Zhipu AI重磅发布GLM-4.5系列：技术深度解析与多维度性能评测

7月28日，智谱AI（Zhipu AI）向开源社区投下了一枚重磅炸弹，正式发布了其最新的旗舰模型系列：GLM-4.5。该系列包含两个新成员——GLM-4.5和GLM-4.5-Air，两者均以开源权重形式提供。官方技术报告详细阐述了其设计理念、技术细节以及在多项基准测试中的表现。本次发布的核心目标是打造一个能够统一推理、代码和Agent智能体能力的模型，以应对日益复杂的AI应用需求。本文将深入解析这份官方报告，剖析其核心技术、性能表现，并探讨其在当前大模型竞争格局中的战略定位。

核心配图:

图：GLM-4.5系列在性能-规模权衡中的帕累托前沿分析

`

`

一份官方性能报告：GLM-4.5的定位与整体表现

在深入各项具体测试之前，首先需要明确GLM-4.5系列的基础信息和市场定位。智谱AI此次推出的两个模型在规模上有所区分：

• GLM-4.5: 总参数量3550亿，激活参数量320亿。
• GLM-4.5-Air: 总参数量1060亿，激活参数量120亿。

两者均采用混合专家（MoE）架构，旨在实现训练和推理的高效率。其核心设计理念是统一能力（unifying capabilities），试图解决当前市场上部分模型精于编码、部分精于推理，但缺乏全能型选手的痛点。

在智谱官方进行的12项基准测试中，涵盖了Agent、推理和代码三大领域，GLM-4.5在与OpenAI、Anthropic、Google等厂商的旗舰模型对比中，综合排名位列第三，而轻量版的GLM-4.5-Air位列第六。

上方的帕累托前沿分析图直观地展示了这一点。该图以模型规模为横轴，性能为纵轴，位于左上方的模型意味着在同等规模下具有更高的性能效率。从图中可以看出，GLM-4.5和GLM-4.5-Air均处于效率边界线上，表明它们在其各自的参数规模下，实现了极具竞争力的性能表现。

Agent、推理与代码：三大核心能力的多维度基准测试解析

智谱AI的报告提供了详尽的基准测试数据，将其宣称的三大核心能力（Agent、推理、代码）进行了量化对比。

1. Agent能力：与顶级模型同场竞技

Agent能力是本次发布的重点。GLM-4.5提供了128k上下文长度和原生的函数调用（Function Calling）能力，这是构建复杂Agent应用的基础。

测试背景与结果: 评测主要在三个Agent任务基准上进行：τ-bench、BFCL-v3（伯克利函数调用排行榜）和BrowseComp（网页浏览）。

分析:

• 在函数调用和通用Agent任务（τ-bench和BFCL-v3）上，GLM-4.5的表现与Claude 4 Sonnet几乎持平，显示出其在工具使用和任务规划方面的扎实基础。
• 在更具挑战性的网页浏览任务BrowseComp中，GLM-4.5（26.4%）明显优于Claude-4-Opus（18.8%），但与o4-mini-high（28.3%）和Grok 4（32.6%）仍有差距。这表明在需要复杂推理和多轮工具交互的真实网络环境中，其能力虽强，但尚未达到顶尖水平。

2. 推理能力：深度与逻辑的考验

报告指出，在“思考模式”下，GLM-4.5系列能够处理复杂的数学、科学和逻辑问题。

测试背景与结果: 评测选取了MMLU Pro、AIME24、MATH等多个高难度推理基准。

评测方法说明: AIME和GPQA基准测试采用了多次采样取平均值的方式（Avg@32, Avg@8）以减少结果的随机性。

分析:

• GLM-4.5在各项推理基准上均表现出色，尤其是在数学竞赛级问题（AIME24）上，其91.0的得分超过了Claude 4 Opus和Gemini 2.5 Pro。
• 在综合性知识（MMLU Pro）和研究生水平问题（GPQA）上，与业界最顶尖的模型（如Grok 4、Gemini 2.5 Pro）相比仍存在一定差距，但已稳居第一梯队。

3. 代码能力：Agentic Coding的实践

代码能力是衡量现代大模型价值的关键指标。GLM-4.5不仅支持从零构建项目，还能以Agent的方式解决现有代码库中的问题。

测试背景与结果: 主要评测基准为SWE-bench Verified（软件工程任务）和Terminal-Bench（终端操作）。

此外，智谱还进行了一项基于Claude Code框架的52项编码任务的人工交互评测，结果显示：

• 工具调用成功率: GLM-4.5达到 90.6%，超过了Claude-4-Sonnet (89.5%)、Kimi-K2 (86.2%) 和 Qwen3-Coder (77.1%)，显示出其在Agentic Coding中与工具交互的可靠性。
• 胜率对比: 对比Kimi K2的胜率为53.9%，对Qwen3-Coder的胜率高达80.8%，但与Claude-4-Sonnet相比仍有优化空间。

