Ipinaglunsad ng KwaiKAT ang KAT-Coder-Pro V2.5, ipinapakita ang advanced na coding capabilities

Nakakagulo ng mga lokal na coding model! Sa real-world test, ang KAT-Coder-Pro V2.5 ng Kuaishou ay nakapag-claim ng isang tunay na bug sa 1 minuto at 20 segundo, at nagbuo nang 1,395 linya ng code nang walang tulong upang lumikha ng Minecraft—ang kanyang kakayahan sa mahabang proyekto ay tumutugma sa Opus 4.8. Hindi na kailangang maging AI nanny.

May-akda ng artikulo, pinagkunan: XinZhiYuan

Isang pagsubok sa totoong buhay—nasa antas na ito na ba ang AI sa pag-code?

Anuman ang mga pangako, mas mahalaga ang praktikal na pagsubok. Susunod, ipapakilala namin ang KAT-Coder-Pro V2.5 sa mas maraming totoong sitwasyon upang masuri nang buo ang kanyang kakayahan.

Huwag nating ipaglalabas pa, diretso na ipapakita—ang AI na ito na isinaksak sa CC ay ang KAT-Coder-Pro V2.5 na inilabas ng Kuaishou, isang flagship na Agentic Coding model. Maaari pa ring magkakaroon ng iba pang AI ng pagpapahusay ng “isang piraso ng code,” ngunit ang ito ay naglalayong lutasin ang paggawa ng “buong proyekto” para sa iyo. Ito, ang huling pagkakaiba sa lahat ng Coding models.

Ang nakaraang penalty demo ay only warm-up lang, susunod ay i-dial ang intensity sa V2.5, at i-recreate ang Minecraft sa live.

Mayroon ding higit sa 400 na linya ang prompt. I-compact ito, ganito na lang:

Isang mag-isa HTML file, Three.js, first-person. 14 uri ng bloke, bawat isa ay may katigasan, transparensya, at mga katangian ng pagkakasalubong; ang bedrock ay hindi mapapabagsak. Lahat ng texture ay dapat gawin sa pamamagitan ng Canvas na nagpapagawa ng 16×16 pixel na imahe—hindi pinapayagan ang paggamit ng anumang eksternal na texture. Gumamit ng fixed-seed noise upang magpapagawa ng isang pulo na may mga burol, baybayin, maliit na tubig, at mga yugto ng minera sa ilalim ng lupa. Prosesuhin ang pagkakalikha ng isang kagubatan ng kahoy na kahoy, kasama ang isang maliit na bahay sa kagubatan na maaaring pasukin (kakahuyan sa sahig, mga poste ng kahoy, mga bintana ng salamin, bubong ng bato, at isang chimenea na gawa sa tisa), at maglagay ng isang daanan mula sa spawn point na gawa sa mga bato upang makapasok sa bahay. I-display ang outline kapag tinutukoy, at kapag hinawakan ang kaliwang pindot, ipakita ang progress bar; kapag nasira, maglalabas ito ng mga particle na parang alikabok. Gumamit ng Web Audio para sa live synthesis ng sound effects.

Agad, natapos ang isang playable na “Minecraft.” I-click ang “Enter World,” at isasaklaw ng mouse ang screen. Sa ilalim ng paa ay damo, sa itaas ay asul na kalangitan, at isang landas ng stone mula sa paa, umiikot sa around ng oak tree, patungo sa maliit na bahay sa likod nito—mga kahoy na pader, mga puno ng kahoy bilang mga haligi, bato na bubong, at isang chimneys na gawa sa pula, na may mga bintana na gawa sa salamin sa paligid nito. Pagkatapos, lumakad patungo sa isang bukas na lugar sa harap ng bahay, at habang pinipigil ang kaliwang pindot, may “pop” na tunog—nabasag ang block ng damo. Mga sampu-sampung maliit na green na cube ay lumabas mula sa liblib, at bumabagsak habang tumatalon. Ang kulay ng mga basag ay pareho sa kulay ng block na tinanggal. Pagkatapos, ililipat mo ang toolbar upang piliin ang mga materyales tulad ng buhangin, oak wood, at bato—nandito na ang oras para mag-imbento ng bahay. Ang pagkagulat: sa loob ng mundo na ito, nakita namin ang isang takip-silim na nagdilat ng buong kalangitan.

