KwaiKAT Melancarkan KAT-Coder-Pro V2.5, Menunjukkan Kemampuan Pengekodan Lanjutan

Model pengkodean tempatan benar-benar menggila! Ujian sebenar KAT-Coder-Pro V2.5 dari Kuaishou: menutup bug sebenar dalam 1 minit 20 saat, mencipta Minecraft dengan 1,395 baris kod tanpa bantuan, kemampuan kejuruteraan jangka panjang setara dengan Opus 4.8, tidak perlu lagi menjadi pembantu AI.

Penulis artikel, sumber: XinZhiYuan

Satu tangan ujian sebenar, AI Coding sudah sampai ke tahap ini?

Seberapa hebat pun iklannya, tak sehebat bukti di lapangan. Seterusnya, kita akan membawa KAT-Coder-Pro V2.5 ke lebih banyak skenario sebenar untuk menguji sepenuhnya kemampuannya.

Tidak bermain-main lagi, mari kita terungkap secara langsung—AI yang dimasukkan ke dalam CC ini adalah KAT-Coder-Pro V2.5 yang dikeluarkan oleh Kuaishou, sebuah model Agentic Coding tingkat unggulan. AI lain mungkin masih bersaing dalam “membantu anda melengkapi sebahagian kod”, tetapi ia bertujuan untuk menyelesaikan “seluruh projek secara langsung”. Inilah jurang terakhir yang menghalangi semua model Coding.

Penalti tadi hanya latihan, seterusnya kita tingkatkan kekuatan ke V2.5, serta meniru semula Minecraft secara langsung.

Petunjuk juga mempunyai lebih daripada 400 baris. Kompreskan ia, kira-kira seperti ini:

Fail HTML tunggal, Three.js, sudut pandang orang pertama. 14 blok, masing-masing dengan kekerasan, kejernihan, dan sifat perlanggaran, batu dasar tidak boleh dihancurkan. Semua tekstur mesti dihasilkan secara programatik sebagai gambar 16×16 piksel menggunakan Canvas—tidak dibenarkan menggunakan imej luar. Bunyi kebisingan benih tetap menghasilkan sebuah pulau dengan bukit, pantai, air cetek, dan urat bijih bawah tanah. Hutan橡树 dijana secara automatik, ditambah sebuah pondok hutan yang boleh dimasuki (lantai kayu, tiang kayu bulat, tingkap kaca, atap batu bulat, cerobong bata), serta jalan setapak batu bulat yang dipasang dari titik kelahiran hingga ke pondok tersebut. Garis tepi dikeluarkan apabila menunjuk, tekan dan tahan butang kiri untuk memaparkan bar kemajuan; apabila dihancurkan, serpihan partikel jatuh. Kesan suara dihasilkan secara langsung menggunakan Web Audio.

Segera, sebuah dunia "Minecraft" yang boleh dimainkan telah selesai. Klik "Masuk ke Dunia", tetikus akan dikunci ke dalam skrin. Di bawah kaki anda ialah rumput, di atas kepala ialah langit biru, satu jalan batu bulat membentang dari sisi kaki anda, melingkari pokok oak, dan menuju ke rumah kecil di belakang pokok itu—dinding papan, tiang kayu asli, atap batu bulat, dan satu cerobong asap bata merah, dengan tingkap kaca dipasang di sekeliling dinding. Selepas itu, berjalanlah ke ruang kosong di hadapan rumah kayu itu, tekan dan tahan butang kiri, "pop!"—blok rumput hancur. Sekitar sepuluh blok hijau kecil meloncat keluar dari lubang itu, berputar-putar jatuh ke bawah. Warna serpihan itu tepat sama dengan warna blok yang baru digali. Seterusnya, gelongsorkan bar alat untuk memilih bahan seperti pasir, kayu oak, dan batu—masanya untuk memulakan pembinaan rumah anda. Kejutan ialah, di dunia kecil ini, kami juga menyaksikan matahari terbenam yang mewarnai seluruh cakrawala.

