KwaiKAT ने KAT-Coder-Pro V2.5 लॉन्च किया, जो उन्नत कोडिंग क्षमताओं को दर्शाता है

भारतीय Coding मॉडल ने धमाका कर दिया! कुआईशो KAT-Coder-Pro V2.5 का परीक्षण 1 मिनट 20 सेकंड में वास्तविक बग को बंद करता है, 1395 पंक्तियों के कोड के साथ बिना किसी सहायता के ‘माइनक्राफ्ट’ बनाया, लंबी दूरी की इंजीनियरिंग क्षमता Opus 4.8 तक पहुँच गई, अब आपको AI का सेवक नहीं बनना पड़ेगा।

लेखक, स्रोत: न्यूज़िज़यन

एक हाथ से टेस्ट किया गया AI कोडिंग इतना आगे पहुंच चुका है?

जितना भी बड़ा दावा किया जाए, वास्तविक प्रयोग ही सच्चाई बताता है। अब, हम KAT-Coder-Pro V2.5 को अधिक वास्तविक परिदृश्यों में शामिल करेंगे और इसकी सच्चाई को पूरी तरह से जांचेंगे।

अब रहस्य खोलते हैं—यह CC में एम्बेडेड AI, Kuaishou द्वारा लॉन्च किया गया KAT-Coder-Pro V2.5 है, एक फ्लैगशिप एजेंटिक कोडिंग मॉडल। अन्य AI शायद अभी भी “आपके लिए कोड का एक टुकड़ा पूरा करने” में लगे हुए हैं, जबकि यह सीधे आपके लिए “पूरी प्रोजेक्ट बनाने” का लक्ष्य रखता है। यही वह अंतिम खाई है जो सभी कोडिंग मॉडल के सामने मौजूद है।

पिछला पेनल्टी डेमो केवल गर्मी का अभ्यास था, अब V2.5 पर थोड़ी तीव्रता बढ़ाएं, और वास्तविक समय में माइनक्राफ्ट को रीक्रिएट करें।

प्रॉम्प्ट भी 400 से अधिक पंक्तियाँ हैं। इसे संक्षिप्त करें, लगभग इस तरह:

एकल HTML फ़ाइल, Three.js, पहले व्यक्ति। 14 प्रकार के ब्लॉक, प्रत्येक के कठोरता, पारदर्शिता, टक्कर गुण हैं, बेसरॉक अटूट है। सभी टेक्सचर को Canvas प्रोग्राम द्वारा 16×16 पिक्सेल चित्र बनाकर बनाया जाना चाहिए—कोई बाहरी टेक्सचर नहीं। एक निश्चित बीज शोर का उपयोग करके एक द्वीप उत्पन्न करें, जिसमें पहाड़ियाँ, किनारा, उथला पानी, और भूमिगत खनिज स्तर हों। प्रोग्राम द्वारा ओक वन उत्पन्न करें, साथ ही एक वन में स्थित घर (लकड़ी का फर्श, लकड़ी के स्तंभ, कांच की खिड़कियाँ, गोल पत्थर की छत, ईंट का कुंआ), और जन्म स्थान से एक गोल पत्थर का मार्ग बिछाएँ। माउस पॉइंटर से बॉक्स को हाइलाइट करें, बाएँ कुंजी दबाए रखें तो प्रगति सूचक दिखे, खुदाई होने पर टुकड़ों के कण गिरें। ध्वनि प्रभाव Web Audio का उपयोग करके वास्तविक समय में संश्लेषित किए जाएँ।

