GLM-4.5技術報告揭秘：如何圍繞Agent構建一個模型

作者 ｜ 周一笑
郵箱 ｜ zhouyixiao@pingwest.com

智譜GLM-4.5的發布，在近期的AI開源社區中引發了不小的討論。模型放出后，它在Hugging Face社區的趨勢榜單上表現亮眼，綜合性能也在多個基準測試中位列前茅。其原生Agent能力的提法和頗具競爭力的定價，都成為了開發者們關注和討論的焦點。

在模型獲得了一波社區的實踐和反饋之后，智譜緊接著發布了長達25頁的詳盡技術報告。這份報告同樣獲得了很高的關注度，登上了Hugging Face Daily Papers的熱度榜首。

這份報告的價值在于，它系統性地闡述了其模型的設計思路，明確將Agent、Reasoning（推理）和Coding（代碼）三種能力的統一，即ARC，作為衡量通才模型的核心標準。

報告鏈接：https://github.com/zai-org/GLM-4.5/blob/main/resources/GLM_4_5_technical_report.pdf

ARC三位一體

GLM-4.5的設計哲學的核心聚焦于Agent、推理和代碼三者的原生統一。報告在開篇就明確提出了這個主張。它認為，大語言模型（LLM）正從通用知識庫演變為通用問題解決者，一個真正的通才模型，需要統一掌握三項相互關聯的核心能力：

Agentic abilities (Agent能力)：與外部工具和真實世界進行交互。

complex Reasoning (復雜推理能力)：解決數學、科學等多步驟問題。

advanced Coding (高級代碼技能)：處理真實的軟件工程任務。

這三者之間存在著緊密的內在邏輯。一個強大的Agent，必須具備調用工具的能力，而代碼（Coding）正是與數字世界交互的終極工具；同時，要完成一個復雜任務，例如根據用戶需求去修復一個GitHub倉庫里的Bug，必然需要嚴密的邏輯推理（Reasoning）能力來規劃步驟和理解依賴關系。

因此，GLM-4.5的設計目標就是將這三者進行原生集成，讓Agent能夠基于優秀的推理和代碼能力，去思考和行動，后續大量的技術細節，都是圍繞這個目標展開。

為Agent打造的技術路徑

一個清晰的目標，需要一條嚴謹的技術路徑來實現。GLM-4.5的技術報告用大量篇幅介紹了其如何從模型架構、數據處理、訓練流程到最終的強化學習，一步步地將Agent能力注入到模型中。

模型架構：更深、更專的MoE設計

GLM-4.5采用了當前大模型領域主流的混合專家（MoE）架構，以在保證性能的同時提升計算效率。報告揭示了其在具體實現上的一些獨特設計選擇，例如“瘦高”結構。與一些模型追求更“寬”（更多的專家數量、更大的隱藏層維度）不同，GLM-4.5團隊選擇了減少寬度，但增加模型深度的結構。報告提到，他們發現更深的模型在推理能力上表現更出色，這直接服務于ARC能力中的推理基礎。此外，報告還提到了一些為增強推理能力而做的精細調整，例如模型使用了倍數于常規模型的注意力頭，并引入QK-Norm技術來穩定訓練。這些改動共同為模型打下了堅實的推理和代碼功底。

GLM-4.5與DeepSeek-V3 與 Kimi K2的模型架構對比

訓練流程：從“廣積糧”到“中場強攻”

一個好的模型架構需要海量且優質的數據來喂養。報告詳細介紹了其復雜的多階段訓練流程，清晰地展示了從通用到專精的演進過程。在兩階段預訓練中，模型先在15T Tokens的通用語料上進行學習，可以理解為“廣積糧”。隨后，則在一個7T Tokens的數據集上繼續訓練，這個數據集會重點上采樣與代碼和推理相關的高質量內容，相當于開始為ARC能力“定向施肥”。

