徒手搓出「功夫女足」！打開一看，竟是中國AI

新智元報道

【新智元導(dǎo)讀】國產(chǎn)Coding模型殺瘋了！實測1分20秒閉環(huán)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(dāng)AI保姆了。

前幾天，OpenAI大佬親授，5分鐘把GPT-5.6塞進(jìn)Claude Code。

這波操作，瞬間引爆全網(wǎng)百萬圍觀。

今天，我們?nèi)绶ㄅ谥疲蚜硪豢睢缸顝夾I」也接入了CC，實測效果簡直令人驚艷！

眼下世界杯激戰(zhàn)正酣，星爺新片《功夫女足》票房破5億。

趁著這波熱度，給這款A(yù)I派個應(yīng)景的任務(wù)：「手搓」一款點球小游戲。

扔給它近600行代碼，全程34分鐘，直出一個能跑的HTML。

點擊進(jìn)入后，整個UI質(zhì)感和視覺表現(xiàn)非常震撼。

難得的是，它極高的完成度：雙戰(zhàn)隊設(shè)定，儀表盤計分、AI守門、動感音效，一應(yīng)俱全。

第一發(fā)點球，瞄準(zhǔn)、蓄力至峰值，起腳射門；攻守互換后，看準(zhǔn)反應(yīng)槽指針，順勢滑屏，可惜手速慢了半拍，撲救失敗。

但真正體現(xiàn)細(xì)節(jié)的是，在設(shè)定中，通過一萬次模擬，AI門將的撲救率「硬控」在32%內(nèi)。

這樣一來，我們既不會覺得AI是個毫無反應(yīng)的「木樁」，也不會失去游戲體驗。

可以說，整個過程，絲滑無卡頓。

不賣關(guān)子了，直接揭秘——

這款裝入CC的AI，就是快手發(fā)布的KAT-Coder-Pro V2.5，一款旗艦級的Agentic Coding模型。

別的AI可能還在卷「幫你補一段代碼」，而它要解決的，是直接幫你「做完整個工程」。

這，正是橫亙在所有Coding模型面前的終極鴻溝。

一手實測

AI Coding已到這個地步了？

吹得再神，不如用實戰(zhàn)說話。

接下來，我們直接把KAT-Coder-Pro V2.5拉進(jìn)更多的真實場景，徹底探探它的底。

第一題：手搓《我的世界》，直接可玩

剛才的點球demo只算熱身，接下來給V2.5上點強度，現(xiàn)場復(fù)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文件，Three.js，第一人稱。14種方塊，各有硬度、透明度、碰撞屬性，基巖不可破壞。所有紋理必須用Canvas程序生成16×16像素圖——不許用一張外部貼圖。固定種子噪聲生成一座島，要有丘陵、海岸、淺水、地下礦脈。程序生成橡樹林，外加一間能走進(jìn)去的林間小屋（木地板、原木立柱、玻璃窗、圓石屋頂、磚煙囪），再從出生點鋪一條圓石小路過去。瞄準(zhǔn)出線框，按住左鍵出進(jìn)度條，挖碎了掉碎屑粒子。音效用Web Audio現(xiàn)場合成。

隨即，一個可玩的「我的世界」就完成了。點「進(jìn)入世界」，鼠標(biāo)被鎖進(jìn)畫面。

腳下是草，抬眼是藍(lán)天，一條圓石小路從腳邊鋪出去，繞過橡樹，通向樹后那間小屋——

木板墻、原木立柱、圓石屋頂、一根紅磚煙囪，墻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里蹦出來，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，我們還看了一場染透天際的日落。

第二題：模擬太陽系，共用一個「時鐘」

再來測試一個交互類的，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(yán)苛的限制條件：

1000+行提示詞，核心要點主要如下：

單個HTML， 純Canvas 2D，不許用Three.js。八大行星、11顆衛(wèi)星，全部給出J2000歷元的真實軌道根數(shù)——半長軸、偏心率、傾角、升交點經(jīng)度、近心點參數(shù)、平近點角。

明令禁止angle += speed。 行星和衛(wèi)星都必須用牛頓迭代解開普勒方程，且共用同一個daysSinceJ2000。

金星和天王星的自轉(zhuǎn)必須是負(fù)數(shù)。海衛(wèi)一必須逆行，傾角157.3°。土星環(huán)和天王星環(huán)必須 分前后兩次繪制 ，讓行星能擋住環(huán)。高倍速下衛(wèi)星必須切成軌跡模式防頻閃。暫停時行星表面自轉(zhuǎn)也得停，倒放時要反向回退。