Isa pang pagsubok para sa isang interactive, pagsasagawa ng isang araw na sistema gamit ang kamay ni V2.5. Upang subukan ang kanyang kakayahan, ibinigay namin ang napakahirap na mga limitasyon:

1000+ na mga linya ng prompt, ang pangunahing puntos ay sumusunod:

Isang HTML, pure Canvas 2D, huwag gamitin ang Three.js. Walong planeta, 11 satellite—lahat ay may totoong orbital elements sa J2000 epoch: semi-major axis, eccentricity, inclination, longitude of ascending node, argument of periapsis, mean anomaly. Bawal ang angle += speed. Ang lahat ng planeta at satellite ay dapat lutasin gamit ang Newton-Raphson para sa Kepler’s equation, at magkakaroon ng iisang daysSinceJ2000. Ang pag-ikot ng Venus at Uranus ay dapat negative. Ang Triton ay dapat mag-ikot sa reverse, inclination 157.3°. Ang mga ring ng Saturn at Uranus ay dapat i-draw sa dalawang pagkakataon—una ang likod, pagkatapos ang harap—upang ma-block ng planeta. Sa mataas na bilis, ang satellite ay dapat mag-switch sa trajectory mode upang maiwasan ang flicker. Kapag naka-pause, ang pag-ikot ng surface ng planeta ay dapat tumigil; kapag naka-reverse, dapat bumalik nang pabalik. Ang lahat ng surface ng planeta ay dapat i-draw gamit ang code: ang Jupiter ay dapat may Great Red Spot na lumalabas sa visible hemisphere habang umiikot; ang mga kontinente ng Earth ay dapat mawala kapag napapalitan sa likod at bumabalik mula sa kabilang panig. Dagdag pa: walong antas ng bilis ng oras, dalawang scale ng orbit, virtual camera follow, 700 fixed-seed na bituin, asteroid belt, Kuiper belt, responsive layout, siyam na shortcut keys.

Sa harap ng ganitong kumplikadong pangangailangan, ipinakita ng V2.5 ang isang textbook-style na pagkakabuo. Ipinakikilala nito ang buong proyekto nang tumpak: mula sa disenyo ng arkitektura at estratehiya ng pagkalkula ng轨道, patungo sa pambuong sistema ng proporsyon ng dalawang track, pagbuo ng background ng langit, pagguhit ng pangunahing bituin, pag-render ng mga layer ng mga paligid ng planeta, at ang komplikadong pagpaplano ng sistema ng mga satelito. Ang lahat ng mga module ay nagkakasunod-sunod nang may malinaw na lohika. Wala nang maraming salita, direktang ipapakita ang demo.

Buksan ang webpage na ito, sa gitna ay ang kasalukuyang petsa, at ang walong planeta sa screen ay nasa kanilang totoong posisyon sa kasalukuyan. Ito ay hindi isang larawan ng sistema ng araw, kundi isang tunay na gumagana sistema ng araw! Ang araw ay nasa gitna, habang ang mga planeta ay nakalat sa paligid. Sa pagitan ng Mars at Jupiter, isang bilog ng maliit na alikabok ay tumatagal—ang belt ng mga asteroid. Lahat ng mga langitnong katawan, lahat ng mga satellite, at bawat ulap sa ibabaw ng mga planeta ay naka-set sa isang parehong simuladong oras. Kapag pinindot ang pindotang pause, tumigil ang pag-ikot ng mga planeta, tumigil ang pag-ikot ng mga satellite, at tumigil ang pag-ikot ng Earth. I-click ang Saturno, at magsasalibot ang isang panel ng impormasyon sa kanan. Sa itaas ng panel, sa maliit na preview window, ang Saturno ay tumatakbong mabagal, kasama ang kanyang mga ring, at ang pagkakasunod-sunod ng pagkakatago ay walang kamalian. Hindi na ito parang isang proyekto—ito ay parang isang produktong naka-launch na.

