KwaiKAT ra mắt KAT-Coder-Pro V2.5, thể hiện khả năng lập trình nâng cao

Mô hình mã hóa trong nước đang bùng nổ! Thực nghiệm KAT-Coder-Pro V2.5 của Kuaishou: đóng vòng lỗi thực tế trong 1 phút 20 giây, viết tay 1.395 dòng mã để tạo ra Minecraft, khả năng xử lý dự án dài hạn sánh ngang Opus 4.8, không còn cần làm người chăm sóc AI nữa.

Tác giả bài viết, nguồn: STrí tuệ mới

Một tay thực tế, AI lập trình đã đến mức này rồi sao?

Dù có thổi phồng đến đâu, cũng không bằng thực tế nói lên tất cả. Tiếp theo, chúng ta sẽ đưa KAT-Coder-Pro V2.5 vào nhiều tình huống thực tế hơn để khám phá sâu bản chất của nó.

Không giấu diếm nữa, tiết lộ trực tiếp—AI được tích hợp trong CC chính là KAT-Coder-Pro V2.5 do Kuaishou phát hành, một mô hình lập trình Agentic cấp cao. Trong khi các AI khác vẫn đang cạnh tranh ở mức “giúp bạn bổ sung một đoạn mã”, thì nó lại hướng đến việc giúp bạn “thực hiện toàn bộ dự án”. Đây chính là khoảng cách lớn nhất mà mọi mô hình lập trình đều phải đối mặt.

Penalty kick demo vừa rồi chỉ là khởi động, tiếp theo sẽ tăng cường độ lên V2.5, tái hiện trực tiếp Minecraft.

Câu lệnh cũng có hơn 400 dòng. Nén lại, khoảng như thế này:

Một tệp HTML duy nhất, Three.js, góc nhìn người thứ nhất. 14 khối, mỗi khối có độ cứng, độ trong suốt và thuộc tính va chạm riêng, đá nền không thể phá hủy. Tất cả kết cấu phải được tạo bằng chương trình Canvas với hình ảnh 16×16 pixel—không được sử dụng bất kỳ hình ảnh bên ngoài nào. Sinh ngẫu nhiên một hòn đảo bằng nhiễu hạt cố định, bao gồm đồi, bờ biển, nước nông và mạch khoáng dưới đất. Sinh tự động rừng sồi, cộng thêm một ngôi nhà nhỏ trong rừng mà người chơi có thể bước vào (sàn gỗ, cột gỗ nguyên khối, cửa kính, mái đá tròn, ống khói gạch), và trải một con đường đá tròn từ điểm sinh ra đến ngôi nhà. Nhắm vào đường viền, giữ nút trái để hiển thị thanh tiến độ, khi đào sẽ tạo ra các hạt mảnh vỡ. Hiệu ứng âm thanh được tổng hợp trực tiếp bằng Web Audio.

Ngay lập tức, một thế giới « Minecraft » có thể chơi đã được hoàn thành. Nhấp vào « Vào thế giới », chuột sẽ bị khóa trong khung hình. Dưới chân bạn là cỏ, ngước mắt lên là bầu trời xanh, một con đường nhỏ bằng đá cuội trải dài từ chân bạn, uốn quanh cây sồi, dẫn đến căn nhà nhỏ phía sau cây — tường ván, cột gỗ nguyên khối, mái bằng đá cuội, một ống khói gạch đỏ, và xung quanh tường được gắn các cửa sổ kính. Tiếp theo, đi đến một khoảng trống trước căn nhà, giữ phím trái và nghe tiếng « bùm », khối cỏ vỡ ra. Mười vài khối lập phương nhỏ màu xanh lục bật ra khỏi hố, lăn lộn rơi xuống. Màu sắc của mảnh vỡ chính là màu của khối vừa được đào đi. Sau đó, trượt thanh công cụ để chọn các vật liệu như cát, gỗ sồi và đá, đã đến lúc thể hiện tài năng xây nhà của bạn. Điều bất ngờ là, trong không gian nhỏ bé này, chúng ta còn được chiêm ngưỡng một cảnh hoàng hôn nhuộm đỏ cả bầu trời.

