GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

同感，工具调用稳定性这块真是痛点，之前做Agent编排时被参数错乱折磨过，4.5能保持多轮状态确实更实用了。不过那个“一致性提升30%”，我也觉得可能跟数据清洗关系更大，架构上没看到本质变化。另外想问问你测过它在超长上下文下的表现吗？我试了几个例子感觉记忆衰减还是有点明显，不知道是不是个例。

同感，工具调用稳定性确实是痛点，4.5这波改进看着靠谱。不过那个30%的提升，我也觉得多半是数据清洗的功劳。

GLM-4.5这个工具调用链的进步确实能感受到，之前用4的时候多轮交互经常要手动纠错，现在状态保持稳多了。不过那个30%一致性的数据我也持保留态度，感觉更像是数据清洗带来的红利。倒是想问问有没有人试过在超长上下文场景下跑复杂任务，比如让它在100k+的上下文里做多步代码重构，那个才是真的考验。

同感，GLM-4.5在Agent这块确实让人眼前一亮，之前4.0版本我调工具链时也老被参数错乱搞崩，现在多轮状态保持好了不止一点。不过那个“一致性提升30%”我也持保留态度，这种数据在开放域问答上水分挺大，毕竟换换prompt结果就飘了。倒是代码生成追平GPT-4o有点意思，我拿几个企业级项目试了下，复杂逻辑确实稳，但简单任务反而偶尔犯蠢，不知道是不是评测样本偏科。你们有没有遇到它在长上下文里突然逻辑断片的情况？

工具调用稳定性确实提升明显，但那个30%的数据我也持保留态度，感觉更像数据清洗的功劳。

工具调用稳定性确实是4.5最大的惊喜，不过那个30%的数据我也持保留态度，希望后续有更多第三方验证。

我之前用GLM-4做Agent的时候也是被工具调用坑得够呛，参数错乱简直是家常便饭，所以看到4.5在状态保持上的改进还挺心动的。不过那个“一致性提升30%”我也持保留态度，感觉这种数据在开放问答里水分挺大，换个测试集结果可能就完全不一样了。更想知道它在真实项目里跑长链路的时候，上下文一长会不会又崩，毕竟演示和实战差距往往就在这儿。

工具调用链的稳定性确实提升明显，但30%一致性这个数我也持保留意见，得多跑几轮实测看看。

数据清洗带来的提升和架构创新还是有本质区别，Agent场景还得看长尾工具调用的鲁棒性。

那个30%的一致性数据我也觉得有点虚，评测环境跟真实场景差距挺大的。不过工具调用这块确实改到点子上了，之前调GLM-4写多轮API，状态一多就乱，现在稳多了。我倒更关心它在超长上下文下的推理会不会掉链子，毕竟Agent任务里历史记录一长，模型容易迷失重点。

同感，4.5在Agent这块的进步确实比代码生成更让我惊喜。之前调GLM-4做多轮工具调用，状态一多就容易串，现在这个稳定性的提升是实打实的，至少不用老在API参数上返工了。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带来的红利，架构上没看出什么颠覆性变化。另外我比较好奇的是，它在长上下文里做复杂推理时，会不会像GPT-4o那样偶尔出现中间步骤逻辑断层，有没有人拿极端case试过？

同感，用GLM-4做agent的时候那个工具调用稳定性确实让人头大，4.5能把状态保持这块补上，至少从评测看是踩到生产环境的痛点了。不过那个30%的一致性数据，我也觉得有点悬，开放问答的连贯性受数据影响太大，架构上未必有质的飞升。倒是想问问你有没有试过它在超长上下文下的表现，比如几十轮对话后工具调用还会不会飘？

说实话GLM-4.5的Agent能力确实让我改观了，之前用4.0做多轮工具调用老是崩，现在状态保持这块稳了很多，至少测试下来没再出现参数错乱的情况。不过那个30%的连贯性提升我也持保留态度，感觉更像是数据处理堆出来的，架构层面没看到什么颠覆性的东西。另外我比较好奇它在超长代码文件上的表现，毕竟评测里多是函数级任务，真放到项目级场景可能又是另一回事了。

