کوائیکیٹ نے KAT-Coder-Pro V2.5 لانچ کیا، جو جدید کوڈنگ صلاحیتیں دکھاتا ہے

مقامی Coding ماڈل نے دھماکہ کر دیا! کوئکشو KAT-Coder-Pro V2.5 کا ٹیسٹ: 1 منٹ اور 20 سیکنڈ میں اصل Bug کا حل، 1395 لائنز کوڈ کے ساتھ مین اسکیپ کا مکمل ڈیزائن، لمبی مدتی انجینئرنگ صلاحیتیں Opus 4.8 تک پہنچ گئیں، اب آپ کو AI کے لیے نوکر نہیں بننا پڑے گا۔

مضمون کے مصنف، ذریعہ: نیوزھییوان

ایک ہاتھ کی تجربہ کاری سے پتہ چلا کہ AI کوڈنگ اب اس درجے تک پہنچ چکا ہے؟

جتنا بھی دعویٰ کیا جائے، اس سے بہتر ہے کہ عملی صورتحال میں اس کا امتحان لیا جائے۔ اب، ہم KAT-Coder-Pro V2.5 کو متعدد حقیقی سیناریوز میں شامل کر کے اس کی حقیقی صلاحیتیں جاننے کا فیصلہ کرتے ہیں۔

کوئی پراسیکس نہیں، براہ راست انکشاف — یہ CC میں ڈالا گیا AI، کوئ شو نے جاری کیا ہوا KAT-Coder-Pro V2.5 ہے، ایک فلگشپ Agentic Coding ماڈل۔ دوسرے AI شاید ابھی "آپ کے لیے کوڈ کا ایک حصہ مکمل کرنا" پر مشغول ہوں، لیکن اس کا مقصد ہے کہ وہ آپ کے لیے "پورا پروجیکٹ" بنائے۔ یہی وہ آخری شکاف ہے جو تمام Coding ماڈلز کے سامنے موجود ہے۔

پہلے پینلٹی ڈیمو صرف گرمی کا عمل تھا، اب V2.5 پر تھوڑا زیادہ شدت ڈالی جائے گی، اور میں کھیل کو زندہ حالت میں دوبارہ بناؤں گا۔

ہدایات کے 400 سے زیادہ لائنز ہیں۔ اسے درج ذیل طرح کم کریں:

ایک منفرد HTML فائل، Three.js، پہلی شخص کی نظر۔ 14 قسم کے بلاکس، جن میں سے ہر ایک کی سختی، شفافیت اور ٹکراؤ کی خصوصیات ہیں، بنیادی پتھر ناپید نہیں ہو سکتا۔ تمام ٹیکسچرز کو Canvas پر 16×16 پکسل کے تصویر کے طور پر پروگرامی طور پر تخلیق کیا جانا چاہیے — کوئی باہری ٹیکسچر استعمال نہیں کی جا سکتی۔ ایک ثابت بیج نوائس کے ذریعے ایک جزیرہ تخلیق کیا جائے، جس میں پہاڑیاں، کنارہ، سطحی پانی اور زمین کے نیچے کے خانہ بند ذخائر شامل ہوں۔ پروگرامی طور پر اکاش کے جنگل تخلیق کریں، اور ایک ایسا جنگل کا چھوٹا گھر جس میں داخل ہوا جا سکے (لکڑی کے فرش، لمبے لکڑی کے ستون، شیشے کی کھڑکیاں، گول پتھروں کا چھت، اور انگریزی برِک کا چِمney)۔ اور جنم کے نقطے سے ایک گول پتھروں کا راستہ بچھائیں۔ نشانہ لگانے پر لائن فریم نمایاں ہو، بائیں کلک دبائے رکھنے پر پروگریس بار ظاہر ہو، اور جب بلاک توڑا جائے تو ٹکڑوں کے ذرات گرنے لگیں۔ آواز کو Web Audio کے ذریعے حقیقی وقت میں تخلیق کیا جائے۔