Pagkatapos, isinulat namin ang KAT-Coder-Pro V2.5 sa isang totoong open-source bug. Ang resulta ay mas kapani-paniwala kaysa sa performance score. Ang problema ay galing sa humanize, isang totoong Python open-source library. Noong 2024, mayroon itong totoong bug: naturaldelta(timedelta(hours=-5)) ay dapat mag-return ng «5 hours», ngunit ito ay nagsabi ng «a day». Ang negatibong limang oras ay binigkas bilang isang buong araw. Ibinalik namin ang repository sa commit kung saan pa rin umiiral ang bug, at isinumite namin lamang ang issue—walang anumang paalala o tulong sa buong proseso. Pagkatapos maghanap ng 2 pattern at basahin ang 2 file, agad niyang ibinigay ang diagnosis: ang Python ay gumagamit ng complement storage para sa negatibong timedelta, kaya ang timedelta(hours=-5) ay nasa loob ay days=-1, seconds=68400. Ang orihinal na code ay nag-apply ng abs() sa bawat komponente: ang -1 araw ay naging 1 araw, at ang 68400 segundo ay nanatili nang walang pagbabago, na nagbuo ng «1 day + 19 hours». Ang analisis na ito ng root cause ay tumutugma nang ganap sa diagnosis ng opisyal na patch—complement storage, hindi pagkakasundo ng sign ng mga komponente, at paggamit ng abs() sa bawat komponente na nagdulot ng error. Ngunit ang solusyon na ibinigay nito ay iba sa opisyal: ang opisyal ay nag-apply ng absolute value sa buong timedelta, samantalang ito ay pumili na unang i-convert sa kabuuang segundo, at pagkatapos ay i-divide muli. Sa pagkakataong ito, ang buong proseso ay ginawa sa loob ng Claude Code. At ang Claude Code, ay isa sa mga training environment na binanggit ng opisyal na Harness Scaling—mini-swe-agent, Claude Code, Codex, OpenClaw. Ang paulit-ulit na pagsasanay sa iba’t ibang framework ay para makamit ang «hindi pagkakaroon ng problema sa paglipat sa ibang framework». Sa pagsusuri, natupad nito nang perpekto—walang anumang «pagkakaroon ng problema sa paglipat».

Hindi ito pagpapabuti ng bug, kundi pagsisilip ng buong bagong mga tampok sa isang aktibong sistema. Lahat ay nakaranas nito: ipinapadala mo ang isang 1 GB na file, natatapos ito sa 92%, tapos nawala ang internet. I-refresh mo—mula sa 0% ulit. Ang solusyon ay tinatawag na chunked upload: hinahati sa libo-libong piraso, at kung may break, kailangan lang i-upload ang mga piraso na hindi pa natatapos. Maaaring mukhang simple: hatiin, i-upload, at i-pag-ugnay muli. Ngunit ang hirap ay hindi sa tatlong hakbang na ito, kundi sa gitna—ang kalat na kalat:

Nakarating ang mga fragment sa hindi tamang pagkakasunod-sunod. Nangyari ang reconnection at retransmission ng client, ngunit hindi makakilala ang server kung ito ay isang retry o overwrite. Pagkatapos ng restart ng server, ang 700 na fragment sa disk ay naging orphaned. Kahit na lahat ay nakarating, hindi pa rin ito nangangahulugan na tama ang pagpapadala.