Hãy thử một tương tác khác, để V2.5 tự tay nặn một hệ mặt trời. Để kiểm tra giới hạn khả năng của nó, chúng tôi đã đưa ra những điều kiện cực kỳ khắt khe:

Hơn 1000 dòng hướng dẫn, các điểm chính chính như sau:

Một tệp HTML duy nhất, thuần Canvas 2D, không được sử dụng Three.js. Tám hành tinh, 11 vệ tinh, đều sử dụng các yếu tố quỹ đạo thực tế tại epoch J2000 — bán trục lớn, độ lệch tâm, độ nghiêng, kinh độ nút lên, tham số cận điểm, góc gần điểm trung bình. Cấm tuyệt đối sử dụng angle += speed. Tất cả hành tinh và vệ tinh đều phải giải phương trình Kepler bằng phương pháp lặp Newton, và chia sẻ cùng một biến daysSinceJ2000. Tự quay của Kim tinh và Thiên vương tinh phải là số âm. Triton phải quay ngược chiều, độ nghiêng 157,3°. Vành sao Thổ và vành sao Thiên vương phải được vẽ thành hai lần riêng biệt — trước và sau — để hành tinh có thể che khuất vành. Ở tốc độ cao, vệ tinh phải chuyển sang chế độ quỹ đạo để tránh nhấp nháy. Khi tạm dừng, sự tự quay trên bề mặt hành tinh cũng phải dừng lại; khi chạy ngược, phải lùi lại theo chiều ngược lại. Toàn bộ bề mặt hành tinh được vẽ bằng chương trình: Sao Mộc phải có Vết Đỏ Lớn, di chuyển qua bán cầu nhìn thấy theo sự tự quay; lục địa Trái Đất khi quay ra phía sau phải biến mất và xuất hiện trở lại từ phía đối diện. Thêm vào đó: tám cấp tốc độ thời gian, hai tỷ lệ quỹ đạo, máy ảnh ảo theo dõi, 700 ngôi sao cố định với seed ngẫu nhiên, vành đai tiểu hành tinh, vành đai Kuiper, bố cục phản hồi, chín phím tắt.

Trước yêu cầu phức tạp đến vậy, V2.5 đã thể hiện tư duy kỹ thuật chuẩn mực như trong sách giáo khoa. Nó tách rời toàn bộ dự án một cách chính xác: từ thiết kế kiến trúc và chiến lược tính toán quỹ đạo, đến hệ thống tỷ lệ hai quỹ đạo toàn cục, tạo nền bầu trời sao, vẽ sao chính, hiển thị từng lớp vành đai hành tinh, cùng với việc quản lý hệ thống vệ tinh phức tạp. Tất cả các mô-đun được sắp xếp theo từng cấp độ, logic chặt chẽ từng bước. Không nói nhiều nữa, hãy cùng xem trình diễn trực tiếp.

Mở trang web này, ở giữa là ngày hôm nay, và tám hành tinh trên màn hình đang nằm ở vị trí thực tế của chúng tại thời điểm này. Đây không phải là một hình ảnh của hệ Mặt Trời, mà là một hệ Mặt Trời đang hoạt động thực sự! Mặt Trời nằm ở trung tâm, các hành tinh lần lượt trải ra. Giữa sao Hỏa và sao Mộc là một vòng bụi mịn đang từ từ quay — vành đai tiểu hành tinh. Mọi thiên thể, mọi vệ tinh, từng đám mây trên bề mặt hành tinh đều được điều khiển bởi cùng một thời gian mô phỏng. Khi nhấn nút tạm dừng, các hành tinh ngừng quay quanh Mặt Trời, các vệ tinh ngừng quay quanh hành tinh, và Trái Đất ngừng tự quay. Nhấp vào sao Thổ, một bảng thông tin trượt ra bên phải. Trong cửa sổ xem trước nhỏ ở đầu bảng, sao Thổ đang từ từ tự quay, các vành đai cũng theo đó quay theo, mối quan hệ che khuất trước sau hoàn toàn chính xác. Điều này không còn giống như một bài tập về nhà, mà giống như một sản phẩm đã được đưa lên mạng.