فوراً، ایک قابل کھیل "مائن کرافٹ" تیار ہو گیا۔ "دنیا میں داخل ہوں" پر کلک کریں، ماؤس اسکرین میں قفل ہو جائے گا۔ آپ کے نیچے گھاس ہے، اوپر آسمان نیلا ہے، ایک پتھر کا راستہ آپ کے پاؤں کے پاس سے شروع ہوتا ہے، اکیلے درخت کے گرد لپیٹتا ہے، اور درخت کے پیچھے ایک چھوٹی سی گھر کی طرف جاتا ہے—لکڑی کی دیواریں، لمبے لکڑی کے ستون، پتھر کا چھت، اور ایک سرخ اینٹوں کی چمچھ۔ دیواروں کے گرد شیشے کی کھڑکیاں بھی لگی ہوئی ہیں۔ اب، گھر کے سامنے کے خالی جگہ کی طرف جائیں، بائیں کلک کو دبائے رکھیں، "پُو" کی آواز آتی ہے، اور گھاس کا مربع ٹوٹ جاتا ہے۔ دہائیوں سبز چھوٹے مکعب اس گڑھے سے باہر کودتے ہیں اور گھومتے ہوئے نیچے گرتے ہیں۔ ٹکڑوں کا رنگ، بالکل وہی ہے جو آپ نے ابھی کھودا تھا۔ اب، اوزار کی بار پر سرکھائیں تاکہ ریت، اکیلے کا لکڑی اور پتھر جیسے مواد منتخب کر سکیں—اب آپ کو اپنی تعمیر شروع کرنے کا وقت آ گیا ہے۔ حیران کن بات یہ ہے کہ اس چھوٹی دنیا میں، ہم نے آسمان کو رنگ دینے والی ایک غروب آفتاب بھی دیکھا۔

ایک اور انٹرایکٹو ٹیسٹ کریں، جس میں V2.5 کو بنا ہوا سورجی نظام بنانا ہے۔ اس کی صلاحیت کا پتہ لگانے کے لیے، ہم نے بہت سخت پابندیاں عائد کی ہیں:

1000+ لائنز کے پرومپٹس، مرکزی نکات درج ذیل ہیں:

ایک منفرد HTML، صرف Canvas 2D، Three.js کا استعمال ممنوع۔ آٹھویں سیارے، 11 سیاروں کے قمر، تمام کے J2000 ایپوچ کے حقیقی مداری عناصر — نصف بڑا محور، ایکسنٹریسٹی، مائلیشن، صعودی نوڈ کا طول، پیرامیٹر آف پریسیڈنٹ، اور میان انوملی۔ angle += speed کا استعمال ممنوع۔ سیارے اور قمر دونوں کو نیوٹن کے طریقہ سے کیپلر کے مساوات حل کرنا ہوگا، اور دونوں کے لیے ایک ہی daysSinceJ2000 استعمال ہوگا۔ زہرہ اور اورنوس کا گردش منفی ہونا چاہیے۔ ٹرائٹن کا گردش اُلٹا ہونا چاہیے، مائلیشن 157.3°۔ زحل کے اور اورنوس کے خلقوں کو دو مرحلوں میں بنانا ہوگا تاکہ سیارے انہیں ڈھک سکیں۔ اعلیٰ سپیڈ پر قمر کو ٹریک موڈ میں تقسیم کرنا ہوگا تاکہ فلکر نہ ہو۔ توقف پر سیاروں کی سطح کا گردش بھی روکنا ہوگا، اور ریورس پلے پر واپس جانے کا عمل اُلٹا ہونا چاہیے۔ سیاروں کی سطح پوری طرح پروگرامنٹ سے بنائی جائے گی: جپٹر پر بڑا لال دھبہ ہوگا جو اپنے گردش کے ساتھ نظر آنے والے نصف گولے میں گزرتا رہے؛ زمین کے قارہ جب پشت پر آئیں تو غائب ہو جائیں گے اور دوسری طرف سے واپس آئیں گے۔ اضافہ: آٹھ درجات کا وقت کی رفتار، دو قسم کے مدار نسبت، ورچوئل کیمرہ فوللو، 700 ثابت بیج والے ستارے، اسٹرائڈ بینڈ، کائپر بینڈ، ریسپانسِو لے آؤٹ، نو شارٹکٹس۔

اس پیچیدہ درخواست کے سامنے، V2.5 نے ایک کتابی طور پر ہندسی سوچ کا مظاہرہ کیا۔ اس نے پورے منصوبے کو درست طریقے سے تقسیم کیا: ڈھانچہ ڈیزائن اور آرٹھ کی حساب کتاب کی حکمت عملی سے لے کر مکمل دو راستہ تناسب نظام، ستارہ منظر تخلیق، اصل ستارہ کی ترسیل، سیاروں کے حلقوں کی لیورل رینڈرنگ، اور پیچیدہ سیٹلائٹ سسٹم کے انتظام تک۔ تمام ماڈیولز ایک دوسرے کے ساتھ مرحلہ وار آگے بڑھ رہے ہیں، منطق بہت گہرا ہے۔ بات کم کرتے ہوئے، فوراً ڈیمو دکھاتے ہیں۔

