KwaiKAT تطلق KAT-Coder-Pro V2.5، وتُظهر قدرات برمجية متقدمة

نموذج البرمجة الصيني الصنع يُحدث ضجة! اختبار KAT-Coder-Pro V2. من قبل Kuaishou: إغلاق فعلي لخطأ في دقيقة و20 ثانية، وبناء لعبة "ماين كرافت" يدويًا من 1395 سطرًا من الشيفرة، وقدرة طويلة المدى على الهندسة تقترب من Opus 4.8، لم تعد بحاجة إلى أن تكون مُساعدًا للذكاء الاصطناعي.

مؤلف المقال، المصدر: جديد الذكاء

هل وصل ترميز الذكاء الاصطناعي المُختبر عمليًا إلى هذا الحد؟

مهما تم الترويج له، لا شيء يُثبت فعاليته مثل التطبيق العملي. في ما يلي، سنُدخل KAT-Coder-Pro V2.5 في مزيد من السيناريوهات الواقعية لاستكشاف إمكانياته بالكامل.

لا نُطيل، نكشف مباشرةً — هذا الذكاء الاصطناعي المدمج في CC هو KAT-Coder-Pro V2.5 الذي أصدرته Kuaishou، وهو نموذج ترميز موجه بالوكيل من الفئة الرائدة. بينما قد لا يزال الذكاء الاصطناعي الآخر يتنافس على "مساعدتك في إكمال جزء من الكود"، فإن هذا النموذج يهدف إلى حل مشكلة "إتمام المشروع بالكامل" نيابةً عنك. وهذا بالضبط هو الفجوة النهائية التي تواجه جميع نماذج الترميز.

الركلة الجزائية السابقة كانت مجرد تدريب، والآن سنزيد من الشدة على V2.5 ونعيد إنشاء Minecraft مباشرة.

يحتوي مُحفّز التعليمات على أكثر من 400 سطر. قم بالضغط عليه، تقريبًا كالتالي:

ملف HTML واحد، Three.js، من منظور الشخص الأول. 14 مكعبًا، لكلٍّ منها صلابة وشفافية وخصائص تصادم، والصخور الأساسية غير قابلة للتدمير. يجب توليد جميع النسيجات باستخدام رسومات Canvas بحجم 16×16 بكسل — لا يُسمح باستخدام أي صورة خارجية. توليد جزيرة باستخدام ضجيج بذرة ثابتة، مع تلال وساحل ومياه ضحلة وشعاب تحت الأرض. توليد غابة من أشجار البلوط، بالإضافة إلى كوخ صغير يمكن الدخول إليه (أرضية خشبية، أعمدة خشبية، نوافذ زجاجية، سقف من الحجارة المستديرة، مدخنة من الطوب)، وتمتد ممر من الحجارة المستديرة من نقطة الظهور إلى الكوخ. عند التوجيه، تظهر مربعات مOutline، وعند الضغط المطول على الزر الأيسر، يظهر شريط تقدم، وعند تدمير المكعب، تسقط جسيمات متحللة. تُولد المؤثرات الصوتية باستخدام Web Audio مباشرة.

وبالتالي، تم إكمال عالم "ماين كرافت" القابل للعب. اضغط على "الدخول إلى العالم"، وسيتم قفل الفأرة داخل الشاشة. تحت قدميك عشب، وأمامك سماء زرقاء، وطريق من الحجارة الدائرية يمتد من قدميك، ي绕过 شجرة البلوط، ويؤدي إلى الكوخ خلف الشجرة—جدران من ألواح خشبية، أعمدة من الخشب الخام، سقف من الحجارة الدائرية، ومدفأة من الطوب الأحمر، مع نوافذ زجاجية مثبتة حول الجدران. بعد ذلك، اتجه نحو فراغ أمام الكوخ، واضغط باستمرار على الزر الأيسر—"بوب"—فيتحطم مكعب العشب. يقفز عشرة مكعبات خضراء صغيرة من الحفرة، وتسقط مقلبة. لون الشظايا هو نفس لون المكعب الذي تم حفره للتو. بعد ذلك، قم بالتمرير عبر شريط الأدوات لاختيار مواد مثل الرمال وخشب البلوط والحجارة—حان الوقت لعرض مهاراتك في البناء. المفاجأة هي أنه في هذا العالم الصغير، شهدنا غروبًا يصبغ السماء بألوانه.

