GLM-4.5实测：代码生成追平GPT-4o？Agent场景才是真亮点

同感，4.5的工具调用链确实稳多了，但那个30%的提升我也觉得有点虚，可能更多是数据清洗的功劳。

代码追平GPT-4o我实测下来倒基本属实，不过多步推理偶尔还是会绕弯子。

这波工具调用链确实稳了，之前被参数错乱折磨的痛总算缓解。不过30%那个数我也存疑，得多跑几个场景验证下。

同感，GLM-4.5在Agent这块的进步确实是实打实的，之前我用4跑多轮工具调用也老遇到参数串台，现在状态保持稳多了。但那个“一致性提升30%”我也存疑，数据清洗带来的增益和架构升级的长期效果，短期评测很难分清。想问问你测的时候有没有遇到长上下文下偶尔“失忆”的情况？我这边跑复杂任务时还是会有小概率逻辑断片。

工具调用这块确实质变了，之前那些参数错乱的问题基本没了，坐等跑几个真实agent任务验证下。

同感，工具调用稳定性这块真是说到点子上了。我拿4.5跑了个多智能体协作的demo，之前GLM-4在连续三次工具调用后必现参数错乱，现在居然能正确传递上下文变量，这点改进比单纯刷榜单分数实在多了。不过你提的那个30%一致性数据，我这边实测下来感觉在长文档总结场景确实有提升，但换到多轮对话里，如果用户中途突然换话题，逻辑跳跃时它还是会偶尔犯糊涂，所以这个数据可能得看具体测试集构成。另外我比较好奇的是，官方说强化学习对齐主要用在代码和工具调用上，那开放性问答的提升会不会是靠蒸馏了更大模型？如果真是这样，后续在复杂推理上的泛化能力可能还是会有天花板。还有个小细节，4.5的API响应速度比4快了不少，但偶尔会出现首token延迟抖动，不知道是不是他们在做推理时动态资源分配。我这边准备把之前一个生产环境的Agent流程迁移过来，目前看工具调用链稳定性的收益是明确的，但还不敢直接用在线推理，得先在离线评测里压一压极端情况。你们有试过把它和GPT-4o跑同一个多步任务集吗？差距主要在哪类子任务上？

说实话我也在关注这个评测，但我的看法稍微有点不同。代码生成这块，GLM-4.5确实进步明显，我拿它跑过几个LeetCode上的难题，逻辑链比之前清晰多了，不过要说完全追平GPT-4o，可能还得看具体场景，至少我在处理一些嵌套很深的异步代码时，它偶尔还是会给出有点绕的解法。但Agent这块我是真的服气，之前用4.0做多步骤工具调用，经常要手动补参数，现在状态保持和错误恢复都稳了不少，这点对实际部署太关键了。至于那个30%的一致性提升，我也觉得有点虚，很可能只是评测集里数据清洗的功劳，换个更开放的对话域可能就没这么亮眼了。我倒想追问一下，你有没有试过把4.5用在RAG或者长文档总结上？我这边测下来感觉它在长文本的指代消解上还是偶尔会犯迷糊，不知道是不是我prompt写得太随意了。

测评数据看看就好，实际跑几个复杂Agent任务就知道差距了，工具调用稳定性确实比之前强不少。

我最近也在用GLM-4.5做Agent相关测试，工具调用这块确实比4稳了不少，之前那种参数错乱的毛病基本没再犯。不过“一致性提升30%”这个数字我也存疑，感觉可能跟评测集选择有关系，换个更偏创意生成的场景未必有这么明显。另外我更好奇的是，它在长上下文里的推理衰减控制得怎么样，有没有人测过超过32K之后的实际表现？

工具调用那块确实进步大，但30%一致性提升我也存疑，感觉更像数据清洗的功劳。

这波工具调用稳定性提升确实感知明显，不过“一致性+30%”的数据我也持保留态度。

同感，工具调用稳定性确实是痛点，4.5能修好这块比单纯刷榜更有价值。

不过“一致性提升30%”这个数据，我也觉得有点虚，希望看到更多独立复现的测试。

同感，GLM-4.5在工具调用这块确实像换了个人，之前跑Agent经常被参数错乱搞到心态崩，现在多轮状态保持稳多了。不过那个“一致性提升30%”我也觉得有点虚，可能评测场景里结构化任务多，开放性对话未必有那么大差距。另外想问问你实测下来，它在长上下文里会不会偶尔丢失早期指令？我这边试了几个复杂任务，感觉比4代好但还没到完全放心的程度。

