KwaiKAT lanza KAT-Coder-Pro V2.5, demuestra capacidades avanzadas de codificación

¡El modelo de codificación chino está arrasando! KAT-Coder-Pro V2.5 de Kuaishou resuelve un error real en 1 minuto y 20 segundos y crea manualmente “Minecraft” con 1,395 líneas de código; su capacidad de ingeniería a largo plazo se acerca a Opus 4.8; ya no necesitas ser el cuidador de la IA.

Autor y fuente del artículo: Nuevos智元

¿Realmente ha llegado la codificación con IA a este punto?

Por más que lo promocionen, nada supera la prueba real. A continuación, llevaremos directamente al KAT-Coder-Pro V2.5 a más escenarios reales para explorar completamente sus capacidades.

Sin más rodeos, aquí está el secreto: esta IA integrada en CC es la KAT-Coder-Pro V2.5 lanzada por Kuaishou, un modelo agente de codificación de gama alta. Mientras otras IAs aún se disputan por «completar un fragmento de código», esta busca resolver el problema de «realizar todo el proyecto» por ti. Ese es precisamente el abismo final que enfrentan todos los modelos de codificación.

El penalti anterior solo era un calentamiento; ahora aumentaremos la intensidad con la V2.5 y recrearemos en vivo Minecraft.

Las instrucciones también tienen más de 400 líneas. Compártelas, aproximadamente así:

Archivo HTML individual, Three.js, primera persona. 14 bloques, cada uno con dureza, transparencia y propiedades de colisión; la roca base es indestructible. Todos los texturas deben generarse programáticamente como imágenes de 16×16 píxeles con Canvas—no se permiten texturas externas. Generación procedural de una isla mediante ruido con semilla fija, con colinas, costa, aguas poco profundas y vetas minerales subterráneas. Generación procedural de un bosque de robles, más una cabaña en el bosque accesible (suelo de madera, pilares de troncos, ventanas de vidrio, techo de piedras redondas, chimenea de ladrillo), y un camino de piedras redondas que parte desde el punto de aparición hasta la cabaña. Al apuntar, se muestra un contorno; al mantener presionado el botón izquierdo, aparece una barra de progreso; al excavar, se generan partículas de escombros. Los efectos de sonido se sintetizan en tiempo real con Web Audio.

Inmediatamente, se completa un mundo jugable de Minecraft. Haz clic en "Entrar al mundo" y el ratón se bloquea dentro de la pantalla. Bajo tus pies hay hierba, y arriba, un cielo azul; un sendero de piedra se extiende desde tus pies, rodea un roble y lleva hasta una pequeña casa detrás del árbol: paredes de tablas, pilares de troncos, techo de piedra y una chimenea de ladrillo rojo, con ventanas de vidrio incrustadas en todos los lados. A continuación, camina hacia un espacio abierto frente a la casa, mantén presionado el botón izquierdo y escucha un "pop" mientras el bloque de hierba se rompe. Una docena de pequeños cubos verdes saltan del hoyo, girando al caer. El color de los fragmentos es exactamente el mismo que el del bloque que acabas de extraer. Luego, desliza la barra de herramientas para seleccionar materiales como arena, madera de roble y piedra; es momento de poner en práctica tus habilidades para construir una casa. Para tu sorpresa, en este pequeño mundo también presencias una puesta de sol que tiñe todo el horizonte.

Probemos otro tipo interactivo: que V2.5 cree un sistema solar con las manos desnudas. Para evaluar sus límites, le dimos condiciones extremadamente estrictas:

1000+ líneas de indicaciones, los puntos clave son principalmente los siguientes:

Un solo archivo HTML, solo Canvas 2D, no se permite Three.js. Ocho planetas y once satélites, todos con elementos orbitales reales del epoch J2000: semieje mayor, excentricidad, inclinación, longitud del nodo ascendente, parámetro del pericentro, ángulo verdadero medio. Prohibido expresamente usar angle += speed. Los planetas y satélites deben resolver la ecuación de Kepler mediante iteración de Newton, y todos deben compartir el mismo daysSinceJ2000. La rotación de Venus y Urano debe ser negativa. Tritón debe orbitar en sentido retrógrado con una inclinación de 157.3°. Los anillos de Saturno y Urano deben dibujarse en dos pasos, primero el trasero y luego el delantero, para que el planeta pueda ocultarlos. A altas velocidades, los satélites deben activar el modo trayectoria para evitar parpadeo. Al pausar, la rotación superficial de los planetas también debe detenerse; al reproducir hacia atrás, debe retroceder en reversa. Superficies planetarias generadas completamente por programación: Júpiter debe tener la Gran Mancha Roja, que gira y atraviesa el hemisferio visible; los continentes de la Tierra deben desaparecer al girar hacia el lado opuesto y reaparecer desde el otro lado. Además: ocho niveles de velocidad temporal, dos escalas orbitales, cámara virtual seguidora, 700 estrellas con semilla fija, cinturón de asteroides, cinturón de Kuiper, diseño responsivo, nueve teclas de acceso rápido.

Ante una necesidad tan compleja, V2.5 demostró un pensamiento ingenieril de libro de texto. Descompuso con precisión todo el proyecto: desde el diseño de la arquitectura y las estrategias de cálculo de órbitas, hasta el sistema global de proporciones de doble vía, la generación del fondo estelar, la renderización por capas de los anillos planetarios y la coordinación del complejo sistema satelital. Todos los módulos avanzan de forma jerárquica, con una lógica impecable. Sin más preámbulos, pasemos directamente a la demostración.

Abre esta página web; en el centro aparece la fecha de hoy, y las ocho planetas en la pantalla se encuentran exactamente en sus posiciones reales en este momento. Esto no es un diagrama del sistema solar, ¡es un sistema solar en funcionamiento real! El Sol está en el centro, y los planetas se extienden uno tras otro. Entre Marte y Júpiter, hay un anillo de polvo fino que gira lentamente: el cinturón de asteroides. Todos los cuerpos celestes, todas las lunas y cada nube en la superficie de los planetas están controlados por un mismo tiempo de simulación. Al presionar el botón de pausa, los planetas dejan de orbitar, las lunas dejan de orbitar y la Tierra deja de girar sobre su eje. Haz clic en Saturno y un panel de información se desliza hacia la derecha. En la pequeña ventana de vista previa en la parte superior del panel, Saturno gira lentamente sobre su eje, sus anillos giran junto con él, y las relaciones de superposición delante y detrás son perfectamente precisas. Esto ya no parece una tarea escolar; parece un producto lanzado.

A continuación, volvimos a someter a KAT-Coder-Pro V2.5 a un bug real de código abierto. El resultado fue mucho más emocionante que una prueba de rendimiento. El problema proviene de humanize, una biblioteca de Python de código abierto real. En 2024, tuvo un bug real: naturaldelta(timedelta(hours=-5)) debería haber devuelto «5 hours», pero en su lugar decía «a day». Cinco horas negativas se tradujeron como un día entero. Volvimos el repositorio al commit en el que aún existía el bug, le dimos únicamente el issue y luego lo dejamos actuar sin darle ninguna pista. Después de buscar 2 patrones y leer 2 archivos, proporcionó directamente el diagnóstico: Python almacena timedelta negativos en complemento, por lo que timedelta(hours=-5) internamente es days=-1, seconds=68400. El código original aplicaba abs() por separado a ambos componentes: -1 día se convirtió en 1 día, y 68400 segundos se mantuvieron sin cambios, lo que resultó en «1 día + 19 horas». Este análisis de la causa raíz coincide exactamente con la diagnóstica de la corrección oficial: almacenamiento en complemento, signos inconsistentes entre componentes y el error causado por aplicar abs() por separado. Sin embargo, su solución difiere de la oficial: la oficial toma el valor absoluto del timedelta completo, mientras que él optó por convertir primero a segundos totales y luego dividir. Por cierto, toda esta ronda se ejecutó en Claude Code. Y Claude Code es precisamente uno de los entornos de entrenamiento mencionados explícitamente en Harness Scaling oficial: mini-swe-agent, Claude Code, Codex, OpenClaw. Practicar repetidamente en múltiples marcos busca lograr «no sufrir maladaptación al cambiar de marco». En pruebas reales, efectivamente logró una adaptación perfecta, sin ningún signo de «maladaptación».

