在沉寂了半年之后，智谱推出了新一代开源模型GLM-4.5系列，采用MOE架构并使用混合推理模式。模型统一提升了在推理、代码与智能体等多方面的能力，专为复杂智能体应用打造。由于官方的技术报告暂未发布，模型细节暂时无从得知，本文内容仅做导读，方便读者对该系列模型有个初步认识。
技术架构
参数
GLM-4.5系列包含两个主要模型，均采用MoE架构：
● GLM-4.5：355B总参数，32B激活参数
● GLM-4.5-Air：106B总参数，12B激活参数
混合推理模式
GLM-4.5的一个突出特性是其混合推理能力，提供两种不同的工作模式：
● 思考模式（Thinking Mode）：用于复杂推理和工具使用场景
● 非思考模式（Non-thinking Mode）：提供即时响应
训练过程
模型架构与预训练
GLM-4.5系列模型采用了MoE架构，并且在MoE层中使用了无损的负载均衡路由以及sigmoid门控机制。相比DeepSeek-V3和Kimi K2降低了模型的宽度，改为增加了模型的深度。在自注意力模块中，使用了GQA并引入了部分旋转位置编码。优化器则使用了Muon优化器，加快了收敛速度并支持更大的批量大小。同时引入了QK-Norm，用于保持注意力logits的稳定。此外，GLM-4.5系列模型均加入了 MTP层，以支持推理阶段的推测解码。基础模型经历了多个训练阶段。在预训练期间，模型首先在15万亿tokens的通用语料库上进行训练，随后又在7万亿tokens 的代码与推理语料库上进一步训练。在预训练之后，引入了额外的阶段以进一步提升模型在关键下游任务上的性能。不同于此前基于大规模通用文档的预训练，这些阶段使用的是中等规模的领域特定数据集，包括指令类数据。
基于强化学习的后训练
后训练阶段对于大语言模型而言至关重要，它通过模型自身生成的探索式经验不断优化其策略。强化学习是推动模型能力极限的重要步骤。GLM-4.5整合了来自 GLM-4-0414的通用能力和来自 GLM-Z1的推理能力，还特别增强了模型的智能体能力，包括智能体编程、深度搜索和通用工具使用能力。这一过程首先是对精选的推理数据和合成智能体场景进行监督微调，接着进入强化学习阶段以分别培养对应的专家模型。
● 推理方面：在完整的64K上下文中进行的一阶段RL训练，结合基于难度的课程学习策略，这种方式优于传统的逐步调度方法。为了提升训练稳定性，引入了动态采样温度机制以平衡探索与利用，以及在STEM问题上的自适应剪裁策略以实现更稳健的策略更新。
● 智能体任务方面：选取了两个可验证任务：基于信息检索的问答与软件工程任务。使用可扩展的策略来自动构造基于搜索的问答样本，方法包括引入人工协助的网页内容抽取与选择性遮蔽。代码任务则依赖实际软件工程任务中的执行反馈来驱动训练。
虽然强化学习主要集中在少量可验证任务上，但所获得的能力可以迁移至其他相关领域，如通用工具使用。随后通过专家蒸馏整合这些专长技能，使 GLM-4.5 在各项任务中具备全面而强大的能力。
榜单评测
在12项行业标准基准测试中，GLM-4.5取得了63.2分的综合成绩，在所有专有和开源模型中排名第三，仅次于o3和Grok-4。
● 代码生成能力：在代码生成领域，GLM-4.5相对于Kimi K2取得了53.9%的胜率，对Qwen3-Coder达到了80.8%的成功率。
● 智能体任务表现：在Agent任务中，在工具调用成功率方面，GLM-4.5达到了90.6%的最高平均成功率，超越了Claude-4-Sonnet（89.5%）、Kimi-K2（86.2%）和Qwen3-Coder（77.1%）。
● 网络浏览能力：在BrowseComp基准测试中，GLM-4.5在网络浏览任务中取得了26.4%的正确率，超越了Claude-4-Opus的18.8%，接近o4-mini-high的28.3%。
真实数据
为了在真实场景中评估 GLM-4.5 的智能体式编程能力，智谱构建了 CC-Bench 测试集——以 Claude Code 作为智能体编程测试平台，对 GLM-4.5、Claude-4-Sonnet、Kimi-K2 和 Qwen3-Coder 四个模型进行了全面测试。测试涵盖 52 个精心设计的编码任务，覆盖多个开发领域。该数据集包含了这四个模型在全部 52 项任务中的完整智能体交互轨迹。
测试数据集
评估数据集分为6大类别，包含52个编码任务：
| 类别 | 描述 | 数量 | 任务ID |
|---|---|---|---|
| 前端开发 | 使用 HTML5、CSS3、JavaScript 构建轻量级前端游戏和工具 | 7 | 1-7 |
