手搓“功夫女足”，竟是中国AI

国产Coding模型杀疯了！实测1分20秒闭环真实Bug，1395行代码徒手捏出《我的世界》，长程工程能力直逼Opus 4.8，不用再当AI保姆了。

前几天，OpenAI大佬亲授，5分钟把GPT-5.6塞进Claude Code。

这波操作，瞬间引爆全网百万围观。

今天，我们如法炮制，把另一款“最强AI”也接入了CC，实测效果简直令人惊艳！

眼下世界杯激战正酣，星爷新片《功夫女足》票房破5亿。

趁着这波热度，给这款AI派个应景的任务：“手搓”一款点球小游戏。

扔给它近600行代码，全程34分钟，直出一个能跑的HTML。

点击进入后，整个UI质感和视觉表现非常震撼。

难得的是，它极高的完成度：双战队设定，仪表盘计分、AI守门、动感音效，一应俱全。

第一发点球，瞄准、蓄力至峰值，起脚射门；攻守互换后，看准反应槽指针，顺势滑屏，可惜手速慢了半拍，扑救失败。

但真正体现细节的是，在设定中，通过一万次模拟，AI门将的扑救率“硬控”在32%内。

这样一来，我们既不会觉得AI是个毫无反应的“木桩”，也不会失去游戏体验。

可以说，整个过程，丝滑无卡顿。

不卖关子了，直接揭秘——

这款装入CC的AI，就是快手发布的KAT-Coder-Pro V2.5，一款旗舰级的Agentic Coding模型。

别的AI可能还在卷“帮你补一段代码”，而它要解决的，是直接帮你“做完整个工程”。

这，正是横亘在所有Coding模型面前的终极鸿沟。

一手实测

AI Coding已到这个地步了？

吹得再神，不如用实战说话。

接下来，我们直接把KAT-Coder-Pro V2.5拉进更多的真实场景，彻底探探它的底。

第一题：手搓《我的世界》，直接可玩

刚才的点球demo只算热身，接下来给V2.5上点强度，现场按刻《我的世界》。

提示词同样有400多行。压缩一下，大概是这样：

单个HTML文件，Three.js，第一人称。14种方块，各有硬度、透明度、碰撞属性，基岩不可破坏。所有纹理必须用Canvas程序生成16×16像素图——不许用一张外部贴图。固定种子噪声生成一座岛，要有丘陵、海岸、浅水、地下矿脉。程序生成橡树林，外加一间能走进去的林间小屋（木地板、原木立柱、玻璃窗、圆石屋顶、砖烟囱），再从出生点铺一条圆石小路过去。瞄准出线框，按住左键出进度条，挖碎了掉碎屑粒子。音效用Web Audio现场合成。

随即，一个可玩的“我的世界”就完成了。点“进入世界”，鼠标被锁进画面。

脚下是草，抬眼是蓝天，一条圆石小路从脚边铺出去，绕过橡树，通向树后那间小屋——

木板墙、原木立柱、圆石屋顶、一根红砖烟囱，墙上四周还嵌着玻璃窗。

接下来，向木屋前方一空地走去，长按左键“啵”一声，草方块碎了。

十来个绿色的小立方体从坑里蹦出来，翻着跟头往下掉。 碎屑的颜色，正是刚被挖掉那块方块的颜色。

接下来，滑动工具栏切出沙子、橡木与石头等材料，是时候大展身手造房子了。

惊喜的是，在这方天地间，我们还看了一场染透天际的日落。

第二题：模拟太阳系，共用一个“时钟”

再来测试一个交互类的，让V2.5徒手捏一个太阳系。为了探底它的能力，我们给出了极其严苛的限制条件：

1000+行提示词，核心要点主要如下：

单个HTML， 纯Canvas 2D，不许用Three.js。八大行星、11颗卫星，全部给出J2000历元的真实轨道根数——半长轴、偏心率、倾角、升交点经度、近心点参数、平近点角。