行星表面全部程序繪制：木星要有大紅斑，且隨自轉(zhuǎn)穿過可見半球；地球的大陸轉(zhuǎn)到背面要消失，再從另一側(cè)轉(zhuǎn)回來。

外加：八檔時間速度、兩種軌道比例、虛擬相機跟隨、700顆固定種子星星、小行星帶、柯伊伯帶、響應(yīng)式布局、九個快捷鍵。

面對如此復(fù)雜的需求，V2.5展現(xiàn)出了教科書般的工程化思維。

它將整個項目精準(zhǔn)拆解：從架構(gòu)設(shè)計與軌道計算策略，到全局的雙軌比例系統(tǒng)、星空背景生成，再到主星繪制、行星環(huán)分層渲染，以及復(fù)雜的衛(wèi)星系統(tǒng)統(tǒng)籌。

所有模塊層層遞進(jìn)，邏輯絲絲入扣。話不多說，直接上演示。

打開這個網(wǎng)頁，中間是今天的日期，而屏幕上那八顆行星，正站在它們此刻真實所在的位置上。

這可不是一張?zhí)栂档膱D，是一個真正運行的太陽系！

太陽坐在正中，行星一顆顆鋪開。火星和木星之間，是一圈細(xì)碎的塵在慢慢轉(zhuǎn)——小行星帶。

所有天體、所有衛(wèi)星、行星表面的每一片云，必設(shè)定好了由同一個模擬時間驅(qū)動。

當(dāng)按下暫停鍵后，行星停止公轉(zhuǎn)，衛(wèi)星停止公轉(zhuǎn)，地球停止自轉(zhuǎn)。

點一下土星，右邊滑出資料面板。面板頂上那個小小的預(yù)覽窗里，土星在緩緩自轉(zhuǎn)，環(huán)跟著一起轉(zhuǎn)，前后遮擋關(guān)系分毫不亂。

這已經(jīng)不像一份作業(yè)，像一個上線了的產(chǎn)品。

第三題：真實倉庫issue，1分20秒閉環(huán)

接下來，我們又把KAT-Coder-Pro V2.5扔進(jìn)了一個真實的開源bug里。

結(jié)果比跑分刺激多了。題目來自humanize，一個真實的Python開源庫。

2024年它有過一個真實的bug：naturaldelta(timedelta(hours=-5))，本該返回「5 hours」，它卻說「a day」。

負(fù)5小時，被翻譯成了一整天。

我們把倉庫倒回bug還在的那個commit，只丟給它一份、issue，然后放手，全程不給任何提示。

在搜了2個pattern，讀了2個文件之后，它直接給出診斷——Python對負(fù)timedelta采用補數(shù)存儲，timedelta(hours=-5)內(nèi)部實際是days=-1, seconds=68400。

原代碼對兩個分量分別取了abs()，-1天變成1天，68400秒原樣留著，硬湊出「1天+19小時」。

這段根因分析，和官方修復(fù)的診斷完全吻合————補數(shù)存儲、分量符號不一致、分別取abs導(dǎo)致錯誤。

但它開的藥方和官方并不一樣：官方是把整個timedelta整體取絕對值，它選擇先換算成總秒數(shù)、再拆分。

順帶一提，這一整輪它跑在Claude Code里。

而Claude Code，正是官方Harness Scaling里點名的訓(xùn)練環(huán)境之一——mini-swe-agent、Claude Code、Codex、OpenClaw。

多框架反復(fù)實戰(zhàn)，圖的就是「換個框架不水土不服」。實測下來，它確實做到了完美適應(yīng)，完全沒有「水土不服」。

第四題：20分12秒，在一臺還在飛的飛機上換引擎

最后一題不是修Bug，是往一個活著的系統(tǒng)里，塞進(jìn)一整套新功能。

所有人都體驗過，你傳一個1 GB的文件，傳到92%，網(wǎng)斷了。刷新一下——從0%重來。

解法叫分片上傳：切成一千片，斷了只補沒傳完的那幾片。聽上去簡單，切片、上傳、拼回去。

但難的不是這三步，是中間那一地雞毛：

分片亂序到達(dá)。客戶端斷線重傳，服務(wù)器分不清這是 重試 還是 覆蓋 。服務(wù)器一重啟，磁盤上700個碎片就成了無主孤兒。而就算全到齊，也不等于傳對了。

它跑了20分12秒。

解法是，先給磁盤分了三個抽屜。已發(fā)布的、進(jìn)度元數(shù)據(jù)、沒傳完的碎片。碎片永遠(yuǎn)待在chunks/里，物理上就夠不著已發(fā)布區(qū)。

元數(shù)據(jù)先寫臨時文件，再原子rename。因為進(jìn)程可能恰好在寫進(jìn)度寫到一半時崩掉，留下半截爛數(shù)據(jù)。先寫完整，再一步換名，要么全成，要么全不成。重啟后掃一眼，進(jìn)度立刻回來。