報告中一個非常有趣的環節是獨特的中期訓練（Mid-training）。在完成大規模預訓練后，模型會進入一個專門的“中期訓練”階段，針對性地“強攻”特定能力。這個階段主要包含三類數據：一是代碼倉庫級數據，將同一個代碼庫的多個文件拼接訓練，讓模型學習跨文件的依賴關系；二是合成推理數據，利用已有模型生成大量帶有推理過程的問答數據；三是長上下文與Agent軌跡數據。這是最關鍵的一步，模型開始接觸并學習大量的、由機器合成的Agent任務軌跡，同時訓練的序列長度也從預訓練時的4K，一路擴展至最終的128K。

Pre-training和Mid-training的多階段流

后訓練：RL注入Agent靈魂

如果說預訓練和中期訓練是為模型打造了強健的“軀體”，那么后訓練，特別是強化學習，則是為其注入“靈魂”的關鍵。正如一位社區開發者評論的那樣，這份報告的大部分篇幅都在講述一個復雜的后訓練策略。

報告中的RL訓練設計，處處體現出為Agent服務的思想。例如，Agentic RL的訓練聚焦于兩類可以被程序自動驗證結果的任務：基于信息檢索的問答和軟件工程，因為這類任務有明確的成功或失敗信號，便于模型進行高效的強化學習。報告中一個值得注意的細節，是為模型的工具調用設計了一套新的XML格式模板，旨在解決常見JSON格式在參數包含代碼時需要大量轉義字符的痛點，直接提升了Agent最核心的工具調用環節的穩定性和效率。

另一個例子體現在模型的交互式解決問題能力上。如下圖所示，在網頁瀏覽這類典型的Agent任務中，模型的準確率會隨著與環境交互輪次的增多而穩步提升。這說明模型學會的不是一次性地給出答案，而是通過持續的探索、試錯和信息整合來逼近正確解，這正是Agent模式的核心價值所在。

BrowseComp模型的準確率隨交互輪次（測試時計算量）的增加而變化。

為了支撐如此復雜的RL訓練，智譜還專門設計并開源了名為slime的RL訓練框架。根據報告描述，這個框架的核心設計（如異步、解耦的訓練架構）就是為了高效處理Agent任務中常見的數據生成慢、交互耗時長的痛點，體現了其構建開發者生態的意圖。

總體來看，GLM-4.5的技術報告用詳盡的數據，對其以Agent為核心的設計理念進行了驗證。

報告的評測部分體現了模型綜合性能。在涵蓋Agent、推理、代碼的12項基準測試中，GLM-4.5的綜合得分位列全球第三，Agent能力單項排名全球第二。

報告還提供了更深入的Agent能力評測細節。例如，在一個名為CC-Bench的真實編程任務測試中，GLM-4.5的工具調用成功率達到了90.6%，超過了多個強有力的競爭對手。這種在實際任務中表現出的高可靠性，也讓一些海外開發者評價其為“當今最精通工具、最原生的Agent模型”。

不同模型在 CC-Bench 上的平均工具調用成功率與單輪交互的平均 Token 消耗對比。

社區的討論也指向了另一個維度：性價比。有用戶評論認為，“性價比才是大模型落地的真正核心指標”。這一點與GLM-4.5的技術選型不謀而合。其采用的MoE架構本身就是一種平衡效果與成本的高效方案，這種技術效率也反映在了它的市場策略上，使其能以一個普惠的價格，鼓勵更多開發者進行調用和嘗試，形成生態的正向循環。

這份技術報告，本質上是智譜將其以Agent為核心的設計思路，完整地攤在了桌面上。當模型權重、技術報告、以及RL訓練框架slime三者同時被推向社區，其意義就不再只是發布一個供人調用的工具。這更像是一種開放的邀請，開發者不僅可以“用”這個模型，更可以深入地“學”它的實現方法，甚至“改”它的訓練流程。這或許是更深層的價值所在。