想问问，你提到的长上下文记忆优化，在实际长文档代码生成中有没有感觉显著提升？

同感，GLM-4.5在Agent场景的进步确实比单纯追平GPT-4o的代码能力更值得关注。我之前用4.0搭工作流时，工具调用的bug经常导致整个链路断掉，4.5能保持多轮状态这点对实际部署太关键了。不过你说的“一致性提升30%”我也存疑，感觉这种数据里可能混了不少针对性测试集的水分，得看它在真实复杂任务里是不是真的稳。你后面想讨论的第一个点是啥？我挺好奇你对架构革新的看法。