اس ویب سائٹ کو کھولیں، درمیان میں آج کی تاریخ ہے، اور اس اسکرین پر آٹھویں سیارے اپنی ابھی کی حقیقی پوزیشن پر ہیں۔ یہ سورجی نظام کا ایک گرافک نہیں، بلکہ ایک حقیقی چلنے والا سورجی نظام ہے! سورج درمیان میں بیٹھا ہے، اور سیارے ایک کے بعد ایک پھیلے ہوئے ہیں۔ مریخ اور مشتری کے درمیان، ایک باریک دھول کا گول چکر آہستہ آہستہ گھوم رہا ہے — اسٹیرائڈ بینڈ۔ تمام آسمانی جسم، تمام قمر، اور سیاروں کی سطح پر ہر بادل ایک ہی سمجھوتہ وقت سے چل رہے ہیں۔ جب آپ پاز کے بٹن دبائیں گے تو، سیارے گردش بند کر دیں گے، قمر گردش بند کر دیں گے، اور زمین گردش بند کر دے گی۔ زحل پر کلک کریں، دائیں طرف ایک معلومات کا پینل سلائڈ ہوگا۔ پینل کے اوپر ایک چھوٹا سا پریویو ونڈو میں، زحل آہستہ آہستہ گھوم رہا ہے، اس کے حلقوں کے ساتھ، اور آگے پیچھے کا ترتیب بالکل درست رہتا ہے۔ یہ اب ایک ہوم ورک جیسا نہیں لگتا، بلکہ ایک لانچ ہوچکا پروڈکٹ جیسا لگتا ہے۔

اس کے بعد، ہم نے KAT-Coder-Pro V2.5 کو ایک حقیقی اوپن سورس بگ میں ڈال دیا۔ نتائج اس سے بھی زیادہ دلچسپ تھے جو ہم نے پہلے دیکھے تھے۔ یہ مسئلہ humanize سے لیا گیا تھا، ایک حقیقی پائیتھن اوپن سورس لائبریری۔ 2024 میں اس میں ایک حقیقی بگ تھا: naturaldelta(timedelta(hours=-5))، جسے "5 hours" واپس کرنا چاہیے تھا، لیکن اس نے "a day" کہا۔ منفی پانچ گھنٹے کو ایک پورا دن کہہ دیا گیا۔ ہم نے ریپوزٹری کو اس کامٹ تک واپس لے آیا جب بگ ابھی موجود تھا، صرف ایک اسکش کو دے کر اور مکمل طور پر کوئی حوالہ نہ دے کر۔ صرف 2 پیٹرنز کو سرچ کرنے اور 2 فائلز کو پڑھنے کے بعد، اس نے براہ راست تشخیص دی—پائیتھن منفی timedelta کو کمپلیمنٹ سٹوریج میں محفوظ کرتا ہے، timedelta(hours=-5) اندر واقعی days=-1, seconds=68400 ہے۔ اصل کوڈ نے دونوں کمپوننٹس کے لیے الگ الگ abs() لے لیا، -1 دن 1 دن بن گیا، اور 68400 سیکنڈز وہی رہ گئے، جس سے "1 دن + 19 گھنٹے" بن گئے۔ یہ جڑ کی تشخیص، باقاعدہ فکس کے تشخیص سے بالکل ملتی جلتی تھی—کمپلیمنٹ سٹوریج، کمپوننٹس کے علامت میں عدم مطابقت، الگ الگ abs() لینے سے غلطی۔ لیکن اس نے جو علاج تجویز کیا، وہ باقاعدہ علاج سے مختلف تھا: باقاعدہ علاج پورے timedelta کو مطلق قدر میں تبدیل کرتا ہے، جبکہ اس نے پہلے مجموعی سیکنڈز میں تبدیل کرنے اور پھر تقسیم کرنے کا انتخاب کیا۔ اس بات کا ذکر کرنا ضروری ہے کہ یہ پورا سلسلہ Claude Code پر چل رہا تھا۔ اور Claude Code، جو官方 Harness Scaling میں بالکل واضح طور پر تربیت کا ماحول قرار دیا گيا ہے—mini-swe-agent، Claude Code، Codex، OpenClaw۔ متعدد فریم ورکس پر دوبارہ عمل کرنے کا مقصد "فریم ورک بدل دو، مسئلہ نہ ہو" ہے۔ عملی طور پر، ہم نے دیکھا کہ وہ بالکل موزوں رہا، بالکل "محلی ماحول سے ناواقف" نہ ہوا۔