Uji lagi satu interaksi, biarkan V2.5 membentuk tata surya dengan tangan kosong. Untuk menguji batas kemampuannya, kami memberikan syarat yang sangat ketat:

1000+ baris petunjuk, poin utama utamanya seperti berikut:

Satu fail HTML, Canvas 2D tulen, tidak dibenarkan menggunakan Three.js. Lapan planet dan sebelas satelit, semua diberikan parameter orbit sejati pada epok J2000—paksi semi-mayor, eksentrisiti, kecondongan, longitud simpang naik, parameter perihelion, dan sudut anomali purata. Dilarang keras menggunakan angle += speed. Planet dan satelit mesti menyelesaikan persamaan Kepler menggunakan kaedah Newton-Raphson, dan semua menggunakan daysSinceJ2000 yang sama. Putaran Venus dan Uranus mesti bernilai negatif. Triton mesti bergerak secara retrogred, dengan kecondongan 157.3°. Cincin Saturnus dan cincin Uranus mesti dilukis dalam dua fasa—depan dan belakang—supaya planet boleh menutupi cincin. Pada kelajuan tinggi, satelit mesti beralih ke mod trajektori untuk mengelakkan berkelip. Semasa dihentikan, putaran permukaan planet juga mesti berhenti; semasa main balik, ia mesti mundur secara songsang. Semua permukaan planet dilukis secara programe: Jupiter mesti mempunyai Bintik Merah Besar yang bergerak melalui separuh kelihatan mengikut putarannya; benua Bumi mesti hilang apabila berpindah ke belakang dan muncul semula dari sisi lain. Tambahan: lapan tahap kelajuan masa, dua nisbah orbit, kamera maya mengikuti, 700 bintang dengan benih tetap, pita asteroid, pita Kuiper, susunan responsif, sembilan pintasan papan kekunci.

Menghadapi keperluan yang begitu kompleks, V2.5 menunjukkan pemikiran kejuruteraan yang seperti dalam buku teks. Ia memecahkan keseluruhan projek dengan tepat: dari reka bentuk arka dan strategi pengiraan orbit, hingga sistem nisbah dwi-laluan secara global, penghasilan latar belakang bintang, penggambaran bintang utama, rendering bertingkat cincin planet, serta pengurusan sistem satelit yang kompleks. Semua modul bergerak secara bertahap, dengan logik yang saling berkait rapat. Tanpa banyak bicara, mari kita lihat demonstrasinya.

Buka laman web ini, di tengah-tengahnya adalah tarikh hari ini, dan lapan planet di skrin berada pada kedudukan sebenar mereka pada masa ini. Ini bukan sekadar gambar sistem suria, tetapi sebuah sistem suria yang berfungsi secara sebenar! Matahari berada di tengah, dengan planet-planet tersebar satu per satu. Di antara Marikh dan Musytari, terdapat satu lingkaran debu halus yang berputar perlahan—zona asteroid. Semua benda angkasa, semua satelit, dan setiap awan di permukaan planet semuanya dikendalikan oleh masa simulasi yang sama. Apabila butang jeda ditekan, planet berhenti beredar, satelit berhenti beredar, dan Bumi berhenti berputar. Klik Saturnus, panel maklumat akan meluncur ke kanan. Di dalam tetingkap pratonton kecil di bahagian atas panel, Saturnus berputar perlahan, cincinnya turut berputar, dan hubungan saling menutupi antara depan dan belakang tetap tepat. Ini sudah tidak kelihatan seperti tugasan—ia seperti produk yang telah dilancarkan.