لنختبر مرة أخرى تفاعلًا، ونطلب من V2.5 أن يصنع مجموعة الشمس يدويًا. لاختبار قدراته، قمنا بفرض قيود شديدة جدًا:

أكثر من 1000 سطر من التعليمات، والنقاط الأساسية هي كما يلي:

ملف HTML واحد، باستخدام Canvas 2D فقط، لا يُسمح باستخدام Three.js. ثمانية كواكب و11 قمرًا، مع تقديم جميع عناصر المدار الحقيقية لمرجع J2000 — المحور شبه الأكبر، الانحراف، الميل، طول العقدة الصاعدة، معامل الحضيض، والزاوية المتوسطة. يُحظر صراحةً استخدام angle += speed. يجب فك معادلة كبلر باستخدام طريقة نيوتن-رافسون لكل من الكواكب والأقمار، مع استخدام نفس قيمة daysSinceJ2000 للجميع. يجب أن تكون دوران الزهرة وأورانوس سالبة. يجب أن يكون تريتون في حركة رجعية بميل 157.3°. يجب رسم حلقات زحل وأورانوس مرتين — مقدمة وخلفية — بحيث تُحجب الكواكب للحلقات. عند السرعات العالية، يجب تقسيم الأقمار إلى وضع المسار لتجنب التوهج. عند التوقف، يجب توقف دوران سطح الكواكب أيضًا، وعند التشغيل العكسي، يجب التراجع عكسيًا. يجب رسم سطح الكواكب بالكامل باستخدام البرمجة: يجب أن يحتوي المشتري على البقعة الحمراء الكبرى التي تتحرك عبر نصف الكرة المرئي مع الدوران؛ يجب أن تختفي القارات الأرضية عند دورانها إلى الجانب المظلم وتعود من الجانب الآخر. بالإضافة إلى ذلك: ثمانية مستويات سرعة زمنية، نوعان من نسب المدار، كاميرا افتراضية تتبع، 700 نجمة ثابتة ببذور محددة، حزام الكويكبات، حزام كايبر، تخطيط متجاوب، تسعة مفاتيح اختصار.

في مواجهة هذا الطلب المعقد، أظهر V2.5 تفكيرًا هندسيًا نموذجيًا. لقد قسم المشروع بدقة: من تصميم البنية الأساسية واستراتيجيات حساب المدار، إلى نظام النسبة المزدوجة الشامل، وتوليد خلفية السماء النجمية، ثم رسم النجم الرئيسي، وتقديم طبقات حلقات الكواكب، وتنسيق نظام الأقمار المعقد. جميع الوحدات متسلسلة بشكل تدريجي، مع منطق مترابط بدقة. لا داعي للكلام الكثير، دعونا نعرضه مباشرة.

افتح هذه الصفحة، في المنتصف تظهر تاريخ اليوم، بينما تقع الكواكب الثمانية على الشاشة في مواقعها الحقيقية في هذا اللحظة. هذا ليس مجرد رسم توضيحي للنظام الشمسي، بل هو نظام شمسي يعمل فعليًا! الشمس تقع في المركز، وتنتشر الكواكب واحدة تلو الأخرى. بين المريخ والمشتري، تدور دائرة من الغبار الدقيق ببطء — حزام الكويكبات. جميع الأجرام، جميع الأقمار، وكل سحابة على سطح الكواكب، تم ضبطها جميعًا ليتم تشغيلها بواسطة نفس وقت المحاكاة. عندما تضغط على زر الإيقاف المؤقت، تتوقف الكواكب عن الدوران حول الشمس، وتتوقف الأقمار عن الدوران، وتتوقف الأرض عن الدوران حول نفسها. اضغط على زحل، فتظهر لوحة معلومات من الجهة اليمنى. داخل نافذة المعاينة الصغيرة في أعلى اللوحة، يدور زحل ببطء، وتدور الحلقات معه، دون أي خطأ في ترتيب التغطية الأمامية والخلفية. هذا لم يعد كأنه واجبًا مدرسيًا، بل كأنه منتج تم إطلاقه فعليًا.