آخر سوال صرف ایک بگ فکس نہیں ہے، بلکہ ایک زندہ سسٹم میں مکمل نئے فیچرز ڈالنا ہے۔ ہر کوئی اس کا تجربہ کر چکا ہے: آپ ایک 1 جیگا بائٹ کا فائل اپ لوڈ کرتے ہیں، جب تک 92% نہیں ہو جاتا، پھر انٹرنیٹ کنکشن ٹوٹ جاتا ہے۔ ریفرش کریں — اب صفر فیصد سے شروع کرنا پڑتا ہے۔ اس کا حل "شِنگ" اپ لوڈ ہے: فائل کو ایک ہزار ٹکڑوں میں تقسیم کریں، اگر کنکشن ٹوٹ جائے تو صرف ابھی تک نہیں بھیجے گئے ٹکڑوں کو دوبارہ بھیج دیں۔ سننے میں آسان لگتا ہے: ٹکڑے کریں، اپ لوڈ کریں، پھر دوبارہ جوڑ دیں۔ لیکن یہ تین مرحلے نہیں مشکل ہیں، بلکہ ان کے درمیان کا پورا شور شرابہ ہے:

شیڈز الگ الگ اور غلط ترتیب میں پہنچ رہے ہیں۔ کلائنٹ کنکشن کٹنے کے بعد دوبارہ جڑ رہا ہے، لیکن سرور نہیں جانتا کہ یہ دوبارہ کوشش ہے یا اووررائٹ۔ سرور کو دوبارہ شروع کرنے پر، ڈسک پر 700 شیڈز بے مالک بچ جاتے ہیں۔ اور یہ بھی کہ سب شیڈز پہنچ گئے ہوں، اس کا مطلب یہ نہیں کہ وہ درست طریقے سے بھیجے گئے ہوں۔

اس نے 20 منٹ اور 12 سیکنڈ لگائے۔ حل یہ تھا کہ پہلے ڈسک کو تین ڈرایو میں تقسیم کیا گیا: جاری کردہ، پیش رفت میٹا ڈیٹا، اور ابھی تک اپ لوڈ نہ ہونے والے ٹکڑے۔ ٹکڑے ہمیشہ chunks/ میں رہتے ہیں، جس سے جاری کردہ علاقے تک فزیکلی رسائی نہیں ہوتی۔ میٹا ڈیٹا کو پہلے عارضی فائل میں لکھا جاتا ہے، پھر ایٹومک rename کیا جاتا ہے۔ کیونکہ پروسیس اچانک پیش رفت لکھتے وقت بند ہو سکتی ہے اور نا تمام، ناقص ڈیٹا چھوڑ دے۔ پہلے مکمل لکھ دیا جاتا ہے، پھر ایک مرحلے میں نام بدل دیا جاتا ہے—یا تو سب کچھ کام کرتا ہے، یا سب کچھ ناکام ہو جاتا ہے۔ ریسٹارٹ کے بعد صرف ایک نظر سے، پیش رفت فوراً واپس آ جاتی ہے۔ دوبارہ تقسیم کر کے، ہر بائٹ کا موازنہ کیا جاتا ہے۔ آسان طریقہ یہ ہے: "اس پوزیشن پر اب ایک ٹکڑا موجود ہے، اسے دوبارہ سمجھو، اجازت دو"۔ لیکن اس نے ہر بائٹ کو الگ الگ تفصیل سے موازنہ کیا: اگر صرف ایک بائٹ بھی فرق تھا تو، غلطی کا اشارہ دیا گیا، اور اصل ڈیٹا مکمل طور پر بے ترتیب نہیں ہوا۔ آخر میں، 8 فائلیں، تقریباً 1400 لائنز کوڈ، پانچ نئے API، اور 26 اپ لوڈ ٹیسٹز تھے، جن میں براؤزر طرف سے پاز کرنا، جاری رکھنا، اور رفرش کے بعد بحال ہونا بھی شامل تھا۔ npm test → 33 ٹیسٹس، 0 ناکام۔ اور پانچ پرانے انٹرفیسز میں سے کوئی بھی خراب نہیں ہوا۔ اس مسئلے کا اصل نقطہ، بس اس بات پر تھا کہ بار بار "اور اگر... تو؟" کے سوالات میں سے ایک بھی نظر انداز نہ کیا گیا۔ حقیقی سافٹ وئیر انجینئرنگ میں، نو فیصد محنت ان "اور اگر... تو؟" کے سوالات پر خرچ ہوتی ہے۔