Nakumpleto niya ang 20 minuto at 12 segundo. Ang solusyon ay ang pagkakabahagi ng disk sa tatlong drawer: ang nai-publish, ang metadata ng progreso, at ang mga piraso na hindi pa natatapos. Ang mga piraso ay laging nananatili sa loob ng chunks/, at sa pamamagitan ng pisikal na pagkakabawas, hindi maabot ang natatapos na rehiyon. Ang metadata ay isinusulat muna sa isang temporaryong file, at pagkatapos ay atomikong i-rename. Dahil maaaring bumagsak ang proseso nang may kahit anong pagkakasulat ng progreso, at iwanan ang bahagyang nasiraang data. Isusulat muna nang buo, at pagkatapos ay i-rename nang isang hakbang lamang—o lahat ay tagumpay, o lahat ay kabigoan. Pagkatapos ng pag-restart, isang tingin lang, at agad na bumabalik ang progreso. Ibinabalik ang paghahati-hati, at sinusuri ang bawat byte. Ang madaling paraan ay: “May piraso na dito, isama sa pag-uulit, pahintulutan.” Ngunit ito ay sinusuri ang bawat byte: kung may anumang pagkakaiba, babagsak ito sa error, at ang orihinal na data ay hindi nagbabago. Ang huling ibinigay ay walong file, halos 1400 na linya ng code, limang bagong API, 26 na pagsubok sa pag-upload, at sa browser side, natapos na ang lahat ng pagpapahinto at pagpapatuloy sa pag-upload kasama ang pagbabalik pagkatapos ng refresh. npm test → 33 na pagsubok, 0 kabigoan. At ang limang lumalabas na interface ay hindi nasira. Ang susi sa tanong na ito ay ang mahabang listahan ng “kung ano kung ano” sa loob ng 20 minuto—at hindi niya nalimutan ang isang bagay. Sa totoong software engineering, siyam na porsyento ng gawain ay ginugugol sa mga “kung ano kung ano” na ito.

Ang kakayahan ng Agent sa antas ng paggawa ay malapit na sa Opus 4.8

Tignan natin muli ang performance ng KAT-Coder-Pro V2.5 sa mga totoong ranking. Sa PinchBench, na nagsusukat ng kakayahan sa paggamit ng Agentic tools, nakakuha ang KAT-Coder-Pro V2.5 ng 94.2 puntos, na naglalabas sa Opus 4.8. Sa SWE-Bench Pro, na itinuturing na "pinakamahirap" na listahan para sa software engineering sa antas ng repository, nakakuha ito ng 65.2 puntos, na lamang nasa likod ng Opus 4.8 (69.2 puntos), at malinaw na lumampas sa isang serye ng lokal na modelo. Bukod dito, sa loob na binuo at totoong engineering evaluation set na KAT Code Bench, nakakuha ito ng 53.1 puntos at nasa pangalawang grupo; sa business-oriented Agentic evaluation set na KAT Claw Bench, nakakuha ito ng 85.5 puntos, na nakikipaglaban nang malapit sa pinakamalakas na proprietary at open-source na katumbas. Sa buong larangan ng coding models, isang totoong pagtaas patungo sa unang grupo ito. Pagkatapos makita ang totoong kakayahan ng KAT-Coder-Pro V2.5, oras na upang subukan ang mga teknikal na implementasyon sa likod nito.

Pagsusuri ng pangunahing teknolohiya

Sa pagkakataong ito, ginawa ng team ng KwaiKAT ang isang sistematis na pag-upgrade na nakatuon sa «mas mahabang task chain at mas kumplikadong business workflow». Sa partikular, ang KAT-Coder-Pro V2.5 ay nakamit ang buong pag-usbong sa tatlong mahahalagang dimensyon:

Kakayahan sa mahabang panahon, pangkalahatang Agentic capability, at malawakang sistema ng Agentic reinforcement learning na sumusuporta dito.