بعد ذلك، أدخلنا KAT-Coder-Pro V2.5 في خطأ مفتوح المصدر حقيقي. كانت النتائج أكثر إثارة من اختبار الأداء. جاءت المسألة من humanize، وهو مكتبة مفتوحة المصدر حقيقية مكتوبة بلغة Python. في عام 2024، كان لديها خطأ حقيقي: naturaldelta(timedelta(hours=-5))، الذي كان ينبغي أن يعيد "5 hours"، لكنه أعاد "a day". تم تحويل خمس ساعات سالبة إلى يوم كامل. أعدنا المستودع إلى الـ commit الذي كان لا يزال يحتوي على الخطأ، وأعطيناه فقط تقرير المشكلة، ثم تركناه دون أي تلميحات. بعد البحث في نمطين وقراءة ملفين، قدم تشخيصًا مباشرًا — أن Python تخزن timedelta السالبة باستخدام التكملة، وبالتالي فإن timedelta(hours=-5) يُخزن داخليًا كـ days=-1, seconds=68400. كان الكود الأصلي يأخذ القيمة المطلقة لكل مكون على حدة، فتحول اليوم السالب إلى يوم إيجابي، وترك الثواني 68400 كما هي، مما أدى إلى تكوين "يوم + 19 ساعة" بشكل اصطناعي. هذا التحليل للسبب الجذري يتوافق تمامًا مع تشخيص الإصلاح الرسمي — التخزين بالتكملة، عدم تطابق إشارات المكونات، وتطبيق abs على كل مكون على حدة مما تسبب في الخطأ. لكن العلاج الذي اقترحه لا يتطابق مع العلاج الرسمي: فالإصلاح الرسمي يأخذ القيمة المطلقة لـ timedelta ككل، بينما اختار هو تحويله أولًا إلى إجمالي الثواني ثم إعادة تقسيمه. جدير بالذكر أن هذه الدورة الكاملة تم تشغيلها على Claude Code. وClaude Code هو أحد بيئات التدريب التي تم ذكرها صراحةً في Harness Scaling — mini-swe-agent وClaude Code وCodex وOpenClaw. إن التدريب المتكرر عبر أطر متعددة يهدف إلى تحقيق "التكيف التام مع أي إطار دون مشاكل". وقد أثبتت التجربة العملية أنه حقق التكيف المثالي تمامًا، دون أي علامات على "عدم التكيف".

السؤال الأخير ليس إصلاح خطأ، بل إدخال مجموعة كاملة من الميزات الجديدة إلى نظام حي. لقد مرّ الجميع بذلك: ترفع ملفًا بحجم 1 جيجابايت، وعندما يصل إلى 92٪، ينقطع الاتصال. تُعيد التحديث — فيبدأ من 0٪ من جديد. الحل يُسمى التحميل المجزأ: تقسيمه إلى ألف جزء، فإذا انقطع الاتصال، تُكمل فقط الأجزاء التي لم تُحمّل. يبدو الأمر بسيطًا: قسم، وحمّل، واعمل دمجًا مرة أخرى. لكن الصعوبة ليست في هذه الخطوات الثلاث، بل في الفوضى الهائلة التي تحدث في الوسط:

وصلت الشظايا بشكل عشوائي. العميل أعاد الإرسال بعد انقطاع الاتصال، لكن الخادم لا يستطيع التمييز بين إعادة المحاولة والتغطية. عند إعادة تشغيل الخادم، أصبحت 700 شظية على القرص يتيمة بدون مالك. وحتى لو وصلت جميعها، فهذا لا يعني أن النقل كان صحيحًا.