ایجینٹ کی انجینئرنگ لیول کی صلاحیتیں Opus 4.8 تک کے قریب ہیں

KAT-Coder-Pro V2.5 کا حقیقی رینکنگ میں کارنامہ دوبارہ دیکھیں۔ Agentic ٹولز کے استعمال کی صلاحیت کے لیے PinchBench پر، KAT-Coder-Pro V2.5 نے 94.2 اسکور حاصل کیا، جو Opus 4.8 کو پیچھے چھوڑ دیا۔ جسے "سب سے مشکل" سمجھا جانے والا سافٹ ویئر انجینئرنگ ریپوزٹری لسٹ SWE-Bench Pro پر، اس نے 65.2 اسکور حاصل کیا، جو Opus 4.8 (69.2 اسکور) کے پیچھے ہے، لیکن کئی چینی ماڈلز کو واضح طور پر پیچھے چھوڑ دیا۔ علاوہ ازیں، اپنے اندر تعمیر کردہ حقیقی انجینئرنگ ایوان کے ٹیسٹ سیٹ KAT Code Bench پر، اس نے 53.1 اسکور حاصل کیا اور دوسرے گروپ میں جگہ بنائی؛ اور بزنس-بنیادی Agentic ٹیسٹ سیٹ KAT Claw Bench پر 85.5 اسکور حاصل کیا، جو سب سے زیادہ طاقتور بند اور اوپن سورس ہم جنس لوگوں کے ساتھ برابری کرتا ہے۔ مجموعی طور پر کوڈنگ ماڈلز کے مقابلے میں، یہ حقیقی طور پر پہلے طبقے میں داخلہ ہے۔ KAT-Coder-Pro V2.5 کی حقیقی طاقت کو دیکھنے کے بعد، اب اس کے پیچھے کے انجینئرنگ عمل کو جاننا وقت آ گیا ہے۔

مرکزی ٹیکنالوجی کا تجزیہ

اس بار، "لمبی ترین کام کی لائنیں، زیادہ پیچیدہ بزنس ورک فلو" کے گرد، KwaiKAT ٹیم نے ایک نظام کی سطح پر اپ گریڈ کیا۔ خاص طور پر، KAT-Coder-Pro V2.5 تین اہم شعبوں میں مکمل طور پر کامیابی حاصل کی ہے:

طویل مدتی انجینئرنگ کابیلیتیں، جامع Agentic کابیلیتیں، اور ان سب کو سپورٹ کرنے والی بڑے پیمانے پر Agentic تقویتی سیکھنے کی نظام۔