Selepas itu, kami memasukkan KAT-Coder-Pro V2.5 ke dalam satu bug sumber terbuka yang sebenar. Hasilnya jauh lebih menarik daripada ujian prestasi. Soalan itu datang daripada humanize, satu pustaka Python sumber terbuka yang sebenar. Pada 2024, ia mempunyai satu bug sebenar: naturaldelta(timedelta(hours=-5)) sepatutnya mengembalikan «5 hours», tetapi ia menyatakan «a day». Lima jam negatif diterjemahkan sebagai sehari penuh. Kami memulihkan repositori ke commit ketika bug masih wujud, hanya memberikan satu isu, lalu membiarkannya berjalan tanpa sebarang petunjuk. Selepas mencari 2 corak dan membaca 2 fail, ia secara langsung memberikan diagnosis—Python menyimpan timedelta negatif dalam bentuk pelengkap, timedelta(hours=-5) sebenarnya adalah days=-1, seconds=68400. Kod asal mengambil abs() secara berasingan untuk kedua-dua komponen, -1 hari menjadi 1 hari, dan 68400 saat dibiarkan tanpa perubahan, menghasilkan «1 hari + 19 jam». Analisis punca asal ini sepadan sepenuhnya dengan diagnosis pembaikan rasmi—penyimpanan pelengkap, tanda komponen tidak seragam, dan pengambilan abs secara berasingan menyebabkan ralat. Tetapi cadangan penyelesaiannya berbeza daripada yang rasmi: yang rasmi mengambil nilai mutlak keseluruhan timedelta, manakala ia memilih menukar kepada jumlah saat terlebih dahulu, kemudian membahagikannya semula. Sebagai tambahan, keseluruhan proses ini dijalankan di dalam Claude Code. Dan Claude Code adalah salah satu persekitaran latihan yang disebut secara khusus dalam Harness Scaling rasmi—mini-swe-agent, Claude Code, Codex, OpenClaw. Latihan berulang kali dalam pelbagai kerangka kerja bertujuan untuk mencapai «tidak mengalami kesukaran apabila menukar kerangka kerja». Ujian sebenar menunjukkan ia berjaya beradaptasi dengan sempurna, tanpa sebarang «kesukaran penyesuaian».

Soalan terakhir bukan sekadar membaiki ralat, tetapi memasukkan satu set fungsi baru ke dalam sistem yang masih hidup. Semua orang pernah mengalaminya: anda menghantar fail 1 GB, sampai 92%, kemudian sambungan internet terputus. Muat semula—ia bermula semula dari 0%. Penyelesaiannya disebut muat naik berkeping-keping: potong menjadi seribu keping, jika terputus, hanya muat naik semula kepingan yang belum selesai. Kelihatan mudah: potong, muat naik, sambung semula. Tetapi yang sukar bukan ketiga-tiga langkah ini, tetapi kekacauan di tengah-tengah:

Fragmen sampai tidak mengikut urutan. Klien mengulang penghantaran setelah terputus, tetapi pelayan tidak dapat membezakan sama ada ia merupakan percubaan semula atau penimpaan. Semasa pelayan dimulakan semula, 700 fragmen di cakera menjadi anak yatim tanpa pemilik. Walaupun semua fragmen sampai, ia tidak bermakna ia telah dihantar dengan betul.

Ia berjalan selama 20 minit 12 saat. Penyelesaiannya ialah, bahagikan cakera kepada tiga laci: yang telah diterbitkan, metadata progres, dan serpihan yang belum dihantar. Serpihan sentiasa berada di dalam chunks/, secara fizikal tidak boleh mencapai kawasan yang telah diterbitkan. Metadata ditulis terlebih dahulu ke fail sementara, kemudian ditukar secara atomik. Ini kerana proses mungkin gagal semasa menulis progres separuh jalan, meninggalkan data rosak separuh. Tulis lengkap dahulu, kemudian tukar nama dalam satu langkah—ia akan berjaya sepenuhnya atau gagal sepenuhnya. Selepas restart, semak sekilas, progres segera pulih. Ulangi pembahagian serpihan, bandingkan per byte. Cara malas ialah: "Jika sudah ada serpihan di posisi ini, anggap sebagai ulangan, benarkan." Tetapi ia membandingkan setiap byte: sedikit saja berbeza, ia akan mengeluarkan ralat, data asal tidak berubah sedikit pun. Hasil akhir ialah 8 fail, sekitar 1400 baris kod, lima API baharu, 26 ujian muat naik, dan semua fungsi jeda dan pulih semula semasa muat naik di sisi pelayar telah dilengkapkan. npm test → 33 ujian, 0 gagal. Selain itu, lima antaramuka lama tetap berfungsi tanpa sebarang masalah. Kunci soalan ini ialah, dalam 20 minit itu, ia tidak melupakan satu pun daripada panjang senarai "Bagaimana jika...". Kejuruteraan perisian sebenar, sembilan puluh peratus usaha dihabiskan untuk menangani "bagaimana jika..." ini.