明令禁止angle += speed。 行星和卫星都必须用牛顿迭代解开普勒方程，且共用同一个daysSinceJ2000。

金星和天王星的自转必须是负数。海卫一必须逆行，倾角157.3°。土星环和天王星环必须 分前后两次绘制 ，让行星能挡住环。高倍速下卫星必须切成轨迹模式防频闪。暂停时行星表面自转也得停，倒放时要反向回退。

行星表面全部程序绘制：木星要有大红斑，且随自转穿过可见半球；地球的大陆转到背面要消失，再从另一侧转回来。

外加：八档时间速度、两种轨道比例、虚拟相机跟随、700颗固定种子星星、小行星带、柯伊伯带、响应式布局、九个快捷键。

面对如此复杂的需求，V2.5展现出了教科书般的工程化思维。

它将整个项目精准拆解：从架构设计与轨道计算策略，到全局的双轨比例系统、星空背景生成，再到主星绘制、行星环分层渲染，以及复杂的卫星系统统筹。

所有模块层层递进，逻辑丝丝入扣。话不多说，直接上演示。

打开这个网页，中间是今天的日期，而屏幕上那八颗行星，正站在它们此刻真实所在的位置上。

这可不是一张太阳系的图，是一个真正运行的太阳系！

太阳坐在正中，行星一颗颗铺开。火星和木星之间，是一圈细碎的尘在慢慢转——小行星带。

所有天体、所有卫星、行星表面的每一片云，必设定好了由同一个模拟时间驱动。

当按下暂停键后，行星停止公转，卫星停止公转，地球停止自转。

点一下土星，右边滑出资料面板。面板顶上那个小小的预览窗里，土星在缓缓自转，环跟着一起转，前后遮挡关系分毫不乱。

这已经不像一份作业，像一个上线了的产品。

第三题：真实仓库issue，1分20秒闭环

接下来，我们又把KAT-Coder-Pro V2.5扔进了一个真实的开源bug里。

结果比跑分刺激多了。题目来自humanize，一个真实的Python开源库。

2024年它有过一个真实的bug：naturaldelta(timedelta(hours=-5))，本该返回“5 hours”，它却说“a day”。

负5小时，被翻译成了一整天。

我们把仓库倒回bug还在的那个commit，只丢给它一份、issue，然后放手，全程不给任何提示。

在搜了2个pattern，读了2个文件之后，它直接给出诊断——Python对负timedelta采用补数存储，timedelta(hours=-5)内部实际是days=-1, seconds=68400。

原代码对两个分量分别取了abs()，-1天变成1天，68400秒原样留着，硬凑出“1天+19小时”。

这段根因分析，和官方修复的诊断完全吻合————补数存储、分量符号不一致、分别取abs导致错误。

但它开的药方和官方并不一样：官方是把整个timedelta整体取绝对值，它选择先换算成总秒数、再拆分。

顺带一提，这一整轮它跑在Claude Code里。

而Claude Code，正是官方Harness Scaling里点名的训练环境之一——mini-swe-agent、Claude Code、Codex、OpenClaw。

多框架反复实战，图的就是“换个框架不水土不服”。实测下来，它确实做到了完美适应，完全没有“水土不服”。

第四题：20分12秒，在一台还在飞的飞机上换引擎

最后一题不是修Bug，是往一个活着的系统里，塞进一整套新功能。

所有人都体验过，你传一个1 GB的文件，传到92%，网断了。刷新一下——从0%重来。

解法叫分片上传：切成一千片，断了只补没传完的那几片。听上去简单，切片、上传、拼回去。

但难的不是这三步，是中间那一地鸡毛：

分片乱序到达。客户端断线重传，服务器分不清这是 重试 还是 覆盖 。服务器一重启，磁盘上700个碎片就成了无主孤儿。而就算全到齐，也不等于传对了。

它跑了20分12秒。

解法是，先给磁盘分了三个抽屉。已发布的、进度元数据、没传完的碎片。碎片永远待在chunks/里，物理上就够不着已发布区。

元数据先写临时文件，再原子rename。因为进程可能恰好在写进度写到一半时崩掉，留下半截烂数据。先写完整，再一步换名，要么全成，要么全不成。重启后扫一眼，进度立刻回来。