Tiếp theo, chúng tôi đã đưa KAT-Coder-Pro V2.5 vào một lỗi mã nguồn mở thực tế. Kết quả còn kịch tính hơn cả bài kiểm tra hiệu năng. Vấn đề đến từ humanize, một thư viện mã nguồn mở Python thực tế. Năm 2024, nó từng có một lỗi thực sự: naturaldelta(timedelta(hours=-5)) vốn nên trả về «5 hours», nhưng lại trả về «a day». Năm giờ âm bị dịch thành cả một ngày. Chúng tôi lùi lại repository về commit khi lỗi vẫn còn tồn tại, chỉ cung cấp cho nó một issue, rồi để nó tự xử lý, hoàn toàn không đưa ra bất kỳ gợi ý nào. Sau khi tìm kiếm 2 mẫu và đọc 2 tệp tin, nó đã đưa ra chẩn đoán trực tiếp — Python lưu trữ timedelta âm dưới dạng bù, nên timedelta(hours=-5) thực chất bên trong là days=-1, seconds=68400. Mã gốc lần lượt lấy abs() cho hai thành phần này, khiến -1 ngày trở thành 1 ngày, còn 68400 giây giữ nguyên, từ đó gán ghép thành «1 ngày + 19 giờ». Phân tích nguyên nhân gốc rễ này hoàn toàn khớp với chẩn đoán của bản vá chính thức — lưu trữ dạng bù, dấu các thành phần không đồng nhất, việc lấy abs riêng lẻ gây ra lỗi. Tuy nhiên, giải pháp mà nó đề xuất lại khác với bản vá chính thức: bản vá chính thức lấy giá trị tuyệt đối của toàn bộ timedelta, còn nó chọn chuyển đổi thành tổng số giây trước, rồi mới tách ra. Nhân tiện nói thêm, toàn bộ chuỗi thử nghiệm này được chạy trên Claude Code — và Claude Code chính là một trong những môi trường huấn luyện được nhắc đến rõ ràng trong Harness Scaling chính thức — mini-swe-agent, Claude Code, Codex, OpenClaw. Thực hành lặp lại trên nhiều khung công tác nhằm mục tiêu «thay khung công tác nhưng không bị lệch pha». Thực tế cho thấy, nó đã hoàn toàn thích nghi tốt, hoàn toàn không có hiện tượng «không hợp nước trời».

Câu cuối cùng không phải là sửa lỗi, mà là đưa vào một hệ thống đang hoạt động một bộ tính năng hoàn toàn mới. Tất cả mọi người đều từng trải nghiệm: bạn tải lên một tệp 1 GB, đến 92% thì mạng bị ngắt. Làm mới trang—tải lại từ 0%. Giải pháp gọi là tải lên theo từng phần: chia thành một nghìn mảnh, nếu ngắt kết nối thì chỉ cần tải lại những mảnh chưa hoàn thành. Nghe thì đơn giản: chia nhỏ, tải lên, ghép lại. Nhưng điều khó không phải ba bước này, mà là đống hỗn loạn ở giữa:

Các mảnh đến không đúng thứ tự. Client ngắt kết nối và thử lại, nhưng server không phân biệt được đây là lần thử lại hay ghi đè. Khi server khởi động lại, 700 mảnh trên đĩa trở thành những mảnh mồ côi không chủ. Ngay cả khi tất cả đều đã đến đầy đủ, cũng không có nghĩa là đã truyền đúng.