Kemampuan peringkat agen mendekati Opus 4.8

Mari kita lihat prestasi KAT-Coder-Pro V2.5 dalam senarai sebenar. Dalam PinchBench, yang mengukur kemampuan penggunaan alat Agentic, KAT-Coder-Pro V2.5 mendapat 94.2 mata, mengalahkan Opus 4.8. Dalam senarai kejuruteraan perisian peringkat repositori SWE-Bench Pro, yang dianggap sebagai "paling sukar", ia mendapat 65.2 mata, hanya ketinggalan sedikit daripada Opus 4.8 (69.2 mata), tetapi jauh melebihi serangkaian model tempatan. Selain itu, dalam set penilaian kejuruteraan sebenar yang dibina secara dalaman, KAT Code Bench, ia mendapat 53.1 mata dan berada di kumpulan kedua; dalam set penilaian Agentic berorientasikan perniagaan, KAT Claw Bench, ia mendapat 85.5 mata, berperang rapat dengan model tertutup dan terbuka terkuat. Dalam keseluruhan litar model pengkodan, ini merupakan lompatan nyata ke dalam kumpulan teratas. Setelah melihat kekuatan sebenar KAT-Coder-Pro V2.5, saatnya untuk mengkaji pencapaian kejuruteraan di sebaliknya.

Pembongkaran Teknologi Inti

Kali ini, pasukan KwaiKAT melakukan peningkatan sistematik berpusat pada "rantai tugas yang lebih panjang dan alur kerja perniagaan yang lebih kompleks". Secara khusus, KAT-Coder-Pro V2.5 mencapai lompatan menyeluruh dalam tiga dimensi utama:

Kemampuan kejuruteraan jangka panjang, kemampuan agen generik, serta sistem pembelajaran penguatan agen berskala besar yang menyokong semuanya.

“File tunggal berprestasi tinggi” dan “benar-benar berfungsi dalam projek” adalah dua perkara yang berbeza

Realiti yang perlu dipahami: Meminta AI untuk "melengkapi satu fungsi" dan meminta AI untuk "menyelesaikan satu tugas kejuruteraan" adalah dua tahap kemampuan yang berbeza. Yang pertama, model semasa sudah sangat mahir. Namun, kejuruteraan perisian sebenar selalu mempunyai wajah yang berbeza. Tiga kesilapan paling kerap dilakukan model dalam tugas gudang jangka panjang ialah: salah menentukan lokasi antarafail, tidak mematuhi piawaian projek, dan menghantar kerja tanpa lulus ujian. Manakala longkang sebenar sering berada di tempat yang tidak intuitif: apa yang menghalang model bukanlah berapa banyak kod yang ia baca, tetapi berapa banyak projek sebenar yang ia jalankan hingga selesai. Masalahnya ialah, mencipta persekitaran gudang yang boleh dijalankan dan boleh disahkan secara berjumlah besar sangat sukar—kejayaan pembinaan langsung dalam industri ini secara berterusan hanya sekitar 16.5%. Dengan kata lain, sekiranya satu daripada enam gudang berjaya dibina, itu sudah dianggap baik. Penyelesaian KwaiKAT ialah AutoBuilder, yang menjadikan model sebagai "jurutera persekitaran" sendiri: menganalisis gudang, menghasilkan konfigurasi, dan mengesahkan sama ada ujian benar-benar dijalankan dalam sandbox terpisah; jika gagal, ia akan secara automatik mengulang dan membaiki. Kesannya langsung ketara—kejayaan pembinaan persekitaran meningkat dari 16.5% kepada 57.2%, dengan kumpulan data yang terkumpul mencakupi 12 bahasa pengaturcaraan dan lebih daripada 100,000 persekitaran gudang yang boleh dijalankan dan disahkan. Jenis perubahan dalam persekitaran ini merangkumi pembaikan kecacatan, penambahan fungsi, kepadanan antara muka, interaksi antarabahagian, dan pembaikan regresi—hampir meniru semua skenario yang dihadapi dalam pembangunan sebenar. Inilah "bengkel latihan" V2.5. Dalam pemprosesan data, terdapat satu idea bijak. Industri biasanya "menyimpan yang betul dan membuang yang salah", tetapi KwaiKAT sengaja mencari emas dalam kegagalan—banyak kegagalan sebenarnya hanya kurang satu langkah terakhir: arahnya betul, lokasinya tepat, hanya kurang satu penilaian kunci. Pasukan menyaring sampel seperti ini, kemudian menjalankan semula dengan petunjuk yang disesuaikan, dan kira-kira dua puluh peratus berjaya ditukar menjadi data latihan berkualiti tinggi yang boleh diperoleh semula. Oleh itu, model tidak hanya belajar "bagaimana membuatnya betul", tetapi juga sesuatu yang lebih berharga: "bagaimana memperbaiki apabila salah".