重复分片，逐字节比对。偷懒的写法是“这位置有片了，当重复，放行”。而它则是一个字节一个字节对：差一点，就抛出错误，原数狙唐丝不动。

最终交付的是8个文件，约1400行代码，五个新API、26项上传测试，浏览器端连暂停续传和刷新恢复一起做完。

npm test → 33项测试，0失败。而且，五个旧接口一项没坏。

这道题的关键，是二十分钟里，那一长串“万一……怎么办”它一条都没忘。

真实的软件工程，九成的功夫都花在这些“万一”上。

Agent工程级能力

直逼Opus 4.8

再来看看KAT-Coder-Pro V2.5，在真实榜单中的成绩单。

在衡量Agentic工具使用能力的PinchBench上，KAT-Coder-Pro V2.5拿下94.2 分，力压Opus 4.8。

在被公认为“最难啃”的仓库级软件工程榜单SWE-Bench Pro上，它拿到65.2分，只落后于Opus 4.8（69.2 分），显著超越一系列国产模型。

另外，在内部构建的真实工程评测集KAT Code Bench 上，它以53.1分同样跻身第二梯队；

在业务化Agentic评测集KAT Claw Bench上拿到85.5 分，与最强的闭源、开源同行贴身缠斗。

放在整个Coding模型的赛道里，这是一次实打实的跻身第一梯队。

领略完KAT-Coder-Pro V2.5的真实战力，是时候扒一扒它背后的工程实现了。

核心技术拆解

这一次，围绕“更长的任务链路、更复杂的业务工作流”，KwaiKAT团队做了一次系统性升级。

具体来说，KAT-Coder-Pro V2.5在三个关键维度实现全面突破：

长程工程能力、通用Agentic能力，以及支撑这一切的大规模Agentic强化学习体系。

技术报告地址：https://arxiv.org/pdf/2607.05471

“单文件跑分高”和“项目里真能干活”，是两码事

必须要认清的现实：让AI“补一段函数”和让AI“干完一件工程活”，是两个量级的能力。

前者，如今的模型早已驾轻就熟。可真实的软件工程，从来是另一副面孔。

模型在长程仓库任务里最常翻的三种车，是定位跨文件时找错位置、不遵守项目规范、测试没通过就交活。

而真正的瓶颈，往往落在一个反直觉的地方：卡住模型的，通常并非它读过多少代码，而是它完整跑通过多少个真实项目。

麻烦在于，可运行、可验证的仓库环境极难批量搭建，行业里直接构建的成功率长期只有16.5%上下。

换句话说，六个仓库里能成功搭起来一个，就算不错了。

KwaiKAT的解法是AutoBuilder，让模型自己当“环境工程师”：

分析仓库、生成配置、在隔离沙箱里验证测试是否被真正执行，不行就自动迭代修。

效果立竿见影，环境构建成功率从16.5%飙升至57.2%，累计沉淀出覆盖12种编程语言、超10万个可运行、可验证的仓库环境。

这些环境里的变更类型，涵盖了缺陷修复、功能补齐、接口兼容、跨模块联动与回归修复，几乎复刻了真实开发中会遇到的各种场景。

这，就是V2.5的“训练车间”。

数据处理上还有个巧思。业界习惯“对的留下、错的扔掉”，KwaiKAT偏要在失败里淘金——

很多失败其实只差临门一脚，方向对、定位准，就缺一个关键判断。

团队把这类样本筛出来，配上针对性提示重跑，约两成成功转化成了可复现的高质量训练数据。

于是模型学到的，除了“怎么做对”，还有更值钱的“错了怎么拉回来”。

通用Agentic，从“会调工具”到“能扛业务”