इसी के साथ, एक खेलने योग्य "माइनक्राफ्ट" पूरा हो गया। "वर्ल्ड में प्रवेश करें" पर क्लिक करें, जिससे माउस स्क्रीन में बंद हो जाता है। आपके नीचे घास है, ऊपर नीला आकाश, और एक चट्टानी रास्ता आपके पैरों के पास से शुरू होता है, ओक वृक्ष के चारों ओर मुड़ता है, और वृक्ष के पीछे छोटे घर की ओर जाता है—लकड़ी की दीवारें, लकड़ी के स्तंभ, चट्टानी छत, और एक लाल ईंट की चिमनी, साथ ही दीवारों में कांच की खिड़कियाँ लगी हुई हैं। अब, घर के सामने के खुले स्थान की ओर बढ़ें, बाएँ क्लिक को दबाए रखें—“बोप” की आवाज़ के साथ, घास का ब्लॉक टूट जाता है। करीब दस हरे छोटे क्यूब्स कुएँ से उछलते हुए नीचे गिरते हैं। टुकड़ों का रंग, सटीक रूप से उसी हरे ब्लॉक का है, जिसे हमने हटाया था। अब, टूलबार पर स्वाइप करके रेत, ओक लकड़ी और पत्थर जैसी सामग्रियाँ चुनें—अब समय है कि आप अपनी क्षमता का प्रदर्शन करें। हैरानी की बात है कि, इस महान संसार में, हमने आकाश को पूरी तरह से सनमिला हुआ सूर्यास्त भी देखा।

एक और इंटरैक्टिव टेस्ट करते हैं, जिसमें V2.5 बिना किसी साधन के सौर मंडल बनाए। इसकी क्षमता का परीक्षण करने के लिए, हमने अत्यंत कठोर सीमाएँ निर्धारित कीं:

1000+ पंक्तियों के प्रॉम्प्ट, मुख्य बिंदु निम्नलिखित हैं:

एकल HTML, शुद्ध Canvas 2D, Three.js का उपयोग नहीं। आठ ग्रह, 11 उपग्रह, सभी के लिए J2000 एपोक के वास्तविक कक्षीय तत्व—अर्ध-महाअक्ष, उत्केंद्रता, झुकाव, आरोही नोड की दीर्घांत, अपोजी का पैरामीटर, माध्य अनोमली। angle += speed का प्रयोग पूर्णतः वर्जित है। ग्रह और उपग्रह दोनों के लिए न्यूटन की विधि से केपलर समीकरण हल किया जाना आवश्यक है, और दोनों के लिए एक ही daysSinceJ2000 का उपयोग किया जाए। शुक्र और अरुण का स्वयं का घूर्णन ऋणात्मक होना चाहिए। ट्रिटन का परिक्रमण प्रतिदिशा में होना चाहिए, झुकाव 157.3°। शनि के वलय और अरुण के वलय को दो बार, पहले पीछे, फिर सामने बनाया जाना चाहिए, ताकि ग्रह वलय को ढक सके। उच्च गति पर उपग्रहों को ट्रेक मोड में काटा जाना चाहिए, ताकि स्किपिंग से बचा जा सके। पॉज़ करने पर ग्रह की सतह का घूर्णन भी रुकना चाहिए, पीछे की ओर प्ले करने पर प्रतिलोम प्रतिलोम होना चाहिए। सभी ग्रहों की सतह प्रोग्रामेटिकली बनाई जानी है: बृहस्पति में महान लाल धब्बा होना चाहिए, जो स्वयं के घूर्णन के साथ दृश्यमान हेमिस्फीयर से होकर गुजरता है; पृथ्वी के महाद्वीप पीछे की ओर जाने पर गायब होने चाहिए, और दूसरी ओर से पुनः प्रकट होने चाहिए। साथ ही: 8 स्तरीय समय-गति, 2 प्रकार के कक्षीय स्केल, वर्चुअल कैमरा-फॉलो, 700 स्थिर-बीज सितारे, क्षुद्रग्रह मंडल, कॉइपर मंडल, प्रतिक्रियाशील लेआउट, 9 शॉर्टकट कुंजियाँ।

इतनी जटिल आवश्यकताओं के सामने, V2.5 ने पाठ्यपुस्तक के अनुरूप इंजीनियरिंग दृष्टिकोण को दर्शाया। इसने पूरे प्रोजेक्ट को सटीक रूप से विभाजित किया: आर्किटेक्चर डिज़ाइन और ऑर्बिटल कैलकुलेशन स्ट्रैटेजी से लेकर ग्लोबल डुअल-ट्रैक रेशियो सिस्टम, स्टारी स्काई जेनरेशन, मेन स्टार ड्रॉइंग, प्लैनेटरी रिंग्स की लेयर्ड रेंडरिंग, और जटिल सैटेलाइट सिस्टम के समन्वय तक। सभी मॉड्यूल स्तरबद्ध रूप से आगे बढ़ते हैं, तर्क पूरी तरह से सुसंगठित है। बस, सीधे डेमो देखते हैं।