| 应用开发 | 使用 React、Node.js、Next.js、TypeScript、Go、iOS 开发管理系统、聊天系统、工具和移动应用 | 15 | 8-22 |
| UI/UX 优化 | 界面样式设计、用户体验优化、布局改进 | 13 | 23-35 |
| 构建与部署 | 项目构建、测试、部署相关问题解决 | 4 | 36-39 |
| 数据分析 | 数据处理、统计分析、可视化 | 5 | 40-44 |
| 机器学习 | 聚类、语音分析、图像处理、图像识别等 | 8 | 45-52 |
评估方法
环境设置
● 隔离测试环境：每个任务运行在一个独立的容器中，使用独立环境，并拉取对应代码分支，确保无干扰。
● 模型配置：Claude Code在任务目录中启动，各模型的base_url和api_key已正确配置。
多轮交互测试流程
初始提示：评估员输入预定义的任务提示，启动问题求解。
迭代交互：根据模型的中间输出，评估员与模型进行多轮对话，逐步调整输入以推动问题解决。
公平性保障：每个任务均由同一评估员完成，对所有模型采用一致的交互策略，确保公平。
评分与判定标准
● 主要标准 —— 任务完成度：基于预定义的完成标准进行量化评分，判断 GLM-4.5 与对比模型之间的胜负或平局。
● 次要标准 —— 效率与可靠性：若任务完成度相同，则工具调用成功率更高或token消耗更少的模型视为胜者。
● 最终评估原则：优先考虑功能正确性和任务完成情况，而非效率指标，确保编程能力为核心评估重点。
整体性能表现
在一对一的直接对比中：
| 对比对象 | GLM-4.5 胜率 | 平局率 | 败率 |
|---|---|---|---|
| vs Claude-4-Sonnet | 40.4% | 9.6% | 50.0% |
| vs Kimi-K2 | 53.9% | 17.3% | 28.8% |
| vs Qwen3-Coder | 80.8% | 7.7% | 11.5% |
GLM-4.5 的平均工具调用成功率达到 90.6%，高于 Claude-4-Sonnet（89.5%）、Kimi-K2（86.2%）、和 Qwen3-Coder（77.1%），表现出在智能体编程任务中更优的稳定性与效率。 GLM-4.5相比Claude-4-Sonnet仍有提升空间，在大部分场景中可以实现平替的效果。
评测数据链接：huggingface.co/datasets/za…
开发者使用
GLM-4.5 API兼容多种AI编程工具，可以与Claude Code、Gemini CLI、Cline等工具搭配使用。以下仅以Claude Code作为演示，其余工具的配置过程大同小异。
获取API密钥请访问Z.AI官方网站，获取您的API密钥。
配置环境变量安装Claude Code后，可通过以下两种方式之一配置环境变量：
方法一：使用脚本配置（首次用户推荐）
curl -O "http://bigmodel-us3-prod-marketplace.cn-wlcb.ufileos.com/1753683755292-30b3431f487b4cc1863e57a81d78e289.sh?ufileattname=claude_code_prod_zai.sh"方法二：手动配置
export ANTHROPIC_BASE_URL=https://api.z.ai/api/anthropic export ANTHROPIC_AUTH_TOKEN={YOUR_API_KEY}- 开始使用
如果系统提示“是否要使用此 API 密钥？”，选择“是”。
启动后，按如下所示授权 Claude Code 访问您当前文件夹中的文件，即可正常使用。
结论
更强的性能，更少的参数
GLM-4.5参数量仅为DeepSeek-R1 的 1/2、Kimi-K2的1/3，但参数效率更高，性能更强。在 SWE-Bench Verified 等图谱中，GLM-4.5 系列位于性能/参数比帕累托前沿，这表明在相同规模下，GLM-4.5 系列实现了最佳性能。
更低的成本、更高的速度
得益于参数量的减少与效率的提升，API调用价格最低可达到输入0.8元/百万 tokens，输出2元/百万tokens。
参考内容
● Huggingface: huggingface.co/zai-org/GLM…
● CC-Bench数据集:huggingface.co/datasets/za…
● 官方blog:z.ai/blog/glm-4.…
● Github:github.com/zai-org/GLM…
