GLM-4.5：推理、编程与Agent能力的全面突破

训练语料库规模达 22T Token，其中包含 15T 通用数据和 7T 代码/推理专用数据。采用分组查询注意力（GQA）+ 部分旋转位置编码（RoPE）来提升长上下文处理效率和推理任务准确性。

GLM-4.5核心特性概览：

•MoE 架构

•混合推理模型

•总参数 355B（激活参数 32B）

•GQA + 部分 RoPE

•多 Token 预测

•Muon 优化器 + QK 归一化

•22T Token 训练语料

•Slime RL 基础设施

•原生工具调用

图片

图片

模型架构与预训练：GLM-4.5 总参数规模达 355B（激活参数 32B），采用更深但更窄的模型设计，通过增加层数和 96 个注意力头来优化推理能力。轻量版 GLM-4.5-Air 为 106B 参数（激活参数 12B）。

图片

训练语料库规模达 22T Token，其中包含 15T 通用数据和 7T 代码/推理专用数据。采用分组查询注意力（GQA）+ 部分旋转位置编码（RoPE）来提升长上下文处理效率和推理任务准确性。

中期训练的关键作用： "与早期在大规模通用文档上进行预训练不同，这些阶段采用中等规模的领域特定数据集，包括指令数据。"

其他设计亮点：多 Token 预测（MTP）：支持推测解码，实现更快的推理速度。；Muon 优化器 + QK 归一化：提升大批量训练的稳定性和可扩展性。

Slime RL 基础设施

•支持agent强化学习的异步推出与训练分离

•混合精度推出（FP8 推理，BF16 训练）提升效率

图片

后训练流程：

•在推理和agent场景上进行监督微调

•针对推理（含课程学习）和agent任务（信息检索问答和代码执行）的强化学习

•专家蒸馏以整合专业技能

图片

整体性能表现：GLM-4.5 总排名第三，GLM-4.5 Air 排名第六。

agent能力：这是个令人兴奋的结果！GLM-4.5 提供 128K 上下文长度和原生函数调用能力，性能可媲美 Claude 4 Sonnet！

测试时扩展：GLM-4.5 在 BrowseComp 上的测试时扩展准确率呈现健康的增长曲线。

推理性能：GLM-4.5 在多个推理基准测试中表现极具竞争力。这种稳定的性能表现尤为重要，因为统一各种能力是很难做到的。

编程能力：虽未达到 Claude 4 Opus 或 o3 的水平，但仍极具竞争力，明显优于 DeepSeek-R1-0528，与 Kimi-K2 处于同一水准。

帕累托前沿分析："GLM-4.5 和 GLM-4.5-Air 相比同等规模的模型展现出卓越性能，在性能-规模权衡边界上实现了最优效率。"

真实场景表现：GLM-4.5 在真实开发场景中的agent编程表现令人印象深刻，相比 Kimi K2 和 Qwen-3 Code 的胜率表现亮眼。

其他能力特性

原生工具调用：通过集成函数调用和agent规划，工具调用成功率达 90.6%。

全栈开发agent：通过类似 Claude Code 的界面实现多轮agent编程，支持前端/后端开发、幻灯片制作和产出物生成。

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

四、AI大模型商业化落地方案

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量