इस वेबसाइट को खोलें, बीच में आज की तारीख है, और स्क्रीन पर आठ ग्रह अभी के समय पर अपने वास्तविक स्थान पर स्थित हैं। यह सौर मंडल का एक चित्र नहीं है, बल्कि एक वास्तविक संचालित सौर मंडल है! सूर्य केंद्र में है, और ग्रह एक-एक करके फैले हुए हैं। मंगल और बृहस्पति के बीच, धूल का एक पतला वलय धीरे-धीरे घूम रहा है—क्षुद्रग्रह बेल्ट। सभी खगोलीय पिंड, सभी उपग्रह, ग्रहों की सतह पर हर बादल, एक ही सिमुलेशन समय द्वारा समायोजित हैं। जब आप पॉज़ करते हैं, तो ग्रहों का परिक्रमण, उपग्रहों का परिक्रमण, और पृथ्वी का घूर्णन रुक जाता है। शनि पर क्लिक करें, दाईं ओर एक जानकारी पैनल स्लाइड होता है। पैनल के शीर्ष पर छोटे प्रीव्यू विंडो में, शनि धीरे-धीरे घूम रहा है, उसके वलय भी साथ में घूम रहे हैं, और सामने-पीछे का ढंग पूरी तरह से सही है। यह किसी होमवर्क की तरह नहीं लगता, बल्कि एक लाइव प्रोडक्ट की तरह है।

इसके बाद, हमने KAT-Coder-Pro V2.5 को एक वास्तविक ओपन-सोर्स बग में फेंक दिया। परिणाम बेहद रोमांचक था। प्रश्न humanize नामक एक वास्तविक Python ओपन-सोर्स लाइब्रेरी से लिया गया था। 2024 में इसमें एक वास्तविक बग था: naturaldelta(timedelta(hours=-5)) को '5 hours' लौटाना चाहिए था, लेकिन यह 'a day' कह रहा था। -5 घंटे को पूरे दिन में बदल दिया गया। हमने रिपॉजिटरी को उस कमिट पर वापस कर दिया जहाँ बग अभी मौजूद था, केवल एक issue दी, और पूरी प्रक्रिया में कोई संकेत नहीं दिया। 2 पैटर्न्स को सर्च करने के बाद और 2 फाइल्स को पढ़ने के बाद, यह सीधे निदान प्रस्तुत करता है—Python, negative timedelta को complement स्टोर करता है, timedelta(hours=-5) का आंतरिक मान days=-1, seconds=68400 है। मूल कोड ने दोनों कंपोनेंट्स पर al() किया, -1 दिन 1 दिन में बदल गया, 68400 सेकंड मूल स्थिति में ही रहे, और '1 day + 19 hours' को मजबूरी से संयोजित किया। यह मूल कारण का विश्लेषण, आधिकारिक सुधार के निदान के साथ पूरी तरह मेल खाता है—complement स्टोरेज, कंपोनेंट साइन में असंगति, al() के कारण त्रुटि। लेकिन इसका समाधान, आधिकारिक समाधान से अलग है: आधिकारिक समाधान पूरे timedelta पर absolute value लेता है, जबकि यह पहले कुल सेकंड में परिवर्तित करता है, फिर पुनः विभाजित करता है। संक्षेप में, पूरी प्रक्रिया Claude Code में चली। Claude Code, Harness Scaling के आधिकारिक सेटअप में स्पष्ट रूप से संदर्भित प्रशिक्षण पर्यावरणों में से एक है—mini-swe-agent, Claude Code, Codex, OpenClaw। कईफ्रेमवर्क में पुनः-प्रयोग का मकसद 'एक ही संदर्भ में सभी प्रणालियों के साथ सफलतापूर्वक काम करना' है। प्रयोगों में, यह पूरी तरह से सफल हुआ—बिल्कुल 'स्थानीय समायोजन' की समस्या के बिना।