Ang "malaking score sa single file" at "totoong nakakatulong sa project" ay dalawang magkaibang bagay

Dapat maunawaan ang katotohanan: ang paghingi sa AI na “magdagdag ng isang function” at ang paghingi sa AI na “tapusin ang isang proyekto ng software” ay dalawang iba’t ibang antas ng kakayahan. Sa unang kaso, ang mga modelo ngayon ay nangunguna na. Ngunit ang totoong software engineering ay laging may ibang mukha. Ang pinakakaraniwang pagkakamali ng modelo sa mga mahabang gawain sa repository ay ang pagkakamali sa paghahanap ng posisyon sa iba’t ibang file, ang paghindi sumusunod sa mga patakaran ng proyekto, at ang pagpapasa ng trabaho kahit hindi pa nakapasa ang mga pagsubok. Ang tunay na hadlang, kadalasan, nasa isang hindi intuisyonal na lugar: ang nagpapahinto sa modelo ay hindi kung gaano karaming code ang nabasa nito, kundi kung gaano karaming totoong proyekto ang nakapagpasa nito nang buo. Ang problema ay ang pagbuo ng mga environment na maaaring i-run at i-verify ay lubos na mahirap gawin sa malaking sukat—ang pagsikat sa industriya ay patuloy na nasa paligid lamang ng 16.5%. Sa madaling salita, kung makakabuo ka ng isang repository sa bawat anim, iyon ay nagsasabing magaling ka na. Ang solusyon ng KwaiKAT ay ang AutoBuilder, na nagpapagawa sa modelo bilang “engineer ng environment”: binabasa nito ang repository, ginagawa ang configuration, at sinusubok sa isang isolated sandbox kung natutupad ba talaga ang mga pagsubok—kung hindi, ito ay awtomatikong iiyak at iiyak ulit. Ang epekto ay agad na nakikita: ang tagumpay sa pagbuo ng environment ay tumaas mula sa 16.5% patungo sa 57.2%, at nakalikom na sila ng higit sa 100,000 na maaaring i-run at i-verify na mga environment na sumasaklaw sa 12 uri ng programming language. Ang mga uri ng pagbabago sa mga environment na ito ay kinabibilangan ng pag-aayos ng mga bug, pagpapuno ng mga feature, pagtugma ng interface, inter-module coordination, at regression fixes—tulad ng lahat ng sitwasyon na makikita sa totoong pag-unlad. Ito ang “training workshop” ng V2.5. Mayroon pa isang matalinong paraan sa pagproseso ng data. Karaniwan sa industriya ang “panatilihin ang tama, alisin ang mali,” ngunit pinipili ng KwaiKAT na maghanap ng ginto sa mga pagkabigo—maraming pagkabigo ay may kakulangan lamang sa isang huling hakbang: tama ang direksyon, tama ang lokasyon, kulang lang sa isang mahalagang desisyon. Sinuri ng team ang mga sample na ito, at binigyan sila ng targeted prompts para muli silang i-run—nabago ng halos dalawampu porsyento nito sa mga mataas na kalidad at maaaring i-reproduce na training data. Kaya natututo ang modelo hindi lamang kung “paano gawin ito nang tama,” kundi mas mahalaga pa: “paano baliktarin ang pagkakamali.”

General Agentic, mula sa «nakakagamit ng mga kasangkapan» patungo sa «nakakapag-angat ng negosyo»

Ang pagsusulat ng code ay only half ng agentic capability. Ang kabilang kalahati, ay ang pagpapalakas ng tunay na business workflow. Ang mga pagtataya sa pagtawag ng mga kasangkapan ay karamihan ay atomic tasks—tignan ang panahon, mag-book ng tiket, tapos tapos na sa loob ng limang round. Ngunit ang tunay na business ay iba’t ibang antas; halimbawa:

Basahin ang mga pinakamalikha sa loob ng isang linggo mula sa maraming platform, filtarin ang mga artikulo mula sa industriya ng short-form video, kunin ang limang pinakamataas na热度 bawat platform, at lumikha ng isang ulat na may mga kabanata at limitasyon sa bilang ng salita, nakaayos sa pagsunod sa petsa mula sa pinakabagong hanggang sa pinakakalipas, at hindi lumikha ng anumang data.