"ایک فائل میں اچھا اسکور" اور "پروجیکٹ میں حقیقی کام کرنا" دو الگ باتیں ہیں

سچائی کو سمجھنا ضروری ہے: AI کو "ایک فنکشن مکمل کرنے" کے لیے کہنا اور AI کو "ایک مکمل انجینئرنگ ٹاسک پورا کرنے" کے لیے کہنا، دو مختلف سطحوں کی صلاحیتیں ہیں۔ پہلی بات، موجودہ ماڈلز اس میں بہت ہی آسانی سے ماہر ہو چکے ہیں۔ لیکن اصل سافٹ ویئر انجینئرنگ کبھی بھی اسی طرح نہیں ہوتی۔ ماڈلز لمبے مخزن کے کاموں میں سب سے زیادہ تین قسم کی غلطیاں کرتے ہیں: فائلوں کے درمیان جگہ درست نہ تلاش کرنا، پروجیکٹ کے معیارات پر عمل نہ کرنا، اور ٹیسٹ نہ گزرنے پر کام جمع کرنا۔ اور اصل رکاوٹ عام طور پر ایک غیر متوقع جگہ پر ہوتی ہے: ماڈل کو روکنے والی بات عام طور پر اس کے پاس کتنے کوڈز ہیں، اس سے زیادہ اس نے کتنے اصل پروجیکٹس کو مکمل طور پر چلایا ہے، یہ ہوتی ہے۔ مشکل یہ ہے کہ قابل چلانے اور قابل تصدیق والے مخازن کا ماحول بنانا بہت مشکل ہے، صنعت میں مستقل طور پر کامیاب تعمیر کا تناسب صرف 16.5% کے قریب رہا ہے۔ دوسرے الفاظ میں، چھ مخازن میں سے ایک بھی کامیاب طور پر تعمیر ہو جائے تو بہت اچھا ہے۔ KwaiKAT کا حل AutoBuilder ہے، جس میں ماڈل خود "ماحول انجینئر" بن جاتا ہے: مخزن کا تجزیہ کرتا ہے، ترتیبات تخلیق کرتا ہے، اور انفرادی سینڈ باکس میں ٹیسٹس کا درست طریقے سے انجام دینا تصدیق کرتا ہے، اگر ناکام ہوا تو خود بخود دوبارہ ترمیم کرتا ہے۔ اس کا اثر فوراً نظر آتا ہے، ماحول تعمیر کی کامیابی کا تناسب 16.5% سے بڑھ کر 57.2% ہو گیا، جس سے 12 مختلف پروگرامنگ زبانوں پر مشتمل، 100,000 سے زائد قابل چلانے اور قابل تصدیق والے مخازن کا ماحول جمع ہوا۔ ان ماحولات میں تبدیلیوں کی قسمیں، خرابیوں کا درست کرنا، فنکشنلٹ کا اضافہ، انٹرفیس کا مطابقت، متعدد ماڈولز کا تعاون، اور ریگریشن درستگی شامل ہیں، جو تقریباً حقیقی ترقیات میں ملنے والے تمام مناظر کو دہراتے ہیں۔ یہی V2.5 کا "ٹریننگ ورکشاپ" ہے۔ ڈیٹا پروسسنگ میں ایک ذکاوت بھی موجود ہے۔ صنعت عام طور پر "صحیح رکھو، غلط حذف کرو" کا طریقہ اختیار کرتی ہے، لیکن KwaiKAT غلط واقعات میں بھی سونا تلاش کرتا ہے—بہت سارے ناکام واقعات صرف آخری قدم سے محروم تھے، راستہ درست تھا، جگہ درست تھی، صرف ایک اہم فیصلہ نہ تھا۔ ٹیم نے ان نمونوں کو الگ کرکے، ان پر خاص طور پر تجویز دے کر دوبارہ چلایا، جس سے تقریباً دو فیصد نمونے قابل دوبارہ تشخیص والے اعلٰى معیار کے تربت داد دار ڈیٹا میں تبدیل ہو گئے۔ اس طرح ماڈل نے صرف "کس طرح صحیح کرنا ہے" نہीں بلکہ زائد قدرت "غلط فھم سے کس طرح واپس آنا ہے" بھی سीکھ ليا۔

جنرل ایجینٹک، "ٹولز کا استعمال کرنا" سے "بزنس چلانا" تک

کوڈ لکھنا صرف ایجنٹک صلاحیتوں کا آدھا حصہ ہے۔ دوسرا آدھا، حقیقی کاروباری ورک فلو کو کنٹرول کرنا ہے۔ موجودہ ٹول کال ایوانٹس زیادہ تر ایٹومک ٹاسکس ہیں — موسم کی جانچ، ٹکٹ بک کروانا، تقریباً پانچ راؤنڈ میں ختم۔ لیکن حقیقی کاروبار ایک دوسرے سطح کا ہے، ایک مثال کے طور پر:

ایک ہفتے کے لیے متعدد پلیٹ فارمز کے ٹرینڈنگ لسٹس کو پڑھیں، ویڈیو شارٹس صنعت کے آئٹمز کو فلٹر کریں، ہر پلیٹ فارم پر ٹاپ پانچ ٹرینڈز کو الگ کریں، اور تاریخ کے مطابق اُلٹا ترتیب، سرخیوں اور الفاظ کی حد کے ساتھ، اور ڈیٹا میں کوئی جعلسازی نہ کرتے ہوئے ایک مختصر رپورٹ تیار کریں۔

یہ قسم کا کام، اکثر دس سے زیادہ تعاملات کے ساتھ، اور بہت سے پوشیدہ فارمیٹ اور ایکسانس کے پابندیوں کے ساتھ ہوتا ہے؛ اگر درمیان میں ایک لنک ٹوٹ جائے، تو پورا کام برباد ہو جاتا ہے۔ لمبی مدتی انجینئرنگ کی طرح، یہ صلاحیت بھی «ورکشاپ» سے حاصل کی جاتی ہے۔ کوڈ کی طرف سے AutoBuilder اور بزنس کی طرف سے KwaiClawEnv، تین طبقات کا بند حلقوں کا تعاون:

• سروس لیئر میں ڈائنامک پول کا اضافہ، برادری کے بڑے پیمانے پر مہارت کو قابل ڈپلویمنٹ سروسز میں تبدیل کرنا؛
• ٹاسک لیئر حقیقی کاروبار کو بیج کے طور پر استعمال کرتا ہے اور لاکھوں ٹاسک ویریئنٹس پیدا کرتا ہے؛
• Eval لیول پر "سخت قواعد + ماڈل جائزہ" کے دوہرے فلٹر استعمال کیے جاتے ہیں، جن سے صرف قابل انجام، قابل تصدیق اور قدرتی سلوک والے ٹریکس ہی باقی رہتے ہیں۔

ٹریننگ ڈیٹا میں، اوسطاً ہر ٹریک کے 15 ٹول کالز ہیں، جبکہ سب سے لمبی 100 سے زیادہ اسٹیپس پر مشتمل ہے، جس میں ڈیٹا تجزیہ، کراس سسٹم انٹیگریشن، بیچ دستاویزات کی پروسیسنگ، اور رپورٹ تیار کرنا شamil ہے۔ یہ بالکل وہی کام ہیں جو کوئکش کے ہزاروں ریسرچ اور بزنس ممبرز روزانہ حقیقی طور پر سامنا کرتے ہیں۔

بڑے پیمانے پر تقویتی سیکھنا، جس سے AI خود سیکھے کہ "کیسے کریں"

نگرانی کی گئی فائن ٹیوننگ سے ماڈل نمونوں کی نقل کر سکتا ہے، لیکن جب بھی وہ نئی خطا یا غیر متوقع ردعمل کا سامنا کرتا ہے، تو پریشان ہو جاتا ہے۔ ماڈل کو تلاش، درست کرنا اور تصدیق کرنے کی واقعی تعلیم بڑے پیمانے پر RL سے ملتی ہے۔ KwaiKAT ٹیم نے اپنا زور درج ذیل تین جگہوں پر مرکوز کیا:

ایک یہ کہ سکیلینگ کے لیے کوئی حد نہیں ہے (Harness Scaling)۔

مینی-اسو-ایجنٹ، کلوڈ کوڈ، کوڈیکس، اوپنکلو وغیرہ کئی فریم ورکس میں متبادل طور پر عملی تجربہ کریں۔ یہ فریم ورکس کال پروٹوکول، سیٹنگ مینجمنٹ اور کنٹرول فلو میں بہت فرق رکھتے ہیں، جس سے ماڈل کو "ٹاسک حل کرنے" پر توجہ مرکوز کرنے کی ضرورت پڑتی ہے، اور کسی بھی نئے فریم ورک میں اسے مشکل نہیں ہوتی۔

دوسرا لمبی مدتی کریڈٹ ایلوكیشن ہے۔

سینکڑوں تعاملات میں، اچھے نتائج کس قدم سے حاصل ہوئے؟ ٹیم نے نا مساوی PPO استعمال کیا: ماڈل کام کرتے وقت صرف حقیقی ماحول کی معلومات دیکھتا ہے، جبکہ تربیت کے لیے اسکور کرنے والے Critic کو "خدا کا منظر" بھی استعمال کرنے کی اجازت ہوتی ہے — آخری ٹیسٹ کامیاب ہوا یا نہیں، پچ کی کوالٹی کیا ہے، اس کے مطابق انعام اور سزا کو درست طریقے سے مخصوص قدم تک محدود کیا جاتا ہے، تاکہ "ایک غلط قدم، پورا کھیل ضائع" نہ ہو۔