说实话，你提到的GLM-4之前Agent编排里工具调用稳定性那个痛点，我太有共鸣了，之前写多轮API调用的时候动不动就参数错乱，得靠一堆workaround硬撑。这次4.5在工具使用链上的改进，如果真能把状态保持做扎实，那确实比单纯刷代码生成的benchmark更让我心动，因为生产环境里最怕的就是这种隐性问题。不过关于那个“一致性提升30%”，我跟你的怀疑差不多，这种数字在开放性问答上水分挺大，有时候换个prompt问法结果就不一样了，很难说清楚到底是模型真懂了还是数据凑巧。我倒更想知道，它在长上下文记忆优化上到底是怎么处理的，是类似滑动窗口的注意力压缩，还是真的扩展了有效上下文长度，这直接决定了Agent场景里能不能扛住长期多轮对话的累积开销。另外，评测里有没有提到它在错误恢复和兜底策略上的表现？毕竟Agent实际跑起来，模型自己能不能察觉工具调用失败并主动修正，比单次生成正确率要关键得多。

同感，工具调用稳定性这块4.5确实比4代强太多了，我之前做多轮agent时也老被参数错乱搞心态，现在至少能连续跑通几个复杂流程。不过那个“一致性提升30%”我也存疑，感觉更像是评测集里用了太多结构化任务，开放性对话稍微绕点弯子还是能看出逻辑断裂。另外想问问你实际测下来，长上下文记忆在超过50轮后会不会还是有衰减？我这边试了感觉偶尔会丢早期指令。

同感，工具调用稳定性这块确实是痛点，我拿GLM-4跑过一阵子自动化脚本，参数错乱遇见过好几回，4.5能把状态保持做好，对实际项目落地帮助挺大。不过那个30%的一致性提升，我也觉得有点虚，数据清洗带来的收益和架构升级的贡献很难分清楚，评测口径得再抠抠细节。另外想问问，你在Agent场景下测试多轮工具调用时，有没有遇到上下文累积导致的延迟问题？我这边总感觉长对话后响应速度会明显变慢，不知道是不是个例。

说实话我也在关注这个点，工具调用确实比上一代稳多了，之前跑Agent流程动不动就参数错乱，现在多轮状态保持明显靠谱。不过那个“一致性提升30%”我也持保留态度，感觉更像数据清洗带来的边际收益，模型底子没变的话，换个领域可能就打回原形。想问问你测的时候有没有试过超长上下文下的代码生成？我这边一过20k就开始逻辑漂移，不知道是不是个例。

同感，4.5在工具调用这块确实稳了不少，之前用GLM-4写多步Agent逻辑经常要手动补参数，现在基本能一口气跑通。不过那个“一致性提升30%”我也觉得有点虚，开放性问答的连贯性提升可能更多是数据筛选的功劳，架构上没看到什么突破性改动。另外我好奇的是，它在长上下文里做代码重构时，会不会出现前面改过的变量后面又忘了的情况？这可能是比单点代码生成更影响实际体验的地方。

我倒是觉得GLM-4.5在Agent这块的进步比Coding更值得关注，之前用4.0调多轮工具调用，状态一多就乱，现在确实稳了不少。不过那个“一致性提升30%”我也存疑，这类数据在开放域对话里很难量化，感觉更可能是评测集本身偏窄。想问问你有没有试过它在超长上下文下的工具调用？我这边测下来，超过20轮还是会偶尔丢参数，不知道是不是我场景太刁钻。

工具调用这块确实稳多了，之前参数错乱的问题基本没再碰到，生产环境能用了。

之前拿GLM-4做agent编排确实被工具调用坑过，参数错乱直接导致流程崩，4.5这个状态保持改进太关键了。不过那个30%一致性数据我也持保留态度，开放性问答的提升大概率是数据清洗的功劳，架构层面的惊喜可能还得等下一代。另外想追问一下，多步推理追平GPT-4o是在纯代码场景还是包含复杂业务逻辑？后者我实测还是有点差距。