重復(fù)分片，逐字節(jié)比對。偷懶的寫法是「這位置有片了，當(dāng)重復(fù)，放行」。而它則是一個字節(jié)一個字節(jié)對：差一點，就拋出錯誤，原數(shù)據(jù)紋絲不動。

最終交付的是8個文件，約1400行代碼，五個新API、26項上傳測試，瀏覽器端連暫停續(xù)傳和刷新恢復(fù)一起做完。

npm test → 33項測試，0失敗。而且，五個舊接口一項沒壞。

這道題的關(guān)鍵，是二十分鐘里，那一長串「萬一……怎么辦」它一條都沒忘。

真實的軟件工程，九成的功夫都花在這些「萬一」上。

Agent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(rèn)為「最難啃」的倉庫級軟件工程榜單SWE-Bench Pro上，它拿到65.2分，只落后于Opus 4.8（69.2 分），顯著超越一系列國產(chǎn)模型。

另外，在內(nèi)部構(gòu)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(yè)務(wù)化Agentic評測集KAT Claw Bench上拿到85.5 分，與最強的閉源、開源同行貼身纏斗。

放在整個Coding模型的賽道里，這是一次實打?qū)嵉能Q身第一梯隊。

領(lǐng)略完KAT-Coder-Pro V2.5的真實戰(zhàn)力，是時候扒一扒它背后的工程實現(xiàn)了。

核心技術(shù)拆解

這一次，圍繞「更長的任務(wù)鏈路、更復(fù)雜的業(yè)務(wù)工作流」，KwaiKAT團(tuán)隊做了一次系統(tǒng)性升級。

具體來說，KAT-Coder-Pro V2.5在三個關(guān)鍵維度實現(xiàn)全面突破：

長程工程能力、通用Agentic能力，以及支撐這一切的大規(guī)模Agentic強化學(xué)習(xí)體系。

技術(shù)報告地址：https://arxiv.org/pdf/2607.05471

• 「單文件跑分高」和「項目里真能干活」，是兩碼事

必須要認(rèn)清的現(xiàn)實：讓AI「補一段函數(shù)」和讓AI「干完一件工程活」，是兩個量級的能力。

前者，如今的模型早已駕輕就熟。可真實的軟件工程，從來是另一副面孔。

模型在長程倉庫任務(wù)里最常翻的三種車，是定位跨文件時找錯位置、不遵守項目規(guī)范、測試沒通過就交活。

而真正的瓶頸，往往落在一個反直覺的地方：卡住模型的，通常并非它讀過多少代碼，而是它完整跑通過多少個真實項目。

麻煩在于，可運行、可驗證的倉庫環(huán)境極難批量搭建，行業(yè)里直接構(gòu)建的成功率長期只有16.5%上下。

換句話說，六個倉庫里能成功搭起來一個，就算不錯了。

KwaiKAT的解法是AutoBuilder，讓模型自己當(dāng)「環(huán)境工程師」：

分析倉庫、生成配置、在隔離沙箱里驗證測試是否被真正執(zhí)行，不行就自動迭代修。

效果立竿見影，環(huán)境構(gòu)建成功率從16.5%飆升至57.2%，累計沉淀出覆蓋12種編程語言、超10萬個可運行、可驗證的倉庫環(huán)境。

這些環(huán)境里的變更類型，涵蓋了缺陷修復(fù)、功能補齊、接口兼容、跨模塊聯(lián)動與回歸修復(fù)，幾乎復(fù)刻了真實開發(fā)中會遇到的各種場景。

這，就是V2.5的「訓(xùn)練車間」。

數(shù)據(jù)處理上還有個巧思。業(yè)界習(xí)慣「對的留下、錯的扔掉」，KwaiKAT偏要在失敗里淘金——

很多失敗其實只差臨門一腳，方向?qū)Α⒍ㄎ粶?zhǔn)，就缺一個關(guān)鍵判斷。

團(tuán)隊把這類樣本篩出來，配上針對性提示重跑，約兩成成功轉(zhuǎn)化成了可復(fù)現(xiàn)的高質(zhì)量訓(xùn)練數(shù)據(jù)。

于是模型學(xué)到的，除了「怎么做對」，還有更值錢的「錯了怎么拉回來」。

• 通用Agentic，從「會調(diào)工具」到「能扛業(yè)務(wù)」

寫代碼只是Agentic能力的一半。另一半，是駕馭真實的業(yè)務(wù)工作流。

現(xiàn)有的工具調(diào)用評測大多是原子任務(wù)——查個天氣、訂張票，五輪左右收工。

但真實業(yè)務(wù)是另一個量級，舉個栗子：

讀一周多平臺熱搜、篩出短視頻行業(yè)條目、按平臺取熱度前五、再產(chǎn)出一份帶章節(jié)和字?jǐn)?shù)限制、按日期倒序、且不許編造數(shù)據(jù)的簡報。

