KwaiKAT 推出 KAT-Coder-Pro V2.5，展示進階編碼能力

中國製 Coding 模型殺瘋了！快手 KAT-Coder-Pro V2.5 實測 1 分 20 秒閉環真實 Bug，1395 行代碼徒手捏出《我的世界》，長程工程能力直逼 Opus 4.8，不用再當 AI 保姆了。

文章作者、來源：新智元

一手實測 AI 編碼已到這個地步了？

吹得再神，不如用實戰說話。接下來，我們直接把 KAT-Coder-Pro V2.5 拉進更多的真實場景，徹底探探它的底。

不再賣關子了，直接揭密——這款內建於 CC 的 AI，正是快手發布的 KAT-Coder-Pro V2.5，一款旗艦級的 Agentic Coding 模型。其他 AI 可能還在競爭「幫你補一段代碼」，而它要解決的，是直接幫你「完成整個專案」。這，正是橫亙在所有 Coding 模型面前的終極鴻溝。

剛才的點球 demo 只是熱身，接下來給 V2.5 加點強度，現場復刻《我的世界》。

提示詞同樣有400多行，壓縮一下，大概是這樣：

單個 HTML 檔案，Three.js，第一人稱。14 種方塊，各自具有硬度、透明度、碰撞屬性，基岩不可破壞。所有紋理必須使用 Canvas 程式生成 16×16 像素圖——不得使用任何外部貼圖。使用固定種子噪聲生成一座島嶼，包含丘陵、海岸、淺水與地下礦脈。程式生成橡樹林，並附加一間可進入的林中小屋（木地板、原木立柱、玻璃窗、圓石屋頂、磚砌煙囪），並從出生點鋪設一條圓石小路通往小屋。瞄準時顯示線框，按住左鍵顯示進度條，挖碎後掉落碎屑粒子。音效使用 Web Audio 現場合成。

隨即，一個可玩的「我的世界」就完成了。點「進入世界」，鼠標被鎖進畫面。腳下是草，抬眼是藍天，一條圓石小路從腳邊鋪出去，繞過橡樹，通向樹後那間小屋——木板牆、原木立柱、圓石屋頂、一根紅磚煙囪，牆上四周還嵌著玻璃窗。接下來，向木屋前方一空地走去，長按左鍵「啵」一聲，草方塊碎了。十來個綠色的小立方體從坑裡蹦出來，翻著跟頭往下掉。碎屑的顏色，正是剛被挖掉那塊方塊的顏色。接下來，滑動工具欄切出沙子、橡木與石頭等材料，是時候大展身手造房子了。驚喜的是，在這方天地間，我們還看了一场染透天際的日落。

再來測試一個互動類的，讓 V2.5 徒手捏一個太陽系。為了探底它的能力，我們給出了極其嚴苛的限制條件：

1,000+ 行提示詞，核心要點主要如下：

單個 HTML，純 Canvas 2D，禁止使用 Three.js。八大行星、十一顆衛星，全部提供 J2000 历元的真實軌道根數——半長軸、偏心率、傾角、升交點經度、近心點參數、平近點角。嚴禁使用 angle += speed。行星與衛星均須使用牛頓迭代法解開普勒方程，且共用同一個 daysSinceJ2000。金星與天王星的自轉必須為負值。海衛一必須逆行，傾角為 157.3°。土星環與天王星環必須分前後兩次繪製，使行星能遮擋環。高速下衛星必須切為軌跡模式以防止閃爍。暫停時行星表面自轉亦須停止，倒放時需反向回退。行星表面全部程式繪製：木星須有大紅斑，且隨自轉穿過可見半球；地球的大陸轉至背面時須消失，再從另一側轉回。另加：八檔時間速度、兩種軌道比例、虛擬相機跟隨、七百顆固定種子恆星、小行星帶、柯伊伯帶、響應式佈局、九個快捷鍵。