Agentic Umum, dari 「mampu memanggil alat」 ke 「mampu menangani bisnis」

Menulis kod hanyalah separuh daripada kemampuan agen. Separuh lagi ialah menguasai alur kerja perniagaan sebenar. Penilaian pemanggilan alat yang ada kebanyakannya adalah tugas atom—memeriksa cuaca, memesan tiket, selesai dalam lima pusingan lebih kurang. Tetapi perniagaan sebenar adalah pada tahap yang berbeza, contohnya:

Baca tren terpanas selama satu minggu di pelbagai platform, saring item industri video pendek, ambil lima teratas mengikut populariti mengikut platform, kemudian hasilkan laporan ringkas dengan bab dan had perkataan, disusun mengikut tarikh secara menurun, dan tidak dibenarkan membuat data palsu.

Jenis kerja ini, yang melibatkan lebih dari sepuluh interaksi, disertai dengan banyak batasan format dan konsistensi tersirat; jika satu sambungan terputus, keseluruhan proses akan gagal. Seperti projek jangka panjang, kemampuan ini juga dilatih di "bengkel". Di sisi kod, ia bergantung pada AutoBuilder, manakala di sisi perniagaan, KwaiClawEnv mengambil alih, membentuk tiga litar tertutup yang bekerjasama:

• Lapisan Perkhidmatan memperluaskan kolam secara dinamik, mengubah skill komuniti yang banyak menjadi perkhidmatan yang boleh dideploy;
• Lapisan Tugas menggunakan bisnis sebenar sebagai benih, menghasilkan pelbagai variasi tugas secara besar-besaran;
• Lapisan Eval menggunakan penyaringan ganda «peraturan ketat + penilaian model» untuk hanya menyimpan trajektori yang boleh dilaksanakan, boleh diverifikasi, dan berkelakuan semulajadi.

Dalam data latihan yang dihasilkan, setiap trajektori purata melibatkan 15 panggilan alat, dengan yang terpanjang melebihi 100 langkah, mencakup analisis data, integrasi antar sistem, pemprosesan dokumen berbilang, dan penghasilan laporan. Ini secara tepat mencerminkan tugas harian yang dihadapi oleh ribuan jurutera dan ahli perniagaan di Kuaishou.

Pembelajaran mendalam berskala besar, membolehkan AI belajar sendiri "cara melakukannya"

Penyempurnaan yang dipantau membolehkan model meniru contoh, tetapi ia menjadi bingung apabila menghadapi ralat atau umpan balik tak dikenali. Yang benar-benar mengajar model untuk menjelajah, memperbaiki ralat, dan mengesahkan ialah RL berskala besar. Pasukan KwaiKAT memberikan usaha mereka di tiga tempat berikut:

Pertama, perancah tanpa had (Harness Scaling).

Buat model berlatih secara bergiliran dalam pelbagai rangka kerja seperti mini-swe-agent, Claude Code, Codex, OpenClaw. Rangka kerja ini mempunyai perbezaan besar dalam protokol pemanggilan, pengurusan konteks, dan aliran kawalan, memaksa model untuk membangunkan kemampuan sebenar dalam "menyelesaikan tugas" supaya tidak mengalami kesukaran apabila bertukar rangka kerja.

Kedua ialah pengagihan kredit jangka panjang.