अंतिम प्रश्न बग ठीक करना नहीं है, बल्कि एक जीवित प्रणाली में पूरा नया सेट फंसाना है। सभी ने अनुभव किया है: आप 1 जीबी का फाइल अपलोड करते हैं, 92% तक पहुँचते हैं, और नेटवर्क कनेक्शन टूट जाता है। रिफ्रेश करें—0% से शुरू हो जाता है। समाधान चिप्पिंग अपलोड है: इसे हजारों टुकड़ों में काटें, अगर कनेक्शन टूट गया तो केवल अपलोड नहीं हुए टुकड़े पूरा करें। सुनने में आसान लगता है: काटें, अपलोड करें, फिर वापस जोड़ें। लेकिन ये तीन कदम मुश्किल नहीं हैं, बल्कि बीच में पड़ी हुई शोर-शराबा है:

शैडिंग अनियमित क्रम में पहुँचती हैं। क्लाइंट डिस्कनेक्ट होकर पुनः प्रेषित करता है, लेकिन सर्वर इसे पुनः प्रयास या ओवरराइट में अंतर नहीं कर पाता। सर्वर के पुनः शुरू होने पर, डिस्क पर 700 टुकड़े बेकार अनाथ बन जाते हैं। और भले ही सभी पहुँच जाएँ, तो भी यह आवश्यक नहीं कि सही ढंग से प्रेषित हो गए हों।

यह 20 मिनट 12 सेकंड चला। हल यह था कि पहले डिस्क को तीन ड्रॉअर में विभाजित किया गया: प्रकाशित, प्रगति मेटाडेटा, और अधूरे टुकड़े। टुकड़े हमेशा chunks/ में ही रहते हैं, जिससे भौतिक रूप से प्रकाशित क्षेत्र तक पहुँचना असंभव हो जाता है। मेटाडेटा को पहले अस्थायी फाइल में लिखा जाता है, फिर परमाणु rename किया जाता है। क्योंकि प्रक्रिया बीच में ही बंद हो सकती है, जिससे अधूरा और खराब डेटा बच जाए। पहले पूरा लिखा जाता है, फिर एक कदम में नाम बदला जाता है—या तो सब कुछ सफल होता है, या सब कुछ असफल। पुनः शुरू करने के बाद, एक नज़र से प्रगति तुरंत वापस आ जाती है। पुनरावृत्ति के साथ टुकड़े किए जाते हैं, प्रत्येक बाइट की तुलना की जाती है। सस्ता तरीका है “इस स्थिति में पहले से टुकड़ा है, इसलिए पुनरावृत्ति मान लो, मंजूर कर दो”। परन्तु यहाँ प्रत्येक बाइट की सटीक तुलना की जाती है: थोड़ा सा भी अंतर होने पर, त्रुटि फेंकी जाती है, मूल डेटा पूरी तरह से अपरिवर्तित रहता है। अंतिम प्रदान 8 फाइलें हैं, लगभग 1400 पंक्तियों कोड, पाँच नए API, 26 अपलोड परीक्षण, और क्लाइंट-साइड पर प्रत्येक प्रगति को स्थगित करने, पुनः स्थगित करने, और रीफ्रेश के साथ पुनर्स्थापित करने की सुविधा सहित। npm test → 33 परीक्षण, 0 विफल। साथ ही, पाँच पुराने API में से कोई भी काम नहीं करने लगा। इस समस्या की मुख्य कुंजी, 20 मिनट में, ‘अगर… होगा?’ की सभी संभावनाओं को मतभेद के साथ समझना है। सच्ची सॉफ़्टवेयर इंजीनियरिंग में, 90% मेहनत ‘अगि… होगा?’ पर ही खर्च होती है।

