KAT-Coder-V2.5-Dev、35B MoEの重みを公開、3Bのアクティブパラメータでコーディングエージェントを実行

Kwaipilotは7月24日、KAT-Coder-V2.5-Devを公開した。これはテキスト専用のコーディングエージェントモデルで、Mixture of Experts（MoE）アーキテクチャを採用している。総パラメータ数は350億で、各tokenにつき約30億パラメータがアクティブになる。モデルカードではHugging Face Transformers形式の重みが提供され、Transformers、vLLM、SGLang、KTransformersを使用したデプロイ方法も掲載されている。マルチモーダルコンポーネントは今回のリリースには含まれない。

モデルはQwen3.6-35B-A3Bをベースとし、まず12万7,000件のデータで教師ありファインチューニングを行い、その後に強化学習を実施している。付属のテクニカルレポートでは、より包括的なKAT-V2.5トレーニングシステムについて説明している。AutoBuilderは実在するリポジトリを実行可能なサンドボックスとして再構築し、fail-to-passテストとpass-to-passテストを用いて検証可能な報