面對如此複雜的需求，V2.5 展現出教科書般的工程化思維。它將整個項目精準拆解：從架構設計與軌道計算策略，到全局的雙軌比例系統、星空背景生成，再到主星繪製、行星環分層渲染，以及複雜的衛星系統統籌。所有模組層層遞進，邏輯絲絲入扣。話不多說，直接上演示。

打開這個網頁，中間是今天的日期，而螢幕上的八顆行星，正處於它們此刻真實的位置。這不是一張太陽系的圖，而是一個真正運行的太陽系！太陽位於中央，行星依次展開。在火星和木星之間，是一圈細碎的塵埃緩緩旋轉——小行星帶。所有天體、所有衛星、行星表面的每一片雲，均由同一個模擬時間驅動。當按下暫停鍵時，行星停止公轉，衛星停止公轉，地球停止自轉。點擊土星，右側會滑出資料面板。面板頂部的小預覽視窗中，土星緩緩自轉，其環也隨之旋轉，前後遮擋關係絲毫不亂。這已不像一份作業，而像一個上線的產品。

接下來，我們又把 KAT-Coder-Pro V2.5 投入了一個真實的開源 bug 中，結果比跑分更刺激。題目來自 humanize，一個真實的 Python 開源庫。2024 年，它曾有一個真實的 bug：naturaldelta(timedelta(hours=-5)) 本應返回「5 hours」，卻說成了「a day」。負五小時被翻譯成了一整天。我們將倉庫回退到 bug 仍存在的 commit，僅提供一份 issue，然後放手不管，全程不給任何提示。在搜尋了 2 個 pattern、閱讀了 2 個文件後，它直接得出診斷——Python 對負 timedelta 採用補數存儲，timedelta(hours=-5) 內部實際為 days=-1, seconds=68400。原始代碼對這兩個分量分別取了 abs()，-1 天變成了 1 天，68400 秒保持不變，硬湊出「1 天 + 19 小時」。這段根本原因分析，與官方修復的診斷完全一致——補數存儲、分量符號不一致、分別取 abs 導致錯誤。但它提出的解決方案與官方不同：官方是將整個 timedelta 整體取絕對值，而它選擇先換算成總秒數，再重新拆分。順帶一提，這一整輪運行是在 Claude Code 中進行的。而 Claude Code，正是官方 Harness Scaling 明確點名的訓練環境之一——mini-swe-agent、Claude Code、Codex、OpenClaw。多框架反覆實戰，為的就是「換個框架也不水土不服」。實際測試下來，它確實做到了完美適應，完全沒有「水土不服」。

最後一題不是修補漏洞，而是在一個活著的系統中，塞入一整套新功能。所有人都體驗過：你傳一個 1 GB 的檔案，傳到 92%，網路斷了。刷新一下——從 0% 從頭開始。解決方案叫分片上傳：切成一千片，斷了只補沒傳完的那幾片。聽起來簡單：切片、上傳、拼回去。但難的不是這三步，而是中間那一地雞毛：

分片亂序到達。客戶端斷線重傳，伺服器無法分辨這是重試還是覆蓋。伺服器一重啟，磁碟上的 700 個碎片就成了無主孤兒。而就算全部到齊，也不等於傳對了。

它跑了20分12秒。解法是，先給磁碟分了三個抽屜：已發布的、進度元數據、沒傳完的碎片。碎片永遠待在 chunks/ 裡，物理上夠不著已發布區。元數據先寫臨時檔案，再原子式 rename。因為進程可能恰好在寫進度寫到一半時崩掉，留下半截爛資料。先寫完整，再一步換名，要麼全成，要麼全不成。重啟後掃一眼，進度立刻回來。重複分片，逐位元組比對。偷懶的寫法是「這位置有片了，當重複，放行」。而它則是一個位元組一個位元組對：差一點，就拋出錯誤，原資料紋絲不動。最終交付的是8個檔案，約1400行代碼，五個新 API、26 項上傳測試，瀏覽器端連暫停續傳和刷新恢復一起做完。npm test → 33 項測試，0 失敗。而且，五個舊介面一項沒壞。這道題的關鍵，是二十分鐘裡，那一長串「萬一……怎麼辦」它一條都沒忘。真實的軟體工程，九成的功夫都花在這些「萬一」上。