La última pregunta no es arreglar un error, sino introducir un conjunto completo de nuevas funciones en un sistema en funcionamiento. Todos lo han experimentado: subes un archivo de 1 GB, llega al 92%, se corta la conexión. Recargas la página… y vuelve a empezar desde el 0%. La solución se llama carga por fragmentos: divide el archivo en mil partes, y si se interrumpe, solo subes las partes que faltan. Suena sencillo: dividir, subir, volver a unir. Pero lo difícil no son esos tres pasos, sino el caos intermedio:

Los fragmentos llegan fuera de orden. El cliente vuelve a intentar la conexión, pero el servidor no puede distinguir si se trata de un reintento o una sobrescritura. Al reiniciar el servidor, los 700 fragmentos en el disco se convierten en huérfanos sin dueño. Incluso si todos llegan completos, eso no garantiza que se hayan transmitido correctamente.

Corrió durante 20 minutos y 12 segundos. La solución consistió en dividir el disco en tres compartimentos: publicados, metadatos de progreso y fragmentos incompletos. Los fragmentos siempre permanecen en chunks/, físicamente inaccesibles desde la zona publicada. Los metadatos se escriben primero en un archivo temporal y luego se renombran de forma atómica. Esto se hace porque el proceso podría caerse justo a mitad de la escritura del progreso, dejando datos corruptos. Al escribir primero un archivo completo y luego cambiar su nombre en un solo paso, o bien todo tiene éxito o todo falla. Tras reiniciar, basta con escanear brevemente para recuperar inmediatamente el progreso. Se realizan fragmentaciones repetidas y comparaciones bit a bit. Una forma perezosa sería: «si ya hay un fragmento en esta posición, asumir que es un duplicado y permitirlo». Pero esta implementación compara byte por byte: si hay la más mínima discrepancia, se lanza un error y los datos originales permanecen intactos. El resultado final son 8 archivos, aproximadamente 1400 líneas de código, cinco nuevas API, 26 pruebas de carga, y en el lado del navegador se implementaron completamente la pausa y reanudación, así como la recuperación tras recargar la página. npm test → 33 pruebas, 0 fallos. Además, ninguno de los cinco interfaces antiguos se rompió. La clave de este problema fue recordar, durante esos veinte minutos, cada uno de esos «¿y si…?» sin omitir ninguno. En la ingeniería de software real, el noventa por ciento del esfuerzo se invierte en estos «¿y si…?».

La capacidad de nivel agente se acerca mucho a Opus 4.8

Volvamos a revisar el desempeño de KAT-Coder-Pro V2.5 en las listas reales. En PinchBench, que mide la capacidad de uso de herramientas agénticas, KAT-Coder-Pro V2.5 obtuvo 94.2 puntos, superando a Opus 4.8. En SWE-Bench Pro, considerado el ranking de ingeniería de software a nivel de repositorio más difícil, logró 65.2 puntos, solo por detrás de Opus 4.8 (69.2 puntos), y superando claramente una serie de modelos nacionales. Además, en el conjunto de evaluación de ingeniería real construido internamente, KAT Code Bench, obtuvo 53.1 puntos, ubicándose también en el segundo grupo; y en el conjunto de evaluación agéntica orientado a negocios, KAT Claw Bench, alcanzó 85.5 puntos, compitiendo de cerca con los mejores modelos cerrados y abiertos. Dentro de toda la competencia de modelos de codificación, esto representa un ascenso real al primer escalón. Tras conocer la verdadera capacidad de KAT-Coder-Pro V2.5, es hora de examinar su implementación técnica subyacente.

Desglose de la tecnología principal

En esta ocasión, el equipo KwaiKAT realizó una actualización sistemática centrada en «cadenas de tareas más largas y flujos de trabajo empresariales más complejos». En concreto, KAT-Coder-Pro V2.5 logró avances integrales en tres dimensiones clave:

Capacidad de ingeniería a largo plazo, capacidad agente general y el sistema de aprendizaje por refuerzo agente a gran escala que lo sustenta.