Nó chạy mất 20 phút 12 giây. Giải pháp là chia đĩa thành ba ngăn kéo: đã phát hành, metadata tiến độ, và các mảnh chưa tải xong. Các mảnh luôn nằm trong thư mục chunks/, không thể tiếp cận vật lý đến khu vực đã phát hành. Metadata được ghi vào tệp tạm thời trước, sau đó rename nguyên tử. Vì tiến trình có thể sập đúng lúc đang ghi tiến độ, để lại dữ liệu bị hỏng một nửa. Ghi đầy đủ trước, rồi đổi tên một bước duy nhất — hoặc thành toàn bộ, hoặc không thành gì cả. Sau khi khởi động lại, chỉ cần quét một cái là tiến độ lập tức quay lại. Lặp lại việc chia mảnh, so sánh từng byte. Cách làm lười biếng là: “Ở vị trí này đã có mảnh rồi, coi như trùng lặp, cho qua”. Nhưng nó lại so sánh từng byte một: chỉ cần sai khác chút ít là ném lỗi, dữ liệu gốc không hề thay đổi. Kết quả cuối cùng là 8 tệp, khoảng 1400 dòng mã, năm API mới, 26 bài kiểm tra tải lên, và hoàn thành đầy đủ tính năng tạm dừng-tiếp tục và khôi phục sau khi làm mới trên trình duyệt. npm test → 33 bài kiểm tra, 0 thất bại. Hơn nữa, năm giao diện cũ hoàn toàn không bị ảnh hưởng. Chìa khóa của bài toán này là trong hai mươi phút, chuỗi dài các tình huống “nếu… thì sao?” nó đều không bỏ sót một điểm nào. Trong kỹ thuật phần mềm thực tế, chín phần mười công sức đều dành cho những tình huống “nếu… thì sao?” đó.

Khả năng cấp độ chuyên gia của Agent ngang ngửa Opus 4.8

Hãy cùng xem lại thành tích của KAT-Coder-Pro V2.5 trên các bảng xếp hạng thực tế. Trên PinchBench—tiêu chí đánh giá khả năng sử dụng công cụ Agentic—KAT-Coder-Pro V2.5 đạt 94,2 điểm, vượt trội so với Opus 4.8. Trên bảng xếp hạng SWE-Bench Pro—được công nhận là “khó nhất” trong lĩnh vực kỹ thuật phần mềm cấp kho lưu trữ—nó đạt 65,2 điểm, chỉ sau Opus 4.8 (69,2 điểm), và vượt rõ ràng nhiều mô hình trong nước. Ngoài ra, trên bộ đánh giá kỹ thuật thực tế do nội bộ xây dựng—KAT Code Bench—nó đạt 53,1 điểm, nằm trong nhóm thứ hai; trên bộ đánh giá Agentic ứng dụng thực tế KAT Claw Bench, nó đạt 85,5 điểm, cạnh tranh sát sao với các mô hình đóng và mở nguồn mạnh nhất. Trong toàn bộ lĩnh vực mô hình lập trình, đây là bước tiến thực sự đưa KAT-Coder-Pro V2.5 vào nhóm hàng đầu. Sau khi chiêm ngưỡng sức mạnh thực tế của KAT-Coder-Pro V2.5, đã đến lúc khám phá những thành tựu kỹ thuật đằng sau nó.

Giải mã công nghệ cốt lõi

Lần này, đội ngũ KwaiKAT đã thực hiện một bản nâng cấp hệ thống xung quanh “chuỗi nhiệm vụ dài hơn và quy trình nghiệp vụ phức tạp hơn”. Cụ thể, KAT-Coder-Pro V2.5 đã đạt được những bước đột phá toàn diện trên ba chiều cạnh then chốt:

Khả năng kỹ thuật dài hạn, khả năng Agentic tổng quát, cùng hệ thống học tăng cường Agentic quy mô lớn hỗ trợ tất cả những điều này.