Agent 的工程級能力直逼 Opus 4.8

再來看看 KAT-Coder-Pro V2.5 在真實榜單中的成績單。在衡量 Agentic 工具使用能力的 PinchBench 上，KAT-Coder-Pro V2.5 拿下 94.2 分，力壓 Opus 4.8。在被公認為「最難啃」的倉庫級軟體工程榜單 SWE-Bench Pro 上，它拿到 65.2 分，僅落後於 Opus 4.8（69.2 分），顯著超越一系列國產模型。另外，在內部構建的真實工程評測集 KAT Code Bench 上，它以 53.1 分同樣躋身第二梯隊；在業務化 Agentic 評測集 KAT Claw Bench 上拿到 85.5 分，與最強的閉源、開源同行貼身纏鬥。放在整個 Coding 模型的賽道裡，這是一次實打實的躋身第一梯隊。領略完 KAT-Coder-Pro V2.5 的真實戰力，是時候扒一扒它背後的工程實現了。

Core technology breakdown

這次，KwaiKAT 團隊圍繞「更長的任務鏈路、更複雜的業務工作流」進行了一次系統性升級。具體來說，KAT-Coder-Pro V2.5 在三個關鍵維度實現全面突破：

Long-term engineering capabilities, general agentic capabilities, and the large-scale agentic reinforcement learning system that supports them all.

「單文件跑分高」和「項目裡真能幹活」，是兩碼事

必須认清的現實：讓AI「補一段函數」和讓AI「完成一整個工程任務」，是兩個量級的能力。前者，如今的模型早已駕輕就熟。但真實的軟體工程，從來是另一副面孔。模型在長程倉庫任務中最常犯的三種錯誤，是跨檔案定位錯誤、不遵守專案規範、測試未通過就提交成果。而真正的瓶頸，往往落在一個反直覺的地方：困住模型的，通常不是它讀過多少代碼，而是它完整運行過多少個真實專案。麻煩在於，可運行、可驗證的倉庫環境極難批量搭建，業界直接構建的成功率長期僅約16.5%。換句話說，六個倉庫中能成功搭建一個，就算不錯了。KwaiKAT的解決方案是AutoBuilder，讓模型自任「環境工程師」：分析倉庫、生成配置、在隔離沙箱中驗證測試是否真正執行，失敗則自動迭代修復。效果立竿見影，環境構建成功率從16.5%大幅提升至57.2%，累計累積出涵蓋12種程式語言、超過10萬個可運行、可驗證的倉庫環境。這些環境中的變更類型，涵蓋缺陷修復、功能補全、介面相容、跨模組聯動與回歸修復，幾乎完整複製了真實開發中會遇到的各種情境。這，就是V2.5的「訓練車間」。在資料處理上還有個巧思。業界慣用「對的留下、錯的丟掉」，KwaiKAT卻偏要在失敗中淘金——許多失敗其實只差臨門一腳，方向正確、定位準確，只缺一個關鍵判斷。團隊將這類樣本篩選出來，搭配針對性提示重新運行，約兩成成功轉化為可重現的高品質訓練資料。於是模型學到的，不僅是「該怎麼做對」，還有更珍貴的「錯了怎麼拉回來」。

通用 Agentic，從「會調工具」到「能扛業務」

寫代碼只是Agentic能力的一半。另一半，是駕馭真實的業務工作流。現有的工具調用評測大多是原子任務——查個天氣、訂張票，五輪左右收工。但真實業務是另一個量級，舉個栗子：

閱讀一週多平台熱搜，篩選短視頻行業條目，按平台取熱度前五，再產出一份帶章節和字數限制、按日期倒序、且不得編造數據的簡報。

這類工作，動輒十輪以上的互動，還伴隨一堆隱性的格式與一致性約束，中間斷掉一環，整件事就廢了。和長程工程一樣，這種能力同樣源自「車間」的鍛鍊：代碼端依靠 AutoBuilder，業務端則由 KwaiClawEnv 支撐，三層閉環協同：