這類活，動輒十輪以上交互，還裹著一堆隱性的格式和一致性約束，中間斷一環(huán)，整件事就廢了。

和長程工程一樣，這種能力同樣練自「車間」。

代碼側(cè)靠AutoBuilder，業(yè)務(wù)側(cè)則由KwaiClawEnv頂上，三層閉環(huán)協(xié)同：

• Service層動態(tài)擴(kuò)池、把社區(qū)大量Skill轉(zhuǎn)成可部署服務(wù)；

• Task層以真實業(yè)務(wù)為種子、派生海量任務(wù)變體；

• Eval層用「硬規(guī)則 + 模型評審」雙重過濾，只留可執(zhí)行、可驗證、行為自然的軌跡。

產(chǎn)出的訓(xùn)練數(shù)據(jù)里，單條軌跡平均15次工具調(diào)用，最長超100步，覆蓋數(shù)據(jù)分析、跨系統(tǒng)整合、批量文檔處理、報告生成。

這些恰好是快手內(nèi)部數(shù)千研發(fā)和業(yè)務(wù)同學(xué)每天真實要面對的活。

• 大規(guī)模強化學(xué)習(xí)，讓AI自己學(xué)會「怎么干」

監(jiān)督微調(diào)能讓模型照著范文抄，可一碰到?jīng)]見過的報錯和意外反饋就發(fā)懵。

真正教會模型探索、糾錯、驗證的，是大規(guī)模RL。KwaiKAT團(tuán)隊把勁兒使在以下三處：

一是腳手架不設(shè)限（Harness Scaling）。

讓模型在mini-swe-agent、Claude Code、Codex、OpenClaw等多種框架里輪番實戰(zhàn)。

這些框架在調(diào)用協(xié)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(wù)」本身，換個框架也不至于水土不服。

二是長程信用分配。

上百輪交互里，好結(jié)果到底是哪一步促成的？團(tuán)隊用非對稱PPO：模型干活時只看真實環(huán)境信息，訓(xùn)練打分的 Critic 卻能額外借用「上帝視角」——

最終測試是否通過、補丁質(zhì)量如何，讓獎懲精確落到具體某一步，避免「一步錯、滿盤輸」。

三是三層獎勵。

頂層鎖定真實測試結(jié)果，堵死篡改測試的刷分路子；中層規(guī)范工具調(diào)用、清理臨時文件等工程習(xí)慣；底層給「定位準(zhǔn)、部分測試過」這類有價值的失敗也發(fā)正反饋，護(hù)住模型的探索欲。

值得一提的是，團(tuán)隊一度以為reward上不去是算法問題，排查后發(fā)現(xiàn)罪魁是訓(xùn)練環(huán)境本身——早期約16%的軌跡里，至少有一次失敗源自沙箱而非模型。

經(jīng)過一輪硬核基建打磨，沙箱反饋錯誤率壓到了2%以下，訓(xùn)練崩潰頻率降了約一個數(shù)量級。

正是這些不起眼的地基活，才撐起了后面平穩(wěn)的訓(xùn)練。

一個模型，裝下五種能力

長程工程、通用Agentic、終端、前端美學(xué)、通用知識——這五個方向，KwaiKAT各訓(xùn)了一個專家。

難的是把它們擰成一個模型，還得躲開「按下葫蘆浮起瓢」的蹺蹺板。

團(tuán)隊的答案是MOPD（多教師在線策略蒸餾）：學(xué)生自己做題，題屬哪個領(lǐng)域就請哪位專家指點，能力在函數(shù)空間融合而非硬拼參數(shù)。

一個 KAT-Coder-Pro V2.5，同時裝下五位專家的本事，部署時無需切換—— 寫代碼、跑流程、做頁面，一個搞定。

前代廣受好評的前端美學(xué)能力能完整延續(xù)到這一版，正好印證了這套機制：新本事大幅擴(kuò)容，舊本事一分沒掉。

這種不遺余力的重構(gòu)，直接鑄就了那份最具說服力的成績單。

Coding的下半場，拼的是「工程」

KAT-Coder-Pro V2.5背后是一個清醒的判斷：

眼下限制編程模型變強的，已經(jīng)從「模型多大」轉(zhuǎn)向「周邊基建夠不夠扎實」。

于是環(huán)境構(gòu)建、軌跡合成、RL穩(wěn)定性、能力融合，都被當(dāng)成一等的系統(tǒng)工程去啃。

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(fā)者來說，這意味著終于可以放心把一個完整issue、一整段工作流交出去跑通，而不必再當(dāng)AI的保姆。

現(xiàn)在，KAT-Coder-Pro V2.5已全量上線，即可立即體驗。

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