“单文件跑分高” và “trong dự án thật sự làm việc được” là hai chuyện khác nhau

Một thực tế cần nhận thức rõ: việc yêu cầu AI “viết thêm một hàm” và yêu cầu AI “hoàn thành một công việc kỹ thuật phần mềm” là hai cấp độ năng lực khác nhau. Với nhiệm vụ đầu tiên, các mô hình hiện tại đã thành thạo từ lâu. Nhưng kỹ thuật phần mềm thực tế luôn mang một diện mạo hoàn toàn khác. Trong các nhiệm vụ kho dài hạn, ba lỗi phổ biến nhất mà mô hình thường mắc phải là: xác định sai vị trí giữa các tệp, không tuân thủ quy chuẩn dự án, và nộp code mà chưa qua kiểm thử. Và điểm nghẽn thực sự thường nằm ở một nơi trái ngược với trực giác: điều khiến mô hình bị kẹt thường không phải là nó đã đọc bao nhiêu mã nguồn, mà là nó đã chạy thành công bao nhiêu dự án thực tế. Vấn đề nằm ở chỗ: việc xây dựng môi trường kho có thể chạy và xác minh một cách hàng loạt cực kỳ khó khăn, tỷ lệ thành công trong ngành vẫn duy trì ở mức khoảng 16,5%. Nói cách khác, cứ sáu kho lưu trữ thì chỉ có một cái có thể xây dựng thành công đã là khá tốt rồi. Giải pháp của KwaiKAT là AutoBuilder — cho phép mô hình tự đóng vai trò “kỹ sư môi trường”: phân tích kho lưu trữ, tạo cấu hình, và xác minh trong môi trường sandbox cách ly xem các bài kiểm thử có thực sự được thực thi hay không; nếu không thành công, mô hình sẽ tự động lặp lại và sửa lỗi. Hiệu quả rõ rệt ngay lập tức: tỷ lệ xây dựng môi trường tăng vọt từ 16,5% lên 57,2%, tích lũy được hơn 100.000 môi trường kho có thể chạy và xác minh, bao phủ 12 ngôn ngữ lập trình. Các loại thay đổi trong những môi trường này bao gồm: sửa lỗi, bổ sung tính năng, tương thích giao diện, liên động giữa các mô-đun và sửa lỗi hồi quy — gần như tái hiện đầy đủ mọi tình huống thực tế trong phát triển phần mềm. Đây chính là “xưởng đào tạo” của phiên bản V2.5. Trong xử lý dữ liệu, còn có một thủ thuật tinh tế khác. Ngành thường có thói quen “giữ cái đúng, vứt cái sai”, nhưng KwaiKAT lại chọn cách khai thác giá trị từ những thất bại — nhiều thất bại thực ra chỉ thiếu một bước cuối cùng: hướng đi đúng, xác định chính xác, chỉ thiếu một phán đoán then chốt. Nhóm đã lọc ra những mẫu này, kết hợp với các hướng dẫn nhắm mục tiêu để chạy lại, khoảng 20% trong số đó đã chuyển hóa thành dữ liệu huấn luyện chất lượng cao có thể tái tạo được. Do đó, mô hình không chỉ học được “làm thế nào để làm đúng”, mà còn học được điều còn quý giá hơn: “làm thế nào để kéo lại khi đã sai”.

Agentic tổng quát, từ "biết sử dụng công cụ" đến "có thể gánh vác nghiệp vụ"

Viết mã chỉ là một nửa năng lực Agentic. Nửa còn lại là điều khiển các luồng công việc kinh doanh thực tế. Các bài đánh giá gọi công cụ hiện tại chủ yếu là các tác vụ nguyên tử—kiểm tra thời tiết, đặt vé, khoảng năm vòng là xong. Nhưng công việc kinh doanh thực tế lại ở một cấp độ hoàn toàn khác, ví dụ:

Đọc các xu hướng nổi bật trên nhiều nền tảng trong một tuần, lọc ra các mục thuộc ngành video ngắn, lấy top năm theo mức độ phổ biến trên từng nền tảng, sau đó tạo một bản tin tóm tắt có chương mục và giới hạn số chữ, sắp xếp theo thứ tự ngày giảm dần, và không được bịa đặt dữ liệu.

