近日，KwaiKAT 团队正式发布旗舰级Agentic Coding模型KAT-Coder-Pro V2.5。据介绍，自KAT-Coder-Pro V2上线以来，KwaiKAT团队持续收到一线开发者的真实反馈:能不能把一个完整的issue直接交给模型，让它自己在仓库里定位、修改、跑通测试?能不能把一整段业务工作流交给它，而不只是帮忙做其中一步?围绕“更长的任务链路、更复杂的业务工作流”这一核心目标，KwaiKAT团队对模型进行了系统性升级，在长程工程能力、通用Agentic 能力和大规模Agentic强化学习体系三大维度实现全面突破。
长程工程能力:从“补代码”到“跑项目”
真实的软件工程从来不是“补一段函数”这么简单——开发者需要模型读懂模糊的自然语言需求，在几十上百个文件的仓库中定位改动位置，遵循项目既有规范给出最小改动，并通过测试验证。为此，KwaiKAT团队建设了 AutoBuilder 自动化环境构建流水线。据官方披露，这套流水线将可运行仓库环境的构建成功率从业界约16.5%大幅提升至57.2%，累计沉淀出覆盖12种编程语言、超过10万个可运行、可验证的真实“训练车间”，让模型能够在真实项目环境中完成迭代训练。
通用Agentic能力:从“能调工具”到“驾驭真实业务”
真实业务工作流平均需要10轮以上工具交互，还伴随大量隐含的格式约束与指令遵循要求。KwaiKAT 团队打造了 KwaiClawEnv 环境体系，通过动态扩展工具池、以真实业务任务为种子派生海量任务变种，并结合双重质量过滤，产出覆盖数据分析、跨系统整合、批量文档处理、报告生成等真实业务场景的高质量训练数据。这些高质量训练数据使模型在真实、复杂的多轮工具调用场景中不断打磨任务规划、状态追踪与错误恢复能力，从而将从具体业务场景中习得的经验泛化为可迁移的通用 Agentic 能力，使模型在面对未见过的新任务、新工具组合时依然能够保持稳定的长程推理与执行表现。
大规模Agentic强化学习:让模型自己学会“怎么干活”
监督微调擅长让模型“照着范文抄”，但面对陌生项目结构和意外报错时鲁棒性会显著下降。据官方披露，KAT-Coder-Pro V2.5在mini-swe-agent、Claude Code、Codex、OpenClaw等多种主流 Agent 框架下反复实战训练，学会的是“如何解决任务”本身，而非死记某种交互格式;同时，团队引入了精细化的信用分配机制和分层奖励体系，让模型不仅学会“怎么做对”，也学会“错在哪里、如何拉回来”。
多专家融合，一个模型承载全部能力
据介绍，KwaiKAT团队在长程仓库工程、通用Agentic、终端使用、前端美学生成、通用知识五个方向分别训练了专家模型，并通过 MOPD（多教师在线策略蒸馏）技术将五个专家的能力融合到一个统一模型中，有效避免了“提升一个能力就牺牲另一个”的“跷跷板效应”。一个KAT-Coder-Pro V2.5模型，即可支撑写代码、跑工作流、做页面等多类任务，无需在部署时切换。
评测成绩亮眼，真实场景稳定交付
官方公布的评测结果显示，KAT-Coder-Pro V2.5在多项Coding与Agentic评测中表现稳定:
长程工程能力方面，KAT-Coder-Pro V2.5在SWE-Bench Pro上取得65.2分，在快手内部真实工程任务评测集 KAT Code Bench上取得53.1分。据官方表示，这意味着开发者可以把一个完整的issue直接交给模型，而不必先拆成一个个小改动。
通用Agentic能力方面，KAT-Coder-Pro V2.5在多轮Agentic任务评测 PinchBench上取得94.9分，在快手内部 Agentic 评测集KAT Claw Bench上取得85.5分，展现了从工具选择、上下文管理到最终交付物生成的全流程稳定表现。
目前，KAT-Coder-Pro V2.5已在StreamLake平台全量上线，开发者可通过 StreamLake.com直接调用模型 API，并将其集成到自身工作流中。