استغرق الأمر 20 دقيقة و12 ثانية. الحل كان تقسيم القرص إلى ثلاثة أدراج: المنشورة، وبيانات التقدم، والشظايا غير المكتملة. تبقى الشظايا دائمًا داخل مجلد chunks/، بحيث لا يمكن الوصول فعليًا إلى منطقة المنشورة. تُكتب بيانات التقدم أولاً في ملف مؤقت، ثم تُعاد تسميته ذريًا. لأن العملية قد تنقطع فجأة أثناء كتابة تقدم التحميل، مما يترك بيانات ناقصة. الكتابة الكاملة أولاً، ثم التغيير الذري للاسم يضمن أن تكون النتيجة إما ناجحة بالكامل أو فاشلة بالكامل. بعد إعادة التشغيل، يتم مسح سريع ويعود تقدم التحميل فورًا. يتم إعادة تقسيم الملفات ومطابقة كل بايت. الطريقة الكسولة هي: "إذا كان هناك جزء في هذا الموضع، فاعتبره مكررًا واسمح له". أما هذه الطريقة فتُقارن كل بايت على حدة: إذا كان هناك أي اختلاف، يتم إصدار خطأ والبيانات الأصلية تبقى دون تغيير. الناتج النهائي هو 8 ملفات، حوالي 1400 سطر من الكود، خمسة واجهات برمجة تطبيقات جديدة، و26 اختبارًا للتحميل، مع تنفيذ كامل لوظائف الإيقاف المؤقت واستئناف التحميل واستعادة الحالة بعد إعادة التحميل في المتصفح. npm test → 33 اختبارًا، 0 فشل. بالإضافة إلى ذلك، لم تتأثر أي من الواجهات الخمس القديمة. المفتاح الحقيقي لهذه المسألة كان في العشرين دقيقة، حيث لم يُهمل أي من السيناريوهات "ماذا لو...". في هندسة البرمجيات الحقيقية، تُستهلك تسعة أعشار الجهد في التعامل مع هذه السيناريوهات "ماذا لو...".

قدرات Agent على مستوى المهندس تقترب من Opus 4.8

دعونا نلقي نظرة أخرى على أداء KAT-Coder-Pro V2.5 في القوائم الحقيقية. في PinchBench، الذي يقيس قدرة الأدوات العاملة، حصل KAT-Coder-Pro V2.5 على درجة 94.2، متفوقًا على Opus 4.8. وفي قائمة SWE-Bench Pro، التي تُعتبر "الأصعب" في هندسة البرمجيات على مستوى المستودعات، حصل على درجة 65.2، متأخرًا فقط عن Opus 4.8 (69.2)، ومتقدمًا بشكل ملحوظ على مجموعة من النماذج المحلية. بالإضافة إلى ذلك، في مجموعة التقييم الهندسية الحقيقية التي أنشأناها داخليًا KAT Code Bench، حصل على درجة 53.1، مما يضعه في الفئة الثانية؛ وفي مجموعة تقييم العاملين التجارية KAT Claw Bench، حصل على درجة 85.5، متنافسًا عن كثب مع أفضل النماذج المغلقة والمفتوحة المصدر. في سياق سباق نماذج البرمجة بأكمله، هذه خطوة حقيقية نحو الدخول إلى الطليعة. بعد الاطلاع على القوة الحقيقية لـ KAT-Coder-Pro V2.5، حان الوقت لاستكشاف تنفيذها الهندسي خلف الكواليس.