Loại công việc này, thường đòi hỏi hơn mười vòng tương tác, kèm theo nhiều ràng buộc định dạng và tính nhất quán ẩn, nếu một khâu bị gián đoạn, cả quá trình sẽ đổ vỡ. Cũng như các dự án dài hạn, khả năng này được rèn luyện tại “xưởng sản xuất”. Về phía mã nguồn, AutoBuilder đảm nhiệm; về phía nghiệp vụ, KwaiClawEnv đảm nhận; ba lớp tạo thành vòng lặp khép kín:

• Lớp Dịch vụ mở rộng động hồ chứa, chuyển đổi lượng lớn Skill từ cộng đồng thành các dịch vụ có thể triển khai;
• Lớp Task lấy các nghiệp vụ thực tế làm hạt giống để sinh ra hàng loạt biến thể nhiệm vụ;
• Lớp Eval sử dụng bộ lọc kép gồm “quy tắc cứng + đánh giá mô hình” để chỉ giữ lại các quỹ đạo có thể thực thi, có thể xác minh và hành vi tự nhiên.

Trong dữ liệu huấn luyện được tạo ra, trung bình mỗi chuỗi hành động gồm 15 lần gọi công cụ, dài nhất vượt quá 100 bước, bao phủ các nhiệm vụ như phân tích dữ liệu, tích hợp đa hệ thống, xử lý hàng loạt tài liệu và tạo báo cáo. Những nhiệm vụ này chính là những công việc thực tế mà hàng ngàn kỹ sư và nhân viên nghiệp vụ tại Kuaishou phải đối mặt mỗi ngày.

Học tăng cường quy mô lớn, giúp AI tự học cách thực hiện

Việc tinh chỉnh giám sát giúp mô hình sao chép theo mẫu, nhưng khi gặp lỗi chưa từng thấy hoặc phản hồi bất ngờ, nó sẽ bối rối. Chính RL quy mô lớn mới thực sự dạy mô hình cách khám phá, sửa lỗi và xác minh. Đội ngũ KwaiKAT đã tập trung nỗ lực vào ba điểm sau:

Một là không giới hạn quy mô khung giàn giáo (Harness Scaling).

Để mô hình luân phiên thực chiến trong nhiều khung nền như mini-swe-agent, Claude Code, Codex, OpenClaw. Các khung nền này có sự khác biệt lớn về giao thức gọi, quản lý ngữ cảnh và luồng điều khiển, buộc mô hình phải phát triển kỹ năng thực sự ở việc “giải quyết nhiệm vụ”, nên dù chuyển sang khung nền khác cũng không bị mất khả năng thích ứng.

Thứ hai là phân bổ tín dụng dài hạn.

Trong hàng trăm vòng tương tác, bước nào thực sự dẫn đến kết quả tốt? Nhóm sử dụng PPO bất đối xứng: trong quá trình thực hiện nhiệm vụ, mô hình chỉ xem thông tin từ môi trường thực tế, trong khi Critic dùng để đánh giá đào tạo lại có thể tận dụng thêm “góc nhìn của Chúa” – giúp xác định chính xác phần thưởng hoặc hình phạt cho từng bước cụ thể, tránh tình trạng “một bước sai, cả cuộc chơi hỏng”.

Thứ ba là ba cấp phần thưởng.