Dalam ratusan interaksi, langkah manakah yang benar-benar menghasilkan hasil yang baik? Tim menggunakan PPO asimetrik: semasa model bekerja, ia hanya melihat maklumat persekitaran sebenar, tetapi Critic yang memberi penilaian latihan boleh memanfaatkan "perspektif Tuhan" tambahan—akhirnya, sama ada ujian lulus atau kualiti pampasan, ganjaran dan hukuman ditetapkan dengan tepat pada langkah tertentu, mengelakkan "satu kesilapan, seluruhnya gagal".

Ketiga, tiga tingkat hadiah.

Mengunci hasil ujian sebenar di peringkat atas, menghalang jalan penipuan untuk meningkatkan skor; memperkenalkan amalan kejuruteraan yang teratur di peringkat tengah, seperti penggunaan alat yang betul dan pembersihan fail sementara; di peringkat bawah, memberi umpan balik positif kepada kegagalan yang berharga seperti "penentuan tepat, sebahagian ujian telah dilakukan" untuk melindungi rasa ingin tahu model. Perlu ditekankan bahawa pasukan sebelum ini menganggap masalah peningkatan reward adalah kerana algoritma, tetapi selepas penyiasatan, didapati punca utamanya ialah persekitaran latihan itu sendiri—pada peringkat awal, sekurang-kurangnya satu kegagalan dalam sekitar 16% trajektori berasal dari sandbox, bukan model. Selepas satu siri peningkatan infrastruktur yang ketat, kadar ralat umpan balik sandbox telah diturunkan kepada di bawah 2%, dan frekuensi kegagalan latihan berkurang sebanyak satu peringkat. Justeru, tugas-tugas asas yang kelihatan biasa inilah yang menjadi asas kepada latihan yang stabil seterusnya.

Satu model, mampu menampung lima kemampuan

Rekabentuk jangka panjang, agen generik, terminal, estetik antara muka, pengetahuan generik—KwaiKAT melatih seorang pakar untuk setiap lima arah ini. Cabaran sebenar ialah menggabungkan semuanya menjadi satu model, sambil mengelakkan “tekan satu, yang lain naik” yang berlaku seperti jungkat-jungkit. Jawapan pasukan ialah MOPD (Pengajaran Strategi Dalam Talian Berbilang Guru): pelajar menyelesaikan soalan sendiri, dan apabila soalan itu berkaitan dengan bidang tertentu, pakar yang sesuai akan memberi panduan; kemampuan digabungkan dalam ruang fungsi, bukan dengan menyatukan parameter secara keras.

Sebuah KAT-Coder-Pro V2.5 yang mampu menampung keahlian lima pakar sekaligus, tanpa perlu beralih semasa penghantaran—menulis kod, menjalankan proses, dan membuat laman web, semuanya selesaikan dalam satu alat.

Kemampuan estetika antaramuka yang sangat dihargai pada versi sebelumnya telah diteruskan sepenuhnya ke versi ini, membuktikan mekanisme ini: kemampuan baru diperluas secara besar-besaran, sementara kemampuan lama tidak hilang sedikit pun. Rekonsruksi tanpa kompromi ini secara langsung membentuk rekod pencapaian yang paling meyakinkan.

Separuh kedua pengkodean, yang menentukan ialah "kejuruteraan"

KAT-Coder-Pro V2.5 berakar pada penilaian yang jelas: kini, batasan utama dalam memperkuat model pemrograman telah berpindah dari "seberapa besar modelnya" kepada "seberapa kukuh infrastruktur sekelilingnya". Oleh itu, pembinaan persekitaran, sintesis trajektori, kestabilan RL, dan integrasi kemampuan semuanya diperlakukan sebagai projek sistem yang setara. Hasilnya ialah gambaran kemampuan yang jelas—penggunaan alat Agentic paling unggul, ditambah kemampuan kejuruteraan peringkat gudang yang paling hampir dengan hadapan global. Bagi pembangun, ini bermakna mereka akhirnya boleh mempercayakan satu isu lengkap atau keseluruhan alur kerja untuk diproses tanpa perlu menjadi penjaga AI. Kini, KAT-Coder-Pro V2.5 telah dilancarkan sepenuhnya dan boleh segera dicuba. Cara memulakan: panggil API terus melalui StreamLake.com (ID Model: kat-coder-pro-v2.5).