分析: GLM-4.5的代码能力呈现出一种鲜明的特点：在需要Agent与工具链深度结合的场景下（如工具调用），其可靠性极高。但在纯粹的代码问题解决能力上（如SWE-bench），与专为代码优化的Claude 4 Sonnet相比，仍有差距。这与其“统一能力”的设计哲学相符——它是一个多面手，而非专科冠军。

技术揭秘：MoE架构、RL框架与能力融合的实现路径

优异的性能表现背后，是一系列明确的技术选型和创新。

1. 模型架构与预训练

• MoE架构: 采用了更深而非更宽的设计。智谱团队发现，增加模型层数（高度）比增加隐藏层维度或专家数量（宽度）更有助于提升推理能力。
• 注意力机制: 采用了分组查询注意力（GQA），并反直觉地将注意力头的数量增加了2.5倍。报告称，尽管这并未改善训练损失，但显著提升了在MMLU等推理基准上的表现。
• 训练稳定与加速: 使用了Muon优化器和QK-Norm来稳定训练过程，并加入了MTP（多令牌预测）层以支持推理时的推测解码。
• 数据策略: 预训练数据量巨大，包括15T tokens的通用语料和7T tokens的代码与推理语料，并通过特定领域数据集进行多阶段增强。

2. 高效RL框架slime与后训练 本次发布的一大亮点是智谱开源了其自研的强化学习（RL）框架slime。该框架为解决大规模模型，尤其是复杂Agent任务的RL训练瓶颈而设计。

• 核心创新:

  • 灵活的混合架构: 支持同步和异步训练模式，通过解耦数据生成和模型训练，解决了Agent任务中环境交互耗时过长、导致GPU闲置的问题。
  • FP8加速: 在数据生成环节使用FP8混合精度进行推理，大幅提升吞吐量，同时在训练循环中保持BF16的稳定性。

• 后训练流程:

  1. SFT: 首先在高质量的推理和合成的Agent场景数据上进行监督微调。
  2. 专业化RL: 针对推理和Agent任务分别进行RL训练，培养出“专家模型”。
  3. 专家蒸馏: 最后，通过蒸馏技术将这些专业化能力融合到最终的GLM-4.5模型中，实现能力的统一。

总结与分析：GLM-4.5的市场定位与潜在影响

综合官方报告的所有信息，我们可以对GLM-4.5系列做出如下分析：

1. 战略定位清晰：开源社区的全能型旗舰 GLM-4.5并非要追求在每一个单点上都超越所有对手，而是致力于成为一个能力均衡、没有明显短板的全能模型。其在Agent、推理、代码三大领域的强大综合实力，结合开源权重的策略，使其成为目前开源社区中对标GPT-4、Claude 3 Opus等顶级闭源模型的有力竞争者。

2. 技术路径务实且具有前瞻性 从“更深而非更宽”的MoE架构，到为解决实际痛点而自研并开源的slime框架，再到“SFT -> 专业RL -> 专家蒸馏”的能力融合路径，智谱展示了一条清晰且可行的技术路线。这不仅为GLM-4.5的性能提供了保障，也为整个AI社区贡献了宝贵的工程经验。

3. Agent能力是核心竞争力 虽然在某些基准上并非第一，但GLM-4.5在工具调用可靠性上的领先，以及官方提供的Artifacts生成、全栈开发等应用演示，都指向了一个明确的方向：它是一个为构建下一代AI Agent而生的基础模型。在行业趋势从聊天机器人向实用型Agent迁移的今天，这是一个极具价值的特性。

关于GLM 4.5更多的信息，包括开源地址参考DataLearnerAI模型信息卡地址： https://www.datalearner.com/ai-models/pretrained-models/glm-4_5_moe-355b-a32b-0715 https://www.datalearner.com/ai-models/pretrained-models/glm-4_5_moe-106b-a12b-0715

总而言之，GLM-4.5系列的发布是开源大模型发展的一个重要里程碑。它不仅在性能上向闭源顶尖模型发起了有力冲击，更通过开源slime等举措，向社区展示了其技术自信和开放心态。对于开发者和企业而言，这意味着一个更强大、更可靠、更具性价比的开源选项已经出现。