“Alto puntaje en un solo archivo” y “capacidad real para trabajar en el proyecto” son dos cosas distintas

La realidad que hay que reconocer: pedirle a una IA que «complete una función» y pedirle que «termine una tarea de ingeniería de software» son dos capacidades de niveles completamente distintos. Lo primero, los modelos actuales ya lo dominan sobradamente. Pero la verdadera ingeniería de software siempre tiene otra cara. Los tres errores más comunes que cometen los modelos en tareas de repositorios largos son: ubicar mal archivos cruzados, no respetar las normas del proyecto y entregar código sin pasar las pruebas. Y el verdadero cuello de botella suele estar en un lugar contraintuitivo: lo que detiene a los modelos no es cuánto código han leído, sino cuántos proyectos reales han ejecutado completamente. El problema es que crear entornos de repositorios ejecutables y verificables en masa es extremadamente difícil; la tasa de éxito directa en la industria ha estado históricamente alrededor del 16,5%. En otras palabras, lograr que funcione uno de cada seis repositorios ya es bastante bueno. La solución de KwaiKAT es AutoBuilder, que convierte al modelo en un «ingeniero de entornos»: analiza el repositorio, genera la configuración y verifica en un sandbox aislado si las pruebas se ejecutan realmente; si no funciona, itera automáticamente para corregirlo. El resultado es inmediato: la tasa de éxito en la construcción de entornos aumentó del 16,5% al 57,2%, acumulando más de 100.000 entornos de repositorios ejecutables y verificables que cubren 12 lenguajes de programación. Los tipos de cambios en estos entornos abarcan corrección de errores, implementación de funciones faltantes, compatibilidad de interfaces, interacción entre módulos y reparación de regresiones, replicando casi todos los escenarios que se encuentran en el desarrollo real. Esto es precisamente el «taller de entrenamiento» de la versión V2.5. En el procesamiento de datos también hay una estrategia ingeniosa. La industria tiene la costumbre de «mantener lo correcto y descartar lo incorrecto», pero KwaiKAT busca oro en los fracasos: muchos fracasos solo necesitan un último empujón; la dirección es correcta, la localización es precisa, pero falta un juicio clave. El equipo filtra estos casos, les aplica indicaciones específicas y vuelve a ejecutarlos, logrando que aproximadamente el 20% se convierta en datos de entrenamiento de alta calidad y reproducibles. Así, el modelo aprende no solo «cómo hacerlo bien», sino también algo aún más valioso: «cómo recuperarse cuando se equivoca».

Agente universal, de «sabe llamar herramientas» a «puede soportar operaciones»

Codificar es solo la mitad de la capacidad agente. La otra mitad es manejar flujos de trabajo empresariales reales. Las evaluaciones actuales de llamadas a herramientas se centran principalmente en tareas atómicas: consultar el clima, reservar un boleto, y terminar en aproximadamente cinco rondas. Pero los flujos de trabajo empresariales reales son de otro nivel; por ejemplo:

Lee los trending de varias plataformas durante una semana, filtra los ítems del sector de videos cortos, obtén los cinco más populares por plataforma, y genera un informe con capítulos y límites de palabras, ordenado por fecha en orden descendente, sin inventar datos.

Este tipo de tareas implican más de diez rondas de interacción, además de una serie de restricciones implícitas de formato y coherencia; si se rompe un solo eslabón, todo el proceso se arruina. Al igual que la ingeniería a largo plazo, esta capacidad se entrena en el «taller». En el lado del código, lo maneja AutoBuilder; en el lado del negocio, lo soporta KwaiClawEnv: tres capas que trabajan en conjunto en un ciclo cerrado:

• La capa de servicio amplía dinámicamente el pool y convierte una gran cantidad de habilidades de la comunidad en servicios desplegables;
• La capa Task genera una gran cantidad de variantes de tareas a partir de casos de negocio reales como semilla;
• La capa Eval utiliza un doble filtro de «reglas estrictas + revisión por modelo» para conservar solo trayectorias ejecutables, verificables y de comportamiento natural.

Los datos de entrenamiento generados contienen, en promedio, 15 llamadas a herramientas por trayectoria individual, con un máximo superior a 100 pasos, abarcando análisis de datos, integración entre sistemas, procesamiento por lotes de documentos y generación de informes. Estas son exactamente las tareas que miles de ingenieros y profesionales de negocio en Kuaishou enfrentan diariamente.

Aprendizaje por refuerzo a gran escala, para que la IA aprenda por sí misma «cómo hacerlo»

La supervisión del ajuste fino permite que el modelo copie ejemplos, pero se desconcierta ante errores desconocidos y retroalimentación inesperada. Lo que realmente enseña al modelo a explorar, corregir y verificar es el RL a gran escala. El equipo KwaiKAT enfocó sus esfuerzos en los siguientes tres aspectos:

Primero, el andamiaje no tiene límites (Harness Scaling).

