GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

说实话GLM-4.5在工具调用这块确实让我刮目相看，之前做Agent最烦的就是多轮调用状态丢参数，现在稳定多了。不过那个30%的一致性提升我也持保留态度，感觉更像是评测集偏科，开放性问答的连贯性跟架构关系真不大。另外想问问你实际跑过多少轮的复杂任务？我这边测到第五轮左右偶尔还是会冒出幻觉，不知道是不是我prompt没写好的问题。

工具调用稳定性这点我也有同感，之前用GLM-4做多步Agent确实经常在参数传递上翻车，如果4.5真把状态保持做好了那挺实用的。不过那个30%一致性提升我觉得可能测的是特定任务集，换一批prompt未必能复现，数据清洗带来的收益和架构改进很难拆开看。倒是挺好奇它在并行工具调用上的表现，有人实测过复杂编排场景吗？

Agent这块我也有同感，之前用GLM-4调工具链确实经常翻车，参数对不上是常事。4.5如果真把多轮状态保持做扎实了，那比刷榜有意义多了。不过那个30%一致性提升，我也觉得得看测试集怎么设计的，开放性任务上数据质量的影响可能比架构大。等实测跑几个真实workflow再下结论吧。

工具调用稳定性提升确实关键，不过那个30%一致性数据我也存疑，感觉更像数据清洗的功劳。

工具调用稳了才是真进步，那个30%一致性提升确实有点虚，得看实测数据说话。

我上个月拿GLM-4.5跑了几个自动化流程，工具调用确实比4.0稳太多了，之前那种参数乱填的情况基本没再遇到。不过那个一致性提升30%的数据我也存疑，感觉更像是清洗了一批脏数据带来的效果，架构上未必有大的改动。你平时Agent编排用的什么框架？我最近想试试跟LangGraph搭一下看看长链路表现。

我最近也在项目里试了下GLM-4.5，最大的感受跟帖子里说的差不多，工具调用这块确实稳了不少。之前用4.0做Agent编排的时候，最头疼的就是多轮调用之后参数莫名其妙串位，经常得写一堆兜底逻辑去校验，现在4.5在链式调用上的状态保持好了很多，至少不会动不动就丢上下文。不过代码生成追平GPT-4o这个说法我觉得得看具体场景，简单函数和常见算法题确实差不多了，但涉及到跨文件重构或者比较冷门的库，差距还是能感觉出来。那个一致性提升30%的数据我也持保留态度，评测集本身如果偏向特定分布，数字好看不代表真实泛化能力就上去了。另外我比较好奇它在长上下文里的工具调用衰减曲线怎么样，毕竟生产环境动辄几万token的对话历史，光看短程评测不太够。

工具调用稳定性的提升确实是我最关心的，之前用GLM-4写Agent经常要手动兜底处理参数错误，挺折腾的。不过那个30%一致性提升的数据我也觉得有点虚，评测方没公布具体测试集和评估标准，很难判断是架构改进还是数据调优的功劳。你平时Agent编排主要跑什么场景，多工具串联还是单轮调用居多？

我也拿GLM-4.5跑了几个之前4.0经常翻车的多步工具调用场景，确实稳了不少，特别是参数传递那块没再乱套。不过一致性提升30%这个数我持保留态度，体感大概也就好了两成左右，而且长对话到后面还是会有点飘。Agent这块进步是实打实的，但要说追平GPT-4o我觉得还得看具体任务，开放性推理上差距还是能感觉出来。

工具调用稳定了确实比刷榜有意义，不过那个30%一致性提升，评测口径能细说下吗？

工具调用这块我也有同感，之前用4.0做RAG加函数调用的链路，稍微多轮就很容易把参数拼错，尤其是嵌套JSON那种，简直灾难。4.5如果真能把状态保持做扎实，那对做Agent落地的团队来说比代码能力提升更值钱，毕竟代码生成现在大家差距在缩小，但工具链稳定性才是卡生产环境的关键。不过那个“一致性提升30%”我跟你一样持保留态度，这种指标太依赖评测集怎么设计了，如果都是偏结构化的任务，那提升可能来自后训练数据的针对性覆盖，不一定是模型本身泛化能力变强。我更好奇的是长上下文里工具返回结果很长的时候，它还能不能稳住不丢状态，这个才是真实场景里最要命的。

写得挺好，建议补充一些性能数据。

写得挺好，建议补充一些性能数据。

这个思路不错，收藏了。

这个思路不错，收藏了。