• 服務層動態擴池，將社區大量 Skill 轉為可部署服務；
• 任務層以真實業務為種子，派生海量任務變體；
• Eval 層採用「硬性規則 + 模型評審」雙重過濾，僅保留可執行、可驗證、行為自然的軌跡。

在生成的訓練數據中，每條軌跡平均包含15次工具調用，最長超過100步，涵蓋數據分析、跨系統整合、批量文檔處理和報告生成。這些正是快手內部數千名研發和業務同事每天真實面對的任務。

大規模強化學習，讓 AI 自己學會「怎麼幹」

監督微調能讓模型照著範文抄，但一碰到沒見過的錯誤和意外回饋就發懵。真正教會模型探索、糾錯、驗證的，是大規模RL。KwaiKAT團隊把力氣用在以下三處：

一是腳手架不設限（Harness Scaling）。

讓模型在 mini-swe-agent、Claude Code、Codex、OpenClaw 等多種框架中輪番實戰。這些框架在調用協議、上下文管理、控制流上差異極大，逼著模型把本事長在「解決任務」本身，換個框架也不至於水土不服。

二是長期信用分配。

在上百輪互動中，好結果究竟是哪一步促成的？團隊採用非對稱PPO：模型執行時僅查看真實環境資訊，而用於訓練打分的Critic卻能額外借用「上帝視角」——最終測試是否通過、補丁品質如何，讓獎懲精準落實到具體某一步，避免「一步錯、滿盤輸」。

三是三層獎勵。

頂層鎖定真實測試結果，堵死篡改測試的刷分路子；中層規範工具調用、清理暫存檔案等工程習慣；底層為「定位準、部分測試過」這類有價值的失敗也給予正面回饋，守護模型的探索慾。值得一提的是，團隊一度以為獎勵上不去是演算法問題，排查後發現元兇竟是訓練環境本身——早期約16%的軌跡中，至少有一次失敗源於沙箱而非模型。經過一輪硬核基建打磨，沙箱回饋錯誤率壓至2%以下，訓練崩潰頻率下降了約一個數量級。正是這些不起眼的地基工作，才支撐起後續穩定的訓練。

一個模型，容納五種能力

長程工程、通用Agentic、終端、前端美學、通用知識——這五個方向，KwaiKAT 各訓練了一位專家。難的是將它們整合成一個模型，還要避開「按下葫蘆浮起瓢」的跷跷板效應。團隊的解決方案是 MOPD（多教師在線策略蒸餾）：學生自行解題，題目屬於哪個領域，就請對應的專家指導，能力在函數空間中融合，而非硬性拼接參數。

一個 KAT-Coder-Pro V2.5，同時容納五位專家的本事，部署時無需切換——寫代碼、運行流程、製作頁面，一體搞定。

上一版廣受好評的前端美學能力完整延續至本版，正好印證了這套機制：新技能大幅擴容，舊技能一分未減。這種不遺餘力的重構，直接鑄就了最具說服力的成績單。

Coding 的下半場，拼的是「工程」

KAT-Coder-Pro V2.5 背後是一種清醒的判斷：目前限制編程模型變強的，已從「模型多大」轉向「周邊基建夠不夠紮實」。因此，環境構建、軌跡合成、RL 穩定性、能力融合，都被當作一等的系統工程去攻克。換來的，是一個清晰的能力畫像——頂級的 Agentic 工具使用，加上最接近全球前沿的倉庫級工程能力。對開發者來說，這意味著終於可以放心將一個完整 issue、一整段工作流交出去跑通，而不必再當 AI 的保姆。現在，KAT-Coder-Pro V2.5 已全量上線，即可立即體驗。上手方式：透過 StreamLake.com 直接調用 API（模型 ID：kat-coder-pro-v2.5）。