تحليل التقنية الأساسية

في هذه المرة، أجرت فرقة KwaiKAT ترقية منهجية حول "سلاسل مهام أطول وتدفقات عمل أعمال أكثر تعقيدًا". على وجه التحديد، حقق KAT-Coder-Pro V2.5 قفزات شاملة في ثلاثة أبعاد رئيسية:

القدرة على المشاريع طويلة المدى، والقدرة العامة على الوكلاء، ونظام التعلم المعزز الوكيلي الضخم الذي يدعم كل ذلك.

"الأداء العالي في ملف واحد" و"القدرة الفعلية على العمل داخل المشروع" هما أمران مختلفان

الواقع الذي يجب فهمه: هناك فرق جوهري بين طلب من الذكاء الاصطناعي "إكمال دالة واحدة" وبين طلب منه "إنهاء مشروع برمجي كامل". الأول، نماذج اليوم أصبحت تتقنه بسهولة. لكن الهندسة البرمجية الحقيقية تظل وجهًا آخر تمامًا. أكثر الأخطاء شيوعًا التي ترتكبها النماذج في مهام المستودعات الطويلة هي: تحديد المواقع الخاطئة عبر الملفات، وعدم الالتزام بمواصفات المشروع، وتقديم العمل دون اجتياز الاختبارات. وغالبًا ما يكون العائق الحقيقي في مكان غير بديهي: ما يعوق النموذج ليس عدد الأكواد التي قرأها، بل عدد المشاريع الحقيقية التي نجح في تشغيلها بالكامل. المشكلة تكمن في أن إنشاء بيئات مستودعات قابلة للتشغيل والتحقق بشكل جماعي صعب جدًا، حيث ظل معدل النجاح المباشر في الصناعة حوالي 16.5٪ لفترة طويلة. بمعنى آخر، نجاح بناء بيئة واحدة من بين ستة مستودعات يُعد إنجازًا جيدًا. حل KwaiKAT هو AutoBuilder، الذي يجعل النموذج يلعب دور "مهندس البيئة": تحليل المستودع، توليد التكوينات، والتحقق داخل بيئة معزولة ما إذا كانت الاختبارات تُنفذ فعليًا، وإذا فشلت، يُعيد التحسين تلقائيًا. النتائج كانت فورية: ارتفع معدل نجاح بناء البيئة من 16.5٪ إلى 57.2٪، وتم تجميع ما يزيد عن 100,000 بيئة مستودع قابلة للتشغيل والتحقق، تغطي 12 لغة برمجة. تشمل أنواع التغييرات في هذه البيئات إصلاح العيوب، إكمال الوظائف، التوافق مع الواجهات، التكامل بين الوحدات، وإصلاح التراجعات — وهي تقريبًا جميع السيناريوهات التي تواجهها التطويرات الحقيقية. هذا هو "ورشة التدريب" الخاصة بالإصدار V2.5. هناك أيضًا فكرة ذكية في معالجة البيانات: بينما تميل الصناعة إلى "الاحتفاظ بالصحيح وحذف الخاطئ"، فإن KwaiKAT تبحث عن الكنز في الفشل — فكثير من الفشل لا ينقصه سوى خطوة واحدة أخيرة: الاتجاه صحيح، والتحديد دقيق، لكنه يفتقد إلى حكم حاسم واحد. قام الفريق بتصفية هذه العينات وتشغيلها مرة أخرى مع إرشادات مخصصة، وحوالي 20٪ منها نجحت في التحول إلى بيانات تدريب عالية الجودة وقابلة للتكرار. وهكذا، لا يتعلم النموذج فقط "كيف يفعل الشيء الصحيح"، بل أيضًا — وأكثر قيمة — "كيف يصحح الخطأ عندما يحدث".

