GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

同感，代码生成这块进步确实明显，我之前用GLM-4做复杂工具链编排时也老遇到状态丢失，4.5能保持多轮调用一致性这点很实用。不过那个“一致性提升30%”我也存疑，比起架构革新，数据清洗带来的表面提升更常见。另外想问下，你们在Agent场景里试过它处理动态逻辑分支吗？我担心长上下文记忆优化在分支切换时还是会掉链子。

看到GLM-4.5在工具调用链上的改进确实让人眼前一亮，之前做Agent编排时参数错乱的问题太真实了，能保持多轮状态稳定对生产环境很有价值。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更多是数据清洗的功劳吧。想问问你们实际测试时，复杂函数调用的成功率大概能到多少？

工具调用这块确实提升明显，之前跑Agent总卡在参数上，现在稳多了。

实测下来确实感觉4.5在代码生成上进步明显，以前写个复杂点的回调函数经常要手动改半天，现在基本一次跑通。不过“一致性提升30%”这个数字我也觉得有点虚，感觉更像是长上下文优化带来的幻觉减少，不完全是架构上的功劳。另外agent场景下的工具调用链确实稳多了，之前调API翻车的频率明显下降，这点对开发落地挺关键的。

同意，工具调用稳定性确实是痛点，4.5这波改进感觉终于能放心用了。

同意，工具调用稳定性提升确实比代码追平GPT-4o更实际，多步推理在复杂场景下稳了很多。

说实话，GLM-4.5在代码生成这块确实让我有点意外，之前用4.0版本写一些复杂逻辑时经常要手动调参，现在基本能一次跑通，尤其多步推理那部分，感觉模型对依赖关系的理解深了不少。Agent场景我也试过，工具调用链的稳定性提升确实明显，之前遇到的那种参数错乱、状态丢失的问题少了很多，但“一致性提升30%”这个数据我也持保留态度，毕竟开放问答里逻辑连贯性受数据质量影响太大，不一定全是模型架构的功劳。我更关心的是，这种长上下文记忆优化会不会导致推理速度下降？毕竟生产环境对延迟很敏感。另外，GLM-4.5在复杂嵌套函数调用上的表现，跟Claude 3.5 Sonnet比还有多大差距？毕竟后者在代码生成上的稳定性业内口碑一直不错。如果智谱能在保持推理速度的前提下，把工具调用的容错率再降一个量级，那Agent落地的可能性就真的大了。

确实，GLM-4.5在Agent场景下的工具链稳定性提升挺明显的，我之前用4.0做多步API调用时也经常翻车，现在状态保持好了不少。不过那个“一致性提升30%”的数据我也持保留态度，感觉这类指标受测试集和评估方式影响太大，开放性问答的连贯性更多是数据层面的优化，架构上的突破可能还得等下一代。另外想问问，你们实际跑复杂Coding任务时，长上下文的记忆衰减大概在多少tokens之后开始明显？

一致性提升30%这个点我也存疑，感觉更像是数据层面优化带来的，不过工具链状态保持这块确实进步明显。

确实，GLM-4.5在Agent场景的进步挺明显的，我之前用4.0编排多步骤任务时也经常遇到工具调用中断的问题，4.5这个版本的状态保持能力听起来靠谱多了。不过那个“一致性提升30%”的数据我也觉得有点虚，毕竟开放性问答的连贯性受评测集影响很大，说不定换个场景就露馅了。我个人更关心它在复杂代码生成里的边界情况处理，比如嵌套函数或者并发调用时会不会掉链子，希望后面有更多实测能覆盖到这类硬骨头。

说实话GLM-4.5在Agent场景的进步确实让我眼前一亮，之前做多工具编排时状态丢失的问题让我头疼了很久，现在看来优化得挺到位。不过那个“一致性提升30%”的数据我也持保留态度，感觉更像是数据清洗把边缘案例压平了，真要验证还得看长尾场景下的实际翻车率。另外想问下你测试时有没有遇到特定框架下的兼容性问题，比如跟LangChain之类的联动会不会出幺蛾子？

“一致性提升30%”这个数字我也觉得有点虚，尤其开放性问答那块，很可能就是数据清洗的功劳。不过Agent场景确实惊喜，之前用4.0调工具链动不动就参数错乱，4.5在多轮调用状态保持上真的稳了不少，这点实测过才敢信。代码生成追平GPT-4o我倒不意外，毕竟现在各家卷Coding都卷到极致了。想问问你测的是长上下文还是短任务？我这边短任务感觉提升最明显，长文档还是偶尔会跑偏。

同感，4.5在Agent工具调用上确实稳了不少，之前我调GLM-4做多步API串联时动不动就参数错乱，现在至少状态保持这块能跑通生产流程了。不过那个“一致性提升30%”我也持保留意见，感觉更像是数据清洗和指令微调带来的红利，架构上没看到质变。倒是想问问大家，你们测复杂代码生成时，它在长函数体里的变量作用域处理得怎么样？我试了几个case，偶尔还是会出现隐式覆盖的bug。