تیسرا تین درجات کا انعام ہے۔

اوپری سطح پر حقیقی ٹیسٹ نتائج کو لاک کریں اور ٹیسٹ میں دھوکہ دینے کے راستوں کو بند کر دیں؛ درمیانی سطح پر ٹولز کے استعمال، عارضی فائلز کو صاف کرنے جیسی انجینئرنگ عادات کو منظم کریں؛ نیچلی سطح پر "درست موقع پر، کچھ ٹیسٹ کیے گئے" جیسے قیمتی ناکامیوں کو بھی مثبت فیدبیک دیں، تاکہ ماڈل کی تلاش کی خواہش کو محفوظ رکھا جا سکے۔ قابل ذکر بات یہ ہے کہ ٹیم نے ابتدائی طور پر سمجھا تھا کہ ری وارڈ میں اضافہ نہ ہونا الگورتھم کا مسئلہ ہے، لیکن جانچ کے بعد پتہ چلا کہ اصل ذمہ دار تربیت کا ماحول تھا — ابتدائی طور پر، تقریباً 16% ٹرایجکٹریز میں، کم از کم ایک ناکامی سینڈ باکس کی وجہ سے تھی، ماڈل کی نہیں۔ ایک سخت بنیادی ڈھانچہ تعمیر کے بعد، سینڈ باکس کے غلط فیدبیک کی شرح 2% سے کم ہو گئی اور تربیت میں بحران کی فریکوئنسی تقریباً ایک درجہ بڑھ گئی۔ یہ سب غیر نمایاں بنیادی کام ہی تھے جنہوں نے بعد میں مستقل تربیت کو برقرار رکھا۔

ایک ماڈل، پانچ صلاحیتیں سما لے

لمحات طویل مدت، جامع Agentic، ٹرمنل، فرانت اینڈ خوبصورتی، جامع علم — ان پانچ شعبوں میں سے ہر ایک کے لیے KwaiKAT نے ایک ماہر تربیت دی۔ مشکل بات یہ ہے کہ انہیں ایک مدل میں جوڑنا ہے اور "ایک چیز دبائی تو دوسری اُٹھ گئی" والے گڑبڑ کو چھوڑنا ہے۔ ٹیم کا جواب MOPD (متعدد استاد آن لائن پالیسی ڈسٹلیشن) ہے: طالب علم خود سوالات حل کرتا ہے، اور جس شعبے کا سوال ہوتا ہے، اس کے ماہر سے رہنمائی لی جاتی ہے، اور صلاحیتیں فنکشن اسپیس میں ادغام ہوتی ہیں، نہ کہ پیرامیٹرز کو جبری طور پر ملا کر۔

ایک KAT-Coder-Pro V2.5، جو پانچ ماہرین کی صلاحیتیں ایک ساتھ رکھتا ہے، ڈپلویمنٹ کے دوران کوئی تبدیلی کی ضرورت نہیں — کوڈ لکھیں، پروسیس چلائیں، صفحہ بنائیں، ایک ہی سے سب کچھ۔

پچھلی نسخے کی بہت سراہی جانے والی فرانت اینڈ خوبصورتی کو اس نئی نسخے میں مکمل طور پر برقرار رکھا گیا ہے، جو اس نظام کی تصدیق کرتا ہے: نئے مہارتیں بڑھ گئیں، پرانی مہارتیں ایک بھی کم نہیں ہوئیں۔ اس بے حد محنت سے کی گئی دوبارہ تعمیر نے براہ راست وہ سب سے زیادہ قانع کن کامیابی حاصل کی۔

کوڈنگ کے دوسرے نصف میں، "انجینئرنگ" پر گھومتی ہے

KAT-Coder-Pro V2.5 کے پیچھے ایک واضح فیصلہ ہے: اب پروگرامنگ ماڈلز کو طاقتور بنانے کی رکاوٹ "ماڈل کا سائز" نہیں، بلکہ "متعلقہ بنیادی ڈھانچہ کتنا مضبوط ہے" ہے۔ اس لیے ماحول کی تعمیر، راستہ تخلیق، RL کی استحکام، اور صلاحیتوں کا ادغام، سب کو ایک اہم سسٹم انجینئرنگ کے طور پر سمجھا گیا ہے۔ اس کا نتیجہ ایک واضح صلاحیت کا نقشہ ہے — بہترین Agentic ٹول استعمال، اور عالمی سطح پر سب سے قریبی ویئر ہاؤس انجینئرنگ کی صلاحیت۔ ڈویلپرز کے لیے، اس کا مطلب یہ ہے کہ وہ اب ایک مکمل مسئلہ یا پورا ورک فلو AI کو سونپ سکتے ہیں، بغیر اس کا خود ہر قدم پر دیکھے۔ اب KAT-Coder-Pro V2.5 مکمل طور پر لائیو ہے، آپ فوراً تجربہ کر سکتے ہیں۔ شروع کرنے کا طریقہ: StreamLake.com پر براہ راست API کال کریں (ماڈل ID: kat-coder-pro-v2.5)۔