Agentic عام، من "القدرة على استخدام الأدوات" إلى "القدرة على تحمل الأعمال"

كتابة الكود هو فقط نصف قدرات Agentic. النصف الآخر هو التحكم في سير العمل التجاري الحقيقي. معظم تقييمات استدعاء الأدوات الحالية تركز على مهام ذرية — مثل التحقق من الطقس أو حجز تذكرة، وتنتهي بعد خمس جولات تقريبًا. لكن الأعمال الحقيقية هي مستوى آخر تمامًا، على سبيل المثال:

اقرأ اتجاهات البحث عبر المنصات المتعددة لأكثر من أسبوع، وصِفْ البنود المتعلقة بصناعة الفيديوهات القصيرة، واحصل على الخمسة الأكثر شعبية حسب كل منصة، ثم أنتج تقريرًا موجزًا بفصول وحدود عدد الكلمات، مرتبًا بالتاريخ من الأحدث إلى الأقدم، دون اختراع أي بيانات.

هذا النوع من المهام يتطلب أكثر من عشر تفاعلات، ومحاط بكم كبير من القيود الضمنية المتعلقة بالتنسيق والاتساق، وأي انقطاع في أي مرحلة يُفسد العملية بأكملها. مثل المشاريع الطويلة المدى، تُكتسب هذه القدرة من "ورشة العمل". من جانب الكود، يعتمد على AutoBuilder، ومن جانب الأعمال، يُديره KwaiClawEnv، مع تعاون ثلاثي الطبقات في حلقة مغلقة:

• طبقة الخدمة توسّع الحوض ديناميكيًا وتحول مهارات المجتمع الكبيرة إلى خدمات قابلة للنشر؛
• يُنشئ طبقة المهام عددًا هائلاً من متغيرات المهام بناءً على مهام حقيقية كبذور؛
• يستخدم طبقة Eval تصفية مزدوجة من "القواعد الثابتة + مراجعة النموذج" للحفاظ فقط على المسارات القابلة للتنفيذ والتحقق منها والطبيعية في السلوك.

في بيانات التدريب الناتجة، يحتوي مسار واحد متوسط على 15 استدعاء أداة، وأطولها يتجاوز 100 خطوة، ويشمل تحليل البيانات، والتكامل عبر الأنظمة، ومعالجة المستندات الدفعة، وإنشاء التقارير. هذه بالضبط هي المهام التي يواجهها آلاف المهندسين والموظفين التشغيليين في Kuaishou يوميًا.

تعلم تعزيزي واسع النطاق، ليتعلم الذكاء الاصطناعي بنفسه "كيف يفعل ذلك"

الضبط الخاضع للإشراف يسمح للنموذج بنسخ النماذج، لكنه يُصدم عند مواجهة أخطاء أو ملاحظات غير مألوفة. ما يُعلّم النموذج حقًا الاستكشاف والتصحيح والتحقق هو التعلم المعزز على نطاق واسع. ركّز فريق KwaiKAT جهوده على النقاط الثلاث التالية:

أولاً، لا توجد قيود على الهيكل الداعم (Harness Scaling).

اجعل النموذج يتدرب بالتناوب في سياقات متعددة مثل mini-swe-agent وClaude Code وCodex وOpenClaw. تختلف هذه الإطارات بشكل كبير في بروتوكولات الاستدعاء وإدارة السياق وتدفق التحكم، مما يجبر النموذج على تطوير مهاراته في "حل المهام" نفسها، بحيث لا يعاني من صعوبات عند التبديل إلى إطار آخر.

ثانيًا: توزيع الائتمان على المدى الطويل.

في مئات التفاعلات، ما هي الخطوة التي أدت إلى النتائج الجيدة؟ استخدم الفريق PPO غير المتماثل: أثناء أداء النموذج للمهام، يرى فقط معلومات البيئة الحقيقية، بينما يمكن لنقد التدريب (Critic) الاستفادة الإضافية من "منظور الإله" — مما يسمح بتحديد المكافآت والعقوبات بدقة على خطوة محددة، لتجنب "خطأ واحد يُدمّر كل شيء".

Thirdly, three-tier rewards.