Ang ganitong uri ng gawain, na kadalasang hihigit sa sampung interaksyon, at nakabalot sa maraming implisitong format at pagkakatugma, ay maaaring mabigo kung iwanan ang isang bahagi. Tulad ng mahabang proyekto, ang kakayahang ito ay natututo sa 'pabrika'. Sa panig ng code, ginagamit ang AutoBuilder, habang sa panig ng negosyo, tinataguyod ng KwaiClawEnv ang tatlong loop na koordinasyon:

• Ang Service layer ay dinamikong nagpapalawak ng pool at nagpapalit ng malaking dami ng Skill mula sa komunidad sa mga maaaring i-deploy na serbisyo;
• Ang Task layer ay gumagamit ng totoong negosyo bilang butil at nagpapalawak ng maraming variant ng task;
• Ang Eval layer ay gumagamit ng double filtering na "mga patakaran na nakapirma + pagrereview ng modelo" upang panatilihin lamang ang mga trajektoriya na maipapatupad, ma-verify, at natural sa pag-uugali.

Sa mga training data na nalikha, ang average na 15 na pagtawag ng tool bawat trajektoriya, na may pinakamahaba na higit sa 100 na hakbang, na nakakapalibot sa pag-analisa ng data, intergrasyon sa iba’t ibang sistema, batch document processing, at pagbuo ng report. Ang mga ito ay eksaktong ang mga gawain na kinakaharap araw-araw ng libu-libong developer at business team sa Kuaishou.

Malawakang paggamit ng reinforcement learning, upang turuan ang AI kung «paano gawin»

Ang supervision fine-tuning ay nagpapahintulot sa model na kopyahin ang mga halimbawa, ngunit natutulala ito kapag nakakakita ng hindi nakikita na error at hindi inaasahang feedback. Ang talagang pagtuturo sa model kung paano mag-explore, mag-correct, at mag-verify ay ang malawakang RL. Ang team ng KwaiKAT ay nag-focus sa mga sumusunod na tatlong lugar:

Una ay walang limitasyon sa pag-scaled ng scaffolding (Harness Scaling).

Ipinapaglaban ang model sa iba’t ibang framework tulad ng mini-swe-agent, Claude Code, Codex, at OpenClaw. Ang mga framework na ito ay may malaking pagkakaiba sa pagtawag ng protokolo, pamamahala ng konteksto, at kontrol ng flow, na nagpapakailangan sa model na magtagumpay sa “pagsasagawa ng gawain” mismo—kaya’t kahit magbago ang framework, hindi ito magsisilbing hindi komportable.

Ikalawa ay ang pangmatagalang pagkakaloob ng kredito.

Sa mga sandaling interaksyon, alin sa mga hakbang ang nagdulot ng magandang resulta? Gumamit ang team ng Asymmetric PPO: habang ang modelo ay nagtatrabaho, ito ay nakikita lamang ang mga impormasyon mula sa totoong kaligiran, samantalang ang Critic na nagpapahalaga sa pagtuturo ay maaaring magamit ang karagdagang “god’s eye view”—ang pagpasa o pagkabigo sa pagsusulit at ang kalidad ng patch ay pinapahalagahan nang eksakto sa tiyak na hakbang, upang maiwasan ang “isang mali, lahat ay nalulugmok”.

Ikatlo ay tatlong antas ng reward.