Entrenar al modelo en una rotación de diversos marcos como mini-swe-agent, Claude Code, Codex y OpenClaw. Estos marcos presentan grandes diferencias en protocolos de llamada, gestión de contexto y flujo de control, obligando al modelo a desarrollar sus habilidades directamente en la resolución de tareas, para que no sufra dificultades al cambiar de marco.

En segundo lugar, la asignación de crédito a largo plazo.

En cientos de interacciones, ¿en qué paso exactamente se lograron los buenos resultados? El equipo utilizó PPO asimétrico: mientras el modelo opera solo con información del entorno real, el Critic encargado de la evaluación puede aprovechar adicionalmente una «visión de dios»: así, la recompensa o penalización se asigna con precisión al paso específico, evitando el efecto «un solo error lo arruina todo».

Tercero, tres niveles de recompensas.

Bloquear las vías de manipulación de pruebas mediante resultados reales de bloqueo en la capa superior; estandarizar hábitos de ingeniería como la llamada a herramientas y la limpieza de archivos temporales en la capa media; y proporcionar retroalimentación positiva a los fracasos valiosos, como «ubicación precisa, pruebas parciales», para proteger la curiosidad exploratoria del modelo. Cabe destacar que el equipo inicialmente creyó que el problema del bajo reward era un problema algorítmico, pero tras la investigación descubrieron que el culpable era el propio entorno de entrenamiento: en aproximadamente el 16% de las trayectorias tempranas, al menos un fracaso provenía del sandbox y no del modelo. Tras una intensa mejora de la infraestructura, la tasa de errores del sandbox se redujo por debajo del 2%, y la frecuencia de colapsos de entrenamiento disminuyó aproximadamente un orden de magnitud. Son precisamente estas tareas fundamentales, aparentemente insignificantes, las que sustentan un entrenamiento estable posterior.

Un modelo que incorpora cinco capacidades

Proyectos a largo plazo, agente general, interfaz de usuario, estética de frontend, conocimiento general: KwaiKAT entrenó a un experto en cada una de estas cinco áreas. Lo difícil fue integrarlas en un solo modelo, evitando el efecto “presionar un extremo hace que el otro suba”. La solución del equipo fue MOPD (Distilación de Estrategias en Línea con Múltiples Maestros): el estudiante resuelve los problemas por sí mismo, y según el dominio del problema, se consulta al experto correspondiente; las capacidades se fusionan en el espacio de funciones, no mediante combinación rígida de parámetros.

Un KAT-Coder-Pro V2.5 que integra las habilidades de cinco expertos, sin necesidad de cambiar durante la implementación: escribe código, ejecuta flujos y crea páginas, todo en uno.

La excelente capacidad estética del frontend anterior se ha mantenido completamente en esta versión, lo que confirma precisamente este mecanismo: las nuevas habilidades se han ampliado significativamente, mientras que las antiguas no se han perdido en absoluto. Esta reestructuración exhaustiva ha dado como resultado directamente el historial más convincente.

La segunda mitad del coding se trata de "ingeniería"

Detrás de KAT-Coder-Pro V2.5 hay un juicio claro: actualmente, la limitación para hacer más fuertes los modelos de programación ya no es el "tamaño del modelo", sino la solidez de la infraestructura circundante. Por ello, la construcción del entorno, la síntesis de trayectorias, la estabilidad de RL y la fusión de capacidades se han tratado como proyectos sistémicos de primera clase. El resultado es un perfil de capacidades claro: uso agente de herramientas de primer nivel, junto con capacidades de ingeniería a nivel de repositorio que se acercan más que ninguna otra a la vanguardia global. Para los desarrolladores, esto significa que finalmente pueden confiar en enviar un issue completo o un flujo de trabajo entero para que se ejecute sin tener que actuar como cuidadores del AI. Ahora, KAT-Coder-Pro V2.5 ya está disponible en su totalidad y puedes experimentarlo inmediatamente. Para comenzar: llama directamente a la API a través de StreamLake.com (ID del modelo: kat-coder-pro-v2.5).