تثبيت نتائج الاختبار الحقيقية على المستوى الأعلى لإغلاق أي طرق للتزوير؛ تنظيم عادات الهندسة على المستوى المتوسط مثل استدعاء الأدوات وتنظيف الملفات المؤقتة؛ وعلى المستوى الأساسي، تقديم تغذية راجعة إيجابية للإخفاقات ذات القيمة مثل "التحديد الدقيق، مع اختبار جزئي" لحماية رغبة النموذج في الاستكشاف. стоит الذكر أن الفريق اعتقد في مرحلة ما أن السبب في عدم ارتفاع المكافأة هو مشكلة في الخوارزمية، لكن التحقيق كشف أن المسبب الحقيقي هو بيئة التدريب نفسها — ففي حوالي 16% من المسارات المبكرة، كان هناك على الأقل فشل واحد ناتج عن البيئة المعزولة وليس النموذج. وبعد جولة من تطوير البنية التحتية القوية، تم خفض معدل أخطاء تغذية البيئة المعزولة إلى أقل من 2%، وانخفض تكرار انهيار التدريب بنحو درجة واحدة. إن هذه الأنشطة الأساسية غير البارزة هي التي دعمت التدريب المستقر الذي تلاها.

نموذج يحتوي على خمس قدرات

الهندسة طويلة المدى، الوكيل العام، الواجهة الخلفية، الجمالية الأمامية، المعرفة العامة — قام KwaiKAT بتدريب خبير واحد في كل مجال من هذه المجالات الخمسة. التحدي كان دمجها في نموذج واحد، مع تجنب "الضغط على القرع فيظهر الجوز" في التوازن. إجابة الفريق كانت MOPD (التدريس المتعدد عبر الإنترنت للتنقيح الاستراتيجي): الطالب يحل المسائل بنفسه، وعندما تنتمي المسألة إلى مجال معين، يُستعان بالخبير المعني، وتندمج القدرات في فضاء الدوال بدلاً من دمج المعلمات بشكل مباشر.

KAT-Coder-Pro V2.5، يجمع بين مهارات خمسة خبراء في آنٍ واحد، دون الحاجة إلى التبديل أثناء النشر — اكتب الكود، نفّذ العمليات، وصمّم الصفحات، كل ذلك من مكان واحد.

تم الحفاظ على قدرات الواجهة الأمامية المُحَبَّبة من الإصدار السابق بشكل كامل في هذه النسخة، مما يؤكد هذه الآلية: لقد توسعت القدرات الجديدة بشكل كبير، بينما لم تُفقد أي من القدرات القديمة. وقد أسست هذه إعادة الهيكلة المُكثفة مباشرةً إلى أفضل سجل إنجازات مقنع.

النصف الثاني من البرمجة يعتمد على "الهندسة"

خلف KAT-Coder-Pro V2.5 تقييم واعٍ: إن الحد الأكبر لقوة نماذج البرمجة اليوم لم يعد يكمن في "حجم النموذج"، بل في "متانة البنية التحتية المحيطة". لذا، تم التعامل مع بناء البيئة، وتركيب المسارات، واستقرار التعلم المعزز، ودمج القدرات كمشاريع نظامية ذات أولوية قصوى. والنتيجة هي صورة واضحة للقدرات: استخدام ممتاز للأدوات الذكية، إلى جانب قدرات هندسية على مستوى المخازن تقترب أكثر من أي وقت مضى من أحدث التطورات العالمية. بالنسبة للمطورين، يعني هذا أنهم يمكنهم أخيرًا الاعتماد على النموذج لإكمال مشكلة كاملة أو سير عمل متكامل دون الحاجة إلى أن يكونوا مُرَبّين للذكاء الاصطناعي. الآن، KAT-Coder-Pro V2.5 متاح بالكامل، ويمكنك تجربته فورًا. للبدء: استخدم API مباشرة عبر StreamLake.com (معرف النموذج: kat-coder-pro-v2.5).