同感，coding这块确实进步明显，我拿它跑了个多步重构任务，函数调用链基本没出岔子，比4.0时代稳太多。不过那个“一致性提升30%”我也持保留态度，开放性问答的连贯性受数据影响太大，未必是模型架构的功劳。倒是Agent场景我试下来真有惊喜，状态保持好使了，但偶尔还是会在大上下文里“忘事”，想问问你测的时候有没有遇到类似问题？另外，你觉不觉得它在复杂代码库的跨文件推理上，和GPT-4o的差距其实比评测说的更小？

刚看完这篇评测，正好最近也在折腾GLM-4.5的agent编排，你说的工具调用稳定性这点我太有同感了。之前用GLM-4写个多步查询，经常得手动兜底修参数，现在4.5确实省心不少，至少连续调三次外部API不炸了。不过那个“一致性提升30%”我也持保留态度，感觉这种数据在评测集上容易刷，真实场景里遇到长尾问题还是容易飘。我更关心的是它在复杂嵌套的代码生成上，比如多文件项目里跨文件依赖的推理，是不是真的能跟上GPT-4o的节奏，因为这类场景对上下文的利用深度要求完全不一样。另外，agent这块我倒觉得，与其看单次调用的准确率，不如看它在错误恢复上的表现——比如工具返回异常时能不能自己调整策略，这个才是生产环境里最磨人的点。不知道你们实测有没有遇到那种“逻辑对了但参数传错”的隐性bug？

同感，coding这块确实被低估了，我之前拿它跑过一段React组件生成，逻辑嵌套比4.0时期稳太多了，多步推理出错率肉眼可见下降。但你说的“一致性提升30%”我也存疑，这种指标往往挑测试集，换个领域可能就打折，我更关心它在真实项目里连续跑几十个case的稳定性。Agent那块倒是真让我意外，之前调GLM-4做工具链，最烦的就是状态一多就丢上下文，4.5在多轮工具调用上明显有记忆锚点，参数传错的情况少了很多，这点比单纯刷代码分数更有价值。不过我个人有个疑虑，就是这种进步是不是靠堆更长上下文窗口换来的，如果是，那成本会不会跟着涨得离谱，小团队用起来就肉疼了。你们有没有试过极端场景，比如故意给它带隐含歧义的工具描述，看它会不会自作主张改参数？我总感觉这类测试才暴露真实水平。

同感，Agent这块4.5确实稳多了，之前调参调到头大。不过那个30%的数据，我也持保留意见。

说实话GLM-4.5在Agent这块的进步我也有同感，之前用4.0调工具链真的是参数错乱到怀疑人生，现在至少状态保持稳了不少，这点确实值得吹。不过那个“一致性提升30%”我也打了个问号，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。另外想问问你实测下来，它对那种超长上下文的指令跟随会不会偶尔跑偏？我这边试了几个复杂任务，前期还行，到后期逻辑就开始飘了。

代码生成追平GPT-4o真的假的？回头得拿我们内部那套刁钻用例试试，别又是刷榜型选手。

Agent工具调用这块确实痛点，不过一致性提升30%这数儿，感觉像是换了测试集算出来的。

工具调用这块确实稳多了，但那个30%的提升我也觉得有点虚，怕是评测集太窄。

跟我的体感差不多，之前用GLM-4调Agent，最怕它工具参数莫名串台，4.5这块确实稳了不少，至少跑长链路时不用老盯着日志纠错了。不过那个“一致性提升30%”我也觉得有点虚，数据清洗带来的增益和架构迭代带来的增益，评测其实很难完全拆开算。我更关心它在真实生产里跑那种超长上下文、且带强干扰的Agent任务时，状态保持还能不能这么稳，建议多测点这种边角案例。