另外我觉得评测里有个点没提到，就是它在多轮对话中一旦涉及代码修正，回滚改动的能力比4.0强不少，这点对实际开发挺关键的。你们有没有拿它跑过那种需要频繁改需求的伪Agent任务？

说实话看完这篇评测我挺有共鸣的，之前用GLM-4做Agent的时候，最头疼的就是工具调用链一旦拉长，状态就莫名其妙丢失，得手动重试好几轮。4.5如果真能在多轮工具调用上保持稳定，那确实是从“能跑demo”进化到“能上生产”的质变，这点比单纯刷代码生成分数更让我心动。不过你质疑那个“一致性提升30%”，我也觉得有点虚，毕竟这类数据往往跟评测集的选择关系太大，换一批更偏开放域的问题可能就跌下来了。我倒更想知道他们在长上下文记忆上具体怎么做的，是改注意力结构还是单纯靠更好的训练数据筛选？因为从用户体感来说，逻辑连贯性提升有时候只是模型学会了更“圆滑”地绕过矛盾点，而不是真正理解全局。另外，代码生成追平GPT-4o这事，我建议别只看单次通过率，多测测复杂项目里的重构和debug场景，那才是拉开差距的地方。总之Agent这块我打算拿真实业务场景去试试，光看评测数字确实不够解渴。

同感，GLM-4.5在工具调用这块儿的进步确实是实打实的，我之前拿4.0版本写个带状态机的Agent，经常要自己补一堆异常重试逻辑，4.5跑下来至少省了三分之一的防御性代码。不过那个“一致性提升30%”我也觉得挺虚的，这种数字大概率是拿特定benchmark刷出来的，换到真实业务里的长对话，用户一打断、一改需求，逻辑照样容易飘。我反而更关心它在多轮工具调用时怎么处理中间结果的缓存，如果只是靠更大的上下文硬扛，那成本还是下不来。另外，代码生成追平GPT-4o这个说法得看场景，简单CRUD确实没问题，但遇到那种需要跨文件重构或者理解隐式约定的任务，感觉还是差了点火候。你提到的Agent生产环境稳定性，我这边倒是遇到个新问题：4.5在并行调用多个工具时偶尔会乱序返回，虽然概率不高，但在金融场景里这种抖动挺致命的。所以与其纠结benchmark数字，不如多测测它在长尾工具定义下的容错能力，这块儿我觉得才是国产模型下一步该卷的地方。

这波实测我也关注了，coding那块确实猛，多步推理的稳定性比我预期好不少。不过“一致性提升30%”那个数据我也存疑，感觉更像是数据清洗带来的红利，架构上没看到本质变化。Agent场景倒是真香，之前用4.0调工具链老是参数错乱，4.5这种状态保持能力确实能省很多调试时间。想问下你实测的时候，多轮工具调用的延迟大概在什么水平？

说实话我也在蹲GLM-4.5的评测，之前用4.0调工具链确实被那个API参数错乱搞到头秃，这次看多轮状态保持的改进还挺心动。不过你说的那个30%一致性数据我也打个问号，这种数字在开放问答里水分太大了，我倒是更想看看它在真实项目里连续跑10次工具调用的成功率。另外你第二点没发完啊，是不是想聊长上下文下的记忆衰减？我这边试过用4.0塞长文档，中间段经常丢细节，不知道4.5有没有针对这个做专门优化。

工具调用这块确实稳多了，之前那API参数错乱整得我头大，4.5终于能扛住生产环境了。

同感，GLM-4.5在工具调用这块确实比4代稳太多了，我之前做多轮Agent的时候，最怕就是参数传着传着就崩了，现在状态保持这块明显省心。不过那个30%一致性的数据我也打个问号，开放问答的连贯性很可能就是清洗了脏数据，跟架构关系不大。我倒更想看看它在真实业务里跑长链路的效果，比如那种十几个工具串起来的任务，会不会还有隐性的上下文丢失问题。

同感，GLM-4.5在Agent这块的进步确实比我预期的要大。之前做工具调用最头疼的就是多轮状态丢失，经常第二轮就传错参数，现在这个“状态保持”能力的提升，至少从评测描述来看是踩在点子上的。不过你质疑那个“一致性提升30%”我也挺想附议，这种数据在开放性问答上水分往往不小，毕竟长文本生成的一致性，很大程度上跟训练数据的去重和清洗策略相关，未必能直接归功于模型架构层面的革新。我自己实测下来，倒觉得它在结构化代码生成上的收益更直观，比如写那种带复杂业务逻辑的Python函数，返回结果很少再出现那种“看起来对但跑不通”的情况。但反过来，真要拿它跟GPT-4o做同题PK，我觉得在极长上下文的细节回忆上还是有差距，尤其是那种需要跨段落引用的场景，4.5偶尔会“选择性遗忘”前文信息。另外你说的强化学习对齐，我猜主要收益集中在工具调用链的容错上，但模型在自由对话里的“逻辑连贯性”提升，可能更多还是靠数据工程补出来的短板，架构红利并没有那么显著。所以我也挺好奇，它在你们真实业务里跑过多轮Agent编排吗？有没有遇到那种评测里不会暴露的边界情况？