GLM-4.5 智能体推理与编码（ARC）基础模型

这份技术报告要回答的核心问题是：一个参数规模不算最大的基础模型，能否在智能体、推理和编码三类任务上同时做到有竞争力的水平，并把这种能力以模型发布的形式交代出来。GLM-4.5 给出的路线是多阶段训练加大规模后训练，再通过专家模型迭代和强化学习把能力推到基准前列。材料显示，GLM-4.5 在参数明显少于若干竞争者的情况下，整体排名进入所评估模型的前三，智能体基准上排到第二。对关心 ARC 能力如何被训练、又如何被评测的读者，这份报告提供了一个较完整的官方说明。

报告覆盖的范围集中在模型训练流程与 ARC 任务评测两端。训练侧，材料给出的关键数字是多阶段训练共使用 23T tokens，后训练阶段包含专家模型迭代与强化学习。评测侧，报告用 TAU-Bench 看智能体任务，用 AIME 24 看数学推理，用 SWE-bench Verified 看软件工程代码任务，并给出整体排名和智能体基准排名。模型发布侧，报告同时给出 GLM-4.5 与紧凑版 GLM-4.5-Air，前者 355B 参数，后者 106B 参数。换句话说，材料把“怎么训”“训出来什么水平”“放出什么尺寸”三件事放在同一份技术报告里交代。

关键数字首先落在三项基准上。GLM-4.5 在 TAU-Bench 上得分 70.1%，在 AIME 24 上得分 91.0%，在 SWE-bench Verified 上得分 64.2%。按材料列出的基准名称，这三项分别对应智能体交互、数学推理和软件工程代码任务，覆盖了标题所说的 Agentic、Reasoning、Coding 三个方向。单看分数，AIME 24 的 91.0% 尤其醒目，说明模型在数学推理基准上已经达到很高水平；TAU-Bench 的 70.1% 和 SWE-bench Verified 的 64.2% 则把关注点拉回智能体任务与工程代码场景。这里需要说明，以上只是报告给出的基准结果，材料没有展开评测细节。

第二个关键发现是参数效率与排名。材料明确写到，GLM-4.5 的参数比若干竞争者少得多，但在所有被评估模型中整体排名第三，在智能体基准上排名第二。这个对比的解读是：在 355B 这个量级上，训练 token 规模、后训练配方和强化学习策略可能比单纯堆参数更能解释 ARC 能力的提升。紧凑版 GLM-4.5-Air 只有 106B 参数，报告把它与 355B 版本一并发布，意图是推进推理与智能体 AI 系统的研究。换句话说，报告想传达的不只是“一个更大的模型”，而是一套可复用的训练与发布组合。

这些结论对实践的含义，需要区分“报告结论”和“解读”。从报告结论看，GLM-4.5 在 ARC 三类任务上都有可量化的表现，并且用较少参数取得了靠前排名，这为智能体系统选型提供了一个新的候选。解读来说，TAU-Bench 和 SWE-bench Verified 的高分更接近“模型在特定评测设置下的表现”，不等于在任意生产环境中都能复现；AIME 24 的高分也主要反映数学推理基准上的表现。另一个实际影响是尺寸选择：355B 版本适合追求更强能力的场景，106B 的 Air 版本则为资源受限的研究与部署留出空间。报告同时强调发布模型是为了推进推理与智能体 AI 系统研究，这意味着它的主要价值在研究与基线建立，而非直接给出产品级部署方案。

这份材料适合研究推理模型、智能体系统和代码生成的研究者与工程师读，也适合需要判断“多大参数、什么训练配方能撑起 ARC 能力”的技术决策者。读完能拿走三样东西：23T tokens 多阶段训练加专家迭代与强化学习的流程框架，TAU-Bench 70.1%、AIME 24 91.0%、SWE-bench Verified 64.2% 这组基准坐标，以及 355B 与 106B 两个发布尺寸的定位。边界也要说清楚：材料只提供了技术报告层面的概述和关键数字，没有展开数据构成、消融实验、评测协议和许可证等信息；排名“第三”“第二”也是在报告所评估的模型集合内成立，不能外推为普遍结论。把这份报告当作理解 GLM-4.5 训练思路和基准表现的入口，比把它当作完整复现指南更合适。