एजेंट की इंजीनियरिंग स्तर की क्षमता Opus 4.8 के बराबर है

KAT-Coder-Pro V2.5 का वास्तविक रैंकिंग में प्रदर्शन देखते हैं। Agentic टूल उपयोग क्षमता के मापन के लिए PinchBench पर, KAT-Coder-Pro V2.5 ने 94.2 अंक प्राप्त किए, जो Opus 4.8 को पीछे छोड़ देता है। 'सबसे कठिन' माने जाने वाले सॉफ्टवेयर इंजीनियरिंग रिपोजिटरी सूची SWE-Bench Pro पर, इसने 65.2 अंक प्राप्त किए, जो Opus 4.8 (69.2 अंक) के पीछे है, लेकिन कई देशी मॉडल्स को स्पष्ट रूप से पीछे छोड़ देता है। इसके अलावा, आंतरिक रूप से निर्मित वास्तविक इंजीनियरिंग मूल्यांकन सेट KAT Code Bench पर, इसने 53.1 अंक प्राप्त किए और दूसरे समूह में स्थान बनाया; KAT Claw Bench पर, व्यावसायिक Agentic मूल्यांकन सेट पर 85.5 अंक प्राप्त करके, यह सबसे शक्तिशाली बंद और खुले स्रोत समकक्षों के साथ सीधी प्रतिस्पर्धा करता है। पूरे Coding मॉडल के प्रतिस्पर्धी क्षेत्र में, यह वास्तविक रूप से पहली पंक्ति में प्रवेश करने का सबूत है। KAT-Coder-Pro V2.5 की वास्तविक क्षमता को देखने के बाद, अब इसके पीछे की इंजीनियरिंग कार्यप्रणाली को समझने का समय है।

कोर टेक्नोलॉजी डीकंपोज़िशन

इस बार, 「लंबी कार्य श्रृंखला और अधिक जटिल व्यावसायिक प्रवाह」 के चारों ओर, KwaiKAT टीम ने एक व्यवस्थित अपग्रेड किया। विशेष रूप से, KAT-Coder-Pro V2.5 ने तीन मुख्य पहलुओं में समग्र क्रांति लाई:

लंबी अवधि की इंजीनियरिंग क्षमता, सामान्य Agentic क्षमता, और इन सबको समर्थित करने वाली विशाल Agentic रीइनफोर्समेंट लर्निंग सिस्टम।