写代码只是Agentic能力的一半。另一半，是驾驭真实的业务工作流。

现有的工具调用评测大多是原子任务——查个天气、订张票，五轮左右收工。

但真实业务是另一个量级，举个栗子：

读一周多平台热搜、筛出短视频行业条目、按平台取热度前五、再产出一份带章节和字数限制、按日期倒序、且不许编造数据的简报。

这类活，动辄十轮以上交互，还裹着一堆隐性的格式和一致性约束，中间断一环，整件事就废了。

和长程工程一样，这种能力同样练自“车间”。

代码侧靠AutoBuilder，业务侧则由KwaiClawEnv顶上，三层闭环协同：

Service层动态扩池、把社区大量Skill转成可部署服务；Task层以真实业务为种子、派生海量任务变体；Eval层用“硬规则 + 模型评审”双重过滤，只留可执行、可验证、行为自然的轨迹。

产出的训练数据里，单条轨迹平均15次工具调用，最长超100步，覆盖数据分析、跨系统整合、批量文档处理、报告生成。

这些恰好是快手内部数千研发和业务同学每天真实要面对的活。

大规模强化学习，让AI自己学会“怎么干”

监督微调能让模型照着范文抄，可一碰到没见过的报错和意外反馈就发懵。

真正教会模型探索、纠错、验证的，是大规模RL。KwaiKAT团队把劲儿使在以下三处：

一是脚手架不设限（Harness Scaling）。

让模型在mini-swe-agent、Claude Code、Codex、OpenClaw等多种框架里轮番实战。

这些框架在调用协议、上下文管理、控制流上差异极大，逼着模型把本事长在“解决任务”本身，换个框架也不至于水土不服。

二是长程信用分配。

上百轮交互里，好结果到底是哪一步促成的？团队用非对称PPO：模型干活时只看真实环境信息，训练打分的 Critic 却能额外借用“上帝视角”——

最终测试是否通过、补丁质量如何，让奖惩精确落到具体某一步，避免“一步错、满盘输”。

三是三层奖励。

顶层锁定真实测试结果，堵死篡改测试的刷分路子；中层规范工具调用、清理临时文件等工程习惯；底层给“定位准、部分测试过”这类有价值的失败也发正反馈，护住模型的探索欲。

值得一提的是，团队一度以为reward上不去是算法问题，排查后发现罪魁是训练环境本身——早期约16%的轨迹里，至少有一次失败源自沙箱而非模型。

经过一轮硬核基建打磨，沙箱反馈错误率压到了2%以下，训练崩溃频率降了约一个数量级。

正是这些不起眼的地基活，才撑起了后面平稳的训练。

一个模型，装下五种能力

长程工程、通用Agentic、终端、前端美学、通用知识——这五个方向，KwaiKAT各训了一个专家。

难的是把它们拧成一个模型，还得躲开“按下葫芦浮起瓢”的跷跷板。

团队的答案是MOPD（多教师在线策略蒸馏）：学生自己做题，题属哪个领域就请哪位专家指点，能力在函数空间融合而非硬拼参数。

一个 KAT-Coder-Pro V2.5，同时装下五位专家的本事，部署时无需切换—— 写代码、跑流程、做页面，一个搞定。

前代广受好评的前端美学能力能完整延续到这一版，正好印证了这套机制：新本事大幅扩容，旧本事一分没掉。

这种不遗余力的重构，直接铸就了那份最具说服力的成绩单。

Coding的下半场，拼的是“工程”

KAT-Coder-Pro V2.5背后是一个清醒的判断：

眼下限制编程模型变强的，已经从“模型多大”转向“周边基建够不够扎实”。

于是环境构建、轨迹合成、RL稳定性、能力融合，都被当成一等的系统工程去啃。

换来的，是一个清晰的能力画像——顶级的Agentic工具使用，加上最接近全球前沿的仓库级工程能力。

对开发者来说，这意味着终于可以放心把一个完整issue、一整段工作流交出去跑通，而不必再当AI的保姆。

现在，KAT-Coder-Pro V2.5已全量上线，即可立即体验。

上手方式：通过StreamLake.com直接调API（模型ID：kat-coder-pro-v2.5）。