快手 KwaiKAT 团队今日正式发布旗舰级 Agentic Coding 模型 KAT-Coder-Pro V2.5。新版本针对传统编程模型"跑分高但落地差"的痛点，围绕长程工程能力、通用 Agentic 能力与大规模 Agentic 强化学习体系三大维度系统性升级，目标是从单点代码补全演进为可独立完成完整软件工程任务和复杂业务工作流的 AI Agent。
在长程工程能力上，团队自研 AutoBuilder 自动化流水线，将可运行仓库环境构建成功率从行业平均约16.5% 提升至57.2%，沉淀覆盖12种编程语言、超10万个可验证真实仓库环境;同时回收高价值失败轨迹转化为训练数据，让模型掌握跨文件定位、遵循项目规范及自主调试测试的能力。
在通用 Agentic 能力上，KwaiKAT 打造 KwaiClawEnv 体系——动态扩展工具池、以真实业务任务派生海量复杂工作流、经双重过滤保留高质量训练轨迹，覆盖数据分析、跨系统整合、批量文档处理等场景，支持10轮以上长链路任务执行。
训练层面放弃纯监督微调路线，采用大规模 Agentic 强化学习:通过 Harness Scaling 在多种主流 Agent 框架下训练以避免过拟合单一交互格式;引入非对称 PPO 架构解决长程任务信用分配难题;设计分层奖励机制（核心任务结果+行为规范约束+失败探索激励）兼顾效果与鲁棒性。模型进一步通过 MOPD 多教师在线策略蒸馏，融合长程工程、通用 Agentic、终端使用、前端美学、通用知识五个专家模型能力，单模型即可同时胜任写代码、跑工作流、生成前端页面等多场景需求，无需切换。
官方公布评测数据显示:代码工程方面 SWE-Bench Pro 得分65.2、内部 KAT Code Bench 得分53.1，可直接承接完整 Issue 无需人工拆解;Agentic 任务方面 PinchBench 得分94.2、内部 KAT Claw Bench 得分85.5，全流程稳定性优异。
目前 KAT-Coder-Pro V2.5已全量上线 StreamLake 平台（streamlake.com），开放 API 申请与技术文档查阅，同步公开技术报告及开发者交流群。