Pinagsama ang totoong resulta ng pagsubok sa pinakamataas na antas upang pigilan ang pagmanipula ng puntos; sa gitna, ipinaglalapat ang mga pamantayan sa paggamit ng mga kasangkapan at paglinis ng pansamantalang files; sa pinakamababang antas, ibinibigay ang positibong feedback sa mga mahalagang pagkabigo tulad ng “tumpak na pagkakalokasyon, parte ng pagsubok na na-pass” upang pangalagaan ang pagkamaliksi ng modelo. Mahalagang banggitin na isang panahon ay inisip ng team na ang problema sa reward ay dahil sa algorithm, ngunit matapos ang pagsisiyasat, natuklasan na ang pangunahing sanhi ay ang training environment mismo—sa mga unang yugto, halos 16% ng mga trajectory ay may kahit isang pagkabigo na nagmula sa sandbox, hindi sa modelo. Pagkatapos ng isang pagsisikap na pagpapabuti ng imprastruktura, bawas na sa ilalim ng 2% ang rate ng maling feedback mula sa sandbox, at bawas nang isang orden ng magnitude ang frequency ng pagkabigo sa training. Ito ang mga simpleng gawain sa pundasyon na nagbigay-daan sa matatag na training.

Isang modelo na naglalaman ng limang kakayahan

Ang limang direksyon—malalayong proyekto, pangkalahatang Agentic, terminal, aesthetics ng frontend, at pangkalahatang kaalaman—ay may isang eksperto na tinuturo ng KwaiKAT. Ang hamon ay ang pagpagsasama nila sa isang modelo, habang iiwas sa pagkakaroon ng “kapag inilalagay ang kalabaw, lumulutang ang upo” na balanse. Ang sagot ng tim ay ang MOPD (Multi-Teacher Online Policy Distillation): ang mag-aaral ang nagluluto ng sariling mga tanong, at kapag ang tanong ay nasa isang partikular na larangan, tinutulungan siya ng kaugnay na eksperto; ang kakayahan ay pinagsasama sa isang function space, hindi sa pagpapalakas ng mga parameter.

Isang KAT-Coder-Pro V2.5 na naglalaman ng kasanayan ng limang eksperto, walang kailangang magpalit habang i-deploy—isang solusyon para sa pagsusulat ng code, pagpapatakbo ng proseso, at paggawa ng pahina.

Ang napakagandang user interface ng nakaraang bersyon ay buong-pusong na ipinagpatuloy sa bersyong ito, na nagpapatotoo sa mekanismo na ito: ang mga bagong kakayahan ay malawakang pinapalawig, habang ang mga lumang kakayahan ay hindi nawawala. Ang ganitong walang pag-aalinlangan na pagrerepaso ay direktang nagbuo ng pinakamakapangyarihang resulta.

Ang pangalawang bahagi ng coding ay tumutok sa "engineering"

Ang KAT-Coder-Pro V2.5 ay batay sa malinaw na pagpapasya: ngayon, ang pagtigil sa pagpapalakas ng mga modelong pang-programming ay hindi na nasa "gaano kalaki ang modelong ito" kundi sa "sapat ba ang pagsuporta sa paligid". Kaya ang pagbuo ng kapaligiran, pagbuo ng trahektorya, pagpapanatili ng katatagan ng RL, at pagpagsasama ng kakayahan, ay tinanggap bilang mga pangunahing proyektong sistemiko. Ang resulta ay isang malinaw na imahe ng kakayahan—pinakamataas na paggamit ng mga kasangkapan na Agentic, kasama ang pinakamalapit sa pandaigdigang lider na kakayahan sa paggawa ng repository. Para sa mga developer, nangangahulugan ito na maaari nilang ipagkatiwala nang buo ang isang issue o buong workflow para sa pagpapatupad, nang hindi na kailangang maging tagapag-alaga ng AI. Ngayon, ang KAT-Coder-Pro V2.5 ay nasa buong pagpapalabas at agad na maaaring subukan. Para magsimula: gamitin ang API sa StreamLake.com (Model ID: kat-coder-pro-v2.5).