徒手搓出「功夫女足」！打開一看，竟是中國AI

新智元報道

【新智元導讀】國產Coding模型殺瘋了！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。

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

這波操作，瞬間引爆全網百萬圍觀。

今天，我們如法炮制，把另一款「最強AI」也接入了CC，實測效果簡直令人驚艷！

眼下世界杯激戰正酣，星爺新片《功夫女足》票房破5億。

趁著這波熱度，給這款AI派個應景的任務：「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。

點擊進入后，整個UI質感和視覺表現非常震撼。

難得的是，它極高的完成度：雙戰隊設定，儀表盤計分、AI守門、動感音效，一應俱全。

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

但真正體現細節的是，在設定中，通過一萬次模擬，AI門將的撲救率「硬控」在32%內。

這樣一來，我們既不會覺得AI是個毫無反應的「木樁」，也不會失去游戲體驗。

可以說，整個過程，絲滑無卡頓。

不賣關子了，直接揭秘——

這款裝入CC的AI，就是快手發布的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。

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。瞄準出線框，按住左鍵出進度條，挖碎了掉碎屑粒子。音效用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顆衛星，全部給出J2000歷元的真實軌道根數——半長軸、偏心率、傾角、升交點經度、近心點參數、平近點角。

明令禁止angle += speed。 行星和衛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必須是負數。海衛一必須逆行，傾角157.3°。土星環和天王星環必須 分前后兩次繪制 ，讓行星能擋住環。高倍速下衛星必須切成軌跡模式防頻閃。暫停時行星表面自轉也得停，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，且隨自轉穿過可見半球；地球的大陸轉到背面要消失，再從另一側轉回來。

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、響應式布局、九個快捷鍵。

面對如此復雜的需求，V2.5展現出了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，再到主星繪制、行星環分層渲染，以及復雜的衛星系統統籌。

所有模塊層層遞進，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。

這可不是一張太陽系的圖，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，是一圈細碎的塵在慢慢轉——小行星帶。

所有天體、所有衛星、行星表面的每一片云，必設定好了由同一個模擬時間驅動。

當按下暫停鍵后，行星停止公轉，衛星停止公轉，地球停止自轉。

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

這已經不像一份作業，像一個上線了的產品。

第三題：真實倉庫issue，1分20秒閉環

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

結果比跑分刺激多了。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timedelta采用補數存儲，timedelta(hours=-5)內部實際是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，和官方修復的診斷完全吻合————補數存儲、分量符號不一致、分別取abs導致錯誤。

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、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里點名的訓練環境之一——mini-swe-agent、Claude Code、Codex、OpenClaw。

多框架反復實戰，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，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里，塞進一整套新功能。

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。客戶端斷線重傳，服務器分不清這是 重試 還是 覆蓋 。服務器一重啟，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。已發布的、進度元數據、沒傳完的碎片。碎片永遠待在chunks/里，物理上就夠不著已發布區。

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

重復分片，逐字節比對。偷懶的寫法是「這位置有片了，當重復，放行」。而它則是一個字節一個字節對：差一點，就拋出錯誤，原數據紋絲不動。

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，瀏覽器端連暫停續傳和刷新恢復一起做完。

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、開源同行貼身纏斗。

放在整個Coding模型的賽道里，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，是時候扒一扒它背后的工程實現了。

核心技術拆解

這一次，圍繞「更長的任務鏈路、更復雜的業務工作流」，KwaiKAT團隊做了一次系統性升級。

具體來說，KAT-Coder-Pro V2.5在三個關鍵維度實現全面突破：

長程工程能力、通用Agentic能力，以及支撐這一切的大規模Agentic強化學習體系。

技術報告地址：https://arxiv.org/pdf/2607.05471

• 「單文件跑分高」和「項目里真能干活」，是兩碼事

必須要認清的現實：讓AI「補一段函數」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、可驗證的倉庫環境極難批量搭建，行業里直接構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「環境工程師」：

分析倉庫、生成配置、在隔離沙箱里驗證測試是否被真正執行，不行就自動迭代修。

效果立竿見影，環境構建成功率從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、可驗證的倉庫環境。

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

這，就是V2.5的「訓練車間」。

數據處理上還有個巧思。業界習慣「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，方向對、定位準，就缺一個關鍵判斷。

團隊把這類樣本篩出來，配上針對性提示重跑，約兩成成功轉化成了可復現的高質量訓練數據。

于是模型學到的，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：

讀一周多平臺熱搜、篩出短視頻行業條目、按平臺取熱度前五、再產出一份帶章節和字數限制、按日期倒序、且不許編造數據的簡報。

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，整件事就廢了。

和長程工程一樣，這種能力同樣練自「車間」。

代碼側靠AutoBuilder，業務側則由KwaiClawEnv頂上，三層閉環協同：

• Service層動態擴池、把社區大量Skill轉成可部署服務；

• Task層以真實業務為種子、派生海量任務變體；

• Eval層用「硬規則 + 模型評審」雙重過濾，只留可執行、可驗證、行為自然的軌跡。

產出的訓練數據里，單條軌跡平均15次工具調用，最長超100步，覆蓋數據分析、跨系統整合、批量文檔處理、報告生成。

這些恰好是快手內部數千研發和業務同學每天真實要面對的活。

• 大規模強化學習，讓AI自己學會「怎么干」

監督微調能讓模型照著范文抄，可一碰到沒見過的報錯和意外反饋就發懵。

真正教會模型探索、糾錯、驗證的，是大規模RL。KwaiKAT團隊把勁兒使在以下三處：

一是腳手架不設限（Harness Scaling）。

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

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，換個框架也不至于水土不服。

二是長程信用分配。

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

最終測試是否通過、補丁質量如何，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果，堵死篡改測試的刷分路子；中層規范工具調用、清理臨時文件等工程習慣；底層給「定位準、部分測試過」這類有價值的失敗也發正反饋，護住模型的探索欲。

值得一提的是，團隊一度以為reward上不去是算法問題，排查后發現罪魁是訓練環境本身——早期約16%的軌跡里，至少有一次失敗源自沙箱而非模型。

經過一輪硬核基建打磨，沙箱反饋錯誤率壓到了2%以下，訓練崩潰頻率降了約一個數量級。

正是這些不起眼的地基活，才撐起了后面平穩的訓練。

一個模型，裝下五種能力

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。

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

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能力能完整延續到這一版，正好印證了這套機制：新本事大幅擴容，舊本事一分沒掉。

這種不遺余力的重構，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，已經從「模型多大」轉向「周邊基建夠不夠扎實」。

于是環境構建、軌跡合成、RL穩定性、能力融合，都被當成一等的系統工程去啃。

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