"एकल फाइल में अच्छा स्कोर" और "प्रोजेक्ट में वास्तविक काम करना" दो अलग बातें हैं

स्पष्ट रूप से समझना आवश्यक है: AI को "एक फ़ंक्शन पूरा करने" के लिए कहना और AI को "एक पूरी इंजीनियरिंग कार्यवाही पूरी करने" के लिए कहना, दो अलग-अलग स्तरों की क्षमताएँ हैं। पहला मामला, आज के मॉडल पहले से ही आसानी से संभाल लेते हैं। लेकिन वास्तविक सॉफ़्टवेयर इंजीनियरिंग हमेशा एक अलग चेहरा रखती है। मॉडल लंबी दूरी के रिपॉजिटरी कार्यों में सबसे अक्सर तीन प्रकार की गलतियाँ करते हैं: फ़ाइलों के बीच स्थान ढूँढते समय गलत स्थान पर जाना, प्रोजेक्ट के नियमों का पालन न करना, और परीक्षण सफल न होने पर काम सबमिट करना। और वास्तविक बाधा अक्सर एक अप्रत्याशित स्थान पर होती है: मॉडल को रोकने वाला कारक, आमतौर पर यह नहीं होता कि उसने कितना कोड पढ़ा है, बल्कि यह होता है कि उसने कितने वास्तविक प्रोजेक्ट्स को पूरी तरह से सफलतापूर्वक चलाया है। समस्या यह है कि, संचालनयोग्य, सत्यापनयोग्य रिपॉजिटरी परिवेश को बड़े पैमाने पर स्थापित करना बहुत मुश्किल है, और उद्योग में सफलता की दर लंबे समय से 16.5% के आसपास ही है। दूसरे शब्दों में, छह में से एक ही सफलतापूर्वक स्थापित हो पाना ही अच्छा माना जाता है। KwaiKAT का हल AutoBuilder है, जो मॉडल को "परिवेश इंजीनियर" की भूमिका में स्वयं को स्थापित करता है: रिपॉजिटरी का विश्लेषण करना, कॉन्फ़िगरेशन बनाना, और सुरक्षित सैंडबॉक्स में परीक्षणों के सचमुच संचालित होने की पुष्टि करना—अगर सफलता नहीं मिलती, तो स्वचालित रूप से पुन: प्रयास करना। प्रभाव तुरंत स्पष्ट हुआ: परिवेश स्थापना की सफलता की दर 16.5% से 57.2% तक बढ़ गई, और 12 प्रोग्रामिंग भाषाओं को कवर करते हुए, 100,000 से अधिक संचालनयोग्य, सत्यापनयोग्य रिपॉजिटरी परिवेशों का संग्रह संचित हुआ। इन परिवेशों में हुए परिवर्तनों के प्रकार, दोष-सुधार, सुविधा-पूरक, API-अनुकूलता, पार-मॉड्यूल समन्वय, और पुनःप्रयोग-सुधार—इनमें से हर प्रकार, वास्तविक विकास में मिलने वाले सभी प्रकार के प्रसंगों को प्रतिबिंबित करते हैं। यही V2.5 का "प्रशिक्षण x-शॉप" है। डेटा प्रसंस्करण में एक हुनर है। उद्योग में प्रचलित प्रथा "सही को संग्रहित करें, गलत को हटा दें" है, पर KwaiKAT प्रयासशीलता में ही सोना खोजता है—बहुत से असफलताएँ, महज़ 'एक-अंतिम-चरण' से ही पीछे हैं; मार्ग सही है, समस्या-स्थान सही है, महज़ 'एक महत्वपूर्ण' मूल्यांकन की कमी है। टीम ने इस प्रकार के प्रतिदर्शों को पहचानकर,उनमें सटीक प्रम्पट (prompts) मिलाकर पुनःचलाया—और 20% मामलों में,ये 'असफल' प्रयास 'पुन:उत्पादनयोग्य' ,उच्च-गुणवत्ता 'प्रशिक्षण'डेटा' में परिवर्तित हुए। इस प्रकार, मॉडल सिर्फ़ "कैसे सही करें" ही नहीं,बल्कि 'अधिक मूल्यवान' "गलती होने पर कैसे सुधारें" —यह सबक़िख़्वटि।

जनरल एजेंटिक, 「टूल्स का उपयोग करना」 से 「बिजनेस चलाना」 तक

कोड लिखना केवल एजेंटिक क्षमता का आधा हिस्सा है। दूसरा आधा, वास्तविक व्यावसायिक वर्कफ्लो को नियंत्रित करना है। मौजूदा टूल कॉल आकलन अधिकांशतः परम प्रक्रियाएँ हैं—मौसम जानना, टिकट बुक करना, लगभग पाँच चरणों में समाप्त। लेकिन वास्तविक व्यावसायिक कार्य एक अलग स्तर के होते हैं, एक उदाहरण के लिए:

एक सप्ताह से अधिक के बहु-प्लेटफॉर्म ट्रेंडिंग टॉपिक्स को पढ़ें, शॉर्ट वीडियो उद्योग की आइटम्स को छांटें, प्रत्येक प्लेटफॉर्म के लिए शीर्ष पांच हीट को चुनें, और फिर अनुभागों और शब्द सीमा के साथ, तारीख के अनुसार उल्टे क्रम में, और डेटा का आविष्कार न करें, एक संक्षिप्त सारांश तैयार करें।

ऐसे काम, जिनमें दस से अधिक इंटरैक्शन होते हैं और जिनमें कई अनछुए फॉर्मेट और सुसंगठन के प्रतिबंध शामिल होते हैं, अगर बीच में कोई एक कड़ी टूट जाए, तो पूरा काम बर्बाद हो जाता है। लंबी दूरी के इंजीनियरिंग की तरह, यह क्षमता भी 'कारखाने' से विकसित होती है। कोड की ओर से AutoBuilder का उपयोग होता है, जबकि बिजनेस की ओर से KwaiClawEnv संभालता है, तीन स्तरों का बंद चक्र सहयोग करता है:

• सर्विस लेयर में डायनामिक पूल विस्तार, समुदाय के बड़ी मात्रा में स्किल को डिप्लॉय करने योग्य सर्विस में बदलना;
• टास्क स्तर वास्तविक व्यावसायिक बीज के साथ लाखों कार्य विविधताओं को उत्पन्न करता है;
• Eval स्तर पर "कठोर नियम + मॉडल समीक्षा" के द्वि-स्तरीय फिल्टर का उपयोग किया जाता है, जिससे केवल निष्पादनयोग्य, सत्यापनयोग्य और प्राकृतिक व्यवहार वाली ट्रैजेक्टरी ही बचती हैं।

उत्पादित प्रशिक्षण डेटा में, प्रत्येक ट्रैजेक्टरी का औसतन 15 टूल कॉल होता है, जिसमें सबसे लंबी 100 स्टेप से अधिक है, जो डेटा विश्लेषण, क्रॉस-सिस्टम एकीकरण, बैच दस्तावेज़ प्रोसेसिंग और रिपोर्ट जनरेशन को कवर करता है। यही काम कुआईशु के हजारों रिसर्च और बिजनेस टीम के सदस्य रोजाना वास्तविक रूप से सामना करते हैं।

बड़े पैमाने पर रीइनफोर्समेंट लर्निंग, जिससे AI खुद सीखे "कैसे करें"

सुपरवाइज्ड फाइन-ट्यूनिंग से मॉडल उदाहरण की नकल कर सकता है, लेकिन अनजान त्रुटियों और अप्रत्याशित प्रतिक्रियाओं के सामने यह भ्रमित हो जाता है। मॉडल को खोज, त्रुटि सुधार और पुष्टि सिखाने के लिए वास्तव में बड़े पैमाने पर RL की आवश्यकता होती है। KwaiKAT टीम ने निम्नलिखित तीन बिंदुओं पर ध्यान केंद्रित किया:

एक है स्कैलिंग के लिए कोई सीमा नहीं (Harness Scaling)।

मॉडल को mini-swe-agent, Claude Code, Codex, OpenClaw जैसे विभिन्न फ्रेमवर्क में बारी-बारी से प्रयोग करें। इन फ्रेमवर्क्स में कॉल प्रोटोकॉल, कॉन्टेक्स्ट मैनेजमेंट और कंट्रोल फ्लो में बड़ा अंतर है, जिससे मॉडल को 'कार्य हल करने' पर ध्यान केंद्रित करना पड़ता है, ताकि जब फ्रेमवर्क बदले तो यह समस्या से न घबराए।

दूसरा लंबी अवधि का क्रेडिट अलोकन है।

सैकड़ों इंटरैक्शन में, अच्छे परिणाम किस कदम से प्राप्त हुए? टीम ने असममित PPO का उपयोग किया: मॉडल जब काम करता है, तो केवल वास्तविक वातावरण की जानकारी देखता है, लेकिन प्रशिक्षण के लिए स्कोरिंग करने वाला Critic 'दिव्य दृष्टि' का अतिरिक्त उपयोग कर सकता है—अंतिम परीक्षण सफल होता है या नहीं, पैच की गुणवत्ता कैसी है, इसे सटीक रूप से विशिष्ट कदम पर लागू किया जाता है, ताकि 'एक कदम की गलती, सब कुछ बर्बाद' होने से बचा जा सके।

Third is the three-tier reward.

