KAT-Coder-V2.5 propulse l’IA du codage vers les dépôts réels
Imaginez une IA qui ne se contente pas de suggérer une fonction, mais qui explore, modifie et teste un codebase entier — sans casser la compilation. C’est la promesse de KAT-Coder-V2.5, le dernier modèle agentique de l’équipe KwaiKAT chez Kuaishou. Contrairement aux systèmes précédents qui génèrent un simple extrait de code et s’arrêtent là, KAT-Coder-V2.5 s’entraîne au sein de dépôts réels et exécutables, et valide les correctifs contre des suites de tests complètes avant de les considérer comme valides.
Des problèmes GitHub aux bacs à sable exécutables
L’équipe de recherche structure chaque tâche sous forme de triplet : une description précise, un environnement de dépôt exécutable, et des tests de validation. Pour créer ces environnements à grande échelle, le système AutoBuilder exploite les demandes de fusion et les commits réels, extrait le correctif et les modifications des tests, puis régénère une spécification claire. Il génère ensuite des bacs à sable isolés où un agent de construction rédige des scripts d’installation des dépendances, tandis qu’un agent de vérification s’assure que plus de 90 % des tests attendus passent systématiquement. En combinant des environnements de base, des modèles de compilation et une bibliothèque de recettes distillées, AutoBuilder a fait passer le taux de réussite de la construction d’environnements de 16,5 % à 57,2 %, générant plus de 100 000 environnements vérifiables dans 12 langages de programmation.
Volant de données : récompenser le processus, pas seulement les résultats
Filtrer les données d’entraînement en fonction du succès final des tests peut encourager des raccourcis fragiles tout en ignorant les comportements utiles de réparation. KwaiKAT inverse la logique. Pour les tâches qui échouent de peu, des indices ciblés au niveau du processus guident le modèle vers les bons fichiers ou vérifications, sans révéler la solution — augmentant le succès des tâches à zéro passage à environ 20 %. Une fois un correctif vérifiable trouvé, l’équipe régénère une trajectoire sans indice à partir du contexte initial pour que le modèle puisse reproduire la correction sans assistance. Les exécutions réussies sont ensuite strictement filtrées pour éliminer les trajectoires invalides, instables ou exploitatrices, et notées selon la qualité d’exploration, la localisation, la fidélité du raisonnement et la minimalité des correctifs. Pour éviter l’overfitting aux outils, les noms des outils, les formats d’arguments et les modèles d’invite sont aléatoirisés tout en préservant la fonctionnalité, permettant à une même tâche d’être rediffusée sous de nombreuses configurations.
Version open-weight et options de déploiement
KAT-Coder-V2.5 est accessible via StreamLake, la plateforme de serveurs de KwaiKAT, tandis qu’une variante open-weight, KAT-Coder-V2.5-Dev, est publiée sur Hugging Face sous licence Apache-2.0 pour la recherche et le fine-tuning.
Pourquoi c’est important
Les assistants IA traditionnels pour le codage excellent dans la génération de code en un seul tour, mais échouent souvent dans les dépôts réels où les dépendances, les effets de bord et les tests sont déterminants. En s’entraînant dans des environnements de dépôts vérifiables et en récompensant les comportements au niveau du processus, KAT-Coder-V2.5 fait passer l’unité de correction d’un test unitaire qui passe à une suite d’intégration qui passe. Pour les équipes d’ingénierie, cela signifie moins de correctifs automatiques fragiles et davantage d’agents fiables et conscients du contexte. Pour les chercheurs, cela offre une feuille de route pour faire évoluer le codage agentique au-delà des benchmarks jouets, vers le chaos des codes de production.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.