Khóa chặt kết quả kiểm tra thật, ngăn chặn các lối gian lận thao túng kết quả kiểm tra; ở tầng trung gian, chuẩn hóa các thói quen kỹ thuật như gọi công cụ, dọn dẹp tệp tạm thời; ở tầng cơ sở, cung cấp phản hồi tích cực cho những thất bại có giá trị như “định vị chính xác, đã kiểm tra một phần”, bảo vệ sự tò mò khám phá của mô hình. Đặc biệt đáng chú ý là nhóm từng cho rằng vấn đề reward không tăng là do thuật toán, nhưng sau khi kiểm tra kỹ lưỡng mới phát hiện thủ phạm thực sự là môi trường huấn luyện—trong khoảng 16% các quỹ đạo giai đoạn đầu, ít nhất một lần thất bại xuất phát từ sandbox chứ không phải từ mô hình. Sau một chuỗi cải tiến hạ tầng mạnh mẽ, tỷ lệ lỗi phản hồi từ sandbox đã giảm xuống dưới 2%, tần suất sụp đổ huấn luyện giảm khoảng một cấp độ. Chính những công việc nền tảng tưởng chừng nhỏ nhặt này mới là nền tảng vững chắc giúp quá trình huấn luyện sau này diễn ra ổn định.

Một mô hình, chứa đựng năm khả năng

Các hướng dài hạn, Agentic tổng quát, giao diện người dùng, mỹ thuật frontend, kiến thức tổng quát — KwaiKAT đã huấn luyện một chuyên gia cho từng hướng. Khó khăn nằm ở việc kết hợp chúng thành một mô hình duy nhất, đồng thời tránh được hiện tượng “ấn xuống đầu này, đầu kia lại nổi lên”. Giải pháp của đội ngũ là MOPD (Multi-Teacher Online Policy Distillation): học sinh tự làm bài, bài thuộc lĩnh vực nào thì mời chuyên gia tương ứng hướng dẫn, năng lực được kết hợp trong không gian hàm thay vì gộp cứng các tham số.

Một KAT-Coder-Pro V2.5, tích hợp khả năng của năm chuyên gia, triển khai mà không cần chuyển đổi—viết mã, chạy quy trình, tạo trang web, một cái là đủ.

Khả năng thẩm mỹ giao diện người dùng được đánh giá cao ở phiên bản trước được duy trì trọn vẹn trong phiên bản này, đúng với cơ chế này: kỹ năng mới được mở rộng đáng kể, trong khi kỹ năng cũ không bị mất đi chút nào. Sự tái cấu trúc không tiếc công sức này đã trực tiếp tạo nên bản thành tích thuyết phục nhất.

Nửa sau của lập trình là sự cạnh tranh về "kỹ thuật".

KAT-Coder-Pro V2.5 đằng sau là một phán đoán rõ ràng: hiện tại, giới hạn khiến mô hình lập trình trở nên mạnh mẽ hơn không còn là “mô hình lớn bao nhiêu”, mà là “cơ sở hạ tầng xung quanh có đủ vững chắc không”. Vì vậy, việc xây dựng môi trường, tổng hợp quỹ đạo, ổn định RL và tích hợp năng lực đều được coi là những dự án hệ thống cấp cao để giải quyết. Kết quả là một bức tranh năng lực rõ ràng — khả năng sử dụng công cụ Agentic đỉnh cao, cộng với năng lực kỹ thuật cấp kho lưu trữ gần nhất với trình độ tiên tiến toàn cầu. Đối với các nhà phát triển, điều này có nghĩa là họ cuối cùng có thể an tâm giao một vấn đề hoàn chỉnh hay toàn bộ quy trình làm việc để AI xử lý, thay vì phải làm người chăm sóc AI. Hiện tại, KAT-Coder-Pro V2.5 đã được triển khai đầy đủ và sẵn sàng để trải nghiệm ngay. Cách sử dụng: gọi API trực tiếp qua StreamLake.com (ID mô hình: kat-coder-pro-v2.5).