ऊपरी स्तर पर, वास्तविक परीक्षण परिणामों को लॉक करें और परीक्षण में धोखाधड़ी करने के रास्ते बंद कर दें; मध्य स्तर पर, टूल कॉल करने और अस्थायी फ़ाइलों को साफ़ करने जैसी इंजीनियरिंग प्रथाओं को मानकीकृत करें; निचले स्तर पर, 'सटीक स्थिति निर्धारित, आंशिक रूप से परीक्षित' जैसे मूल्यवान विफलताओं को भी सकारात्मक प्रतिक्रिया दें, ताकि मॉडल की जिज्ञासा सुरक्षित रहे। ध्यान देने योग्य बात यह है कि टीम ने शुरू में माना कि पुरस्कार नहीं बढ़ रहा है क्योंकि एल्गोरिथम में समस्या है, लेकिन जांच के बाद पता चला कि असली कारण ट्रेनिंग वातावरण था—प्रारंभिक चरण में, लगभग 16% पथों में, कम से कम एक विफलता सैंडबॉक्स के कारण हुई, मॉडल के कारण नहीं। एक बार कठोर बुनियादी ढांचे को मजबूत करने के बाद, सैंडबॉक्स की त्रुटि दर 2% से कम हो गई, और ट्रेनिंग में अचानक विफलता की आवृत्ति लगभग एक दशमलव घात से कम हो गई। यही सामान्य, प्रतीत होने वाली बुनियादी मेहनत है, जिसने आगे की स्थिर ट्रेनिंग को संभव बनाया।

एक मॉडल, पांच क्षमताओं को समेटे

लंबी दूरी के इंजीनियरिंग, जनरल एजेंटिक, टर्मिनल, फ्रंटएंड एस्थेटिक्स, जनरल क्नॉलेज—इन पांच क्षेत्रों में से प्रत्येक के लिए KwaiKAT ने एक विशेषज्ञ को प्रशिक्षित किया। कठिनाई यह है कि इन्हें एक मॉडल में जोड़ना है, और “एक बटन दबाने पर दूसरा उठ जाए” वाले स्विंग को बचना है। टीम का जवाब MOPD (मल्टी-टीचर ऑनलाइन पॉलिसी डिस्टिलेशन) है: छात्र स्वयं प्रश्न हल करते हैं, और प्रश्न किस क्षेत्र से संबंधित है, उसके विशेषज्ञ से मार्गदर्शन लेते हैं, क्षमता फ़ंक्शन स्पेस में एकीकृत होती है, न कि पैरामीटर के सीधे संयोजन से।

एक KAT-Coder-Pro V2.5, जो एक साथ पाँच विशेषज्ञों की क्षमता रखता है, डिप्लॉय करते समय स्विच करने की आवश्यकता नहीं — कोड लिखें, प्रोसेस चलाएं, पेज बनाएं, एक ही से सब कुछ।

पिछली पीढ़ी की बहुत प्रशंसित फ्रंटएंड डिज़ाइन क्षमता इस संस्करण में पूरी तरह से बरकरार रही है, जो इस तंत्र को साबित करती है: नए कौशल में भारी वृद्धि हुई है, जबकि पुराने कौशल में से कोई भी खोया नहीं है। इस अथक पुनर्निर्माण ने सबसे अधिक प्रभावशाली परिणाम तैयार किए हैं।

कोडिंग के दूसरे हाफ में, "इंजीनियरिंग" की बात होती है

KAT-Coder-Pro V2.5 के पीछे एक स्पष्ट निर्णय है: अब प्रोग्रामिंग मॉडल को अधिक शक्तिशाली बनाने की सीमा 'मॉडल का आकार' से बदलकर 'परिवेश बुनियादी ढांचे की मजबूती' हो गई है। इसलिए, वातावरण निर्माण, ट्रैजेक्टरी संश्लेषण, RL स्थिरता और क्षमता समन्वय को एक समान महत्वपूर्ण सिस्टम इंजीनियरिंग समस्याओं के रूप में संभाला गया है। इसका परिणाम एक स्पष्ट क्षमता प्रोफाइल है—शीर्ष स्तरीय Agentic टूल उपयोग, जिसमें वैश्विक अग्रणी स्तर के कोडरीपॉजिटरी स्तरीय इंजीनियरिंग क्षमताएँ शामिल हैं। डेवलपर्स के लिए, इसका मतलब है कि अब वे किसी पूर्ण issue या पूरे कार्य प्रवाह को AI के साथ हाथ से-हाथ लेकर चलाने के बजाय, आसानी से सौंप सकते हैं। अब KAT-Coder-Pro V2.5 पूर्णतः लाइव है, और आप तुरंत इसका अनुभव कर सकते हैं। प्रारंभ करने का तरीका: StreamLake.com पर सीधे API को कॉल करें (मॉडल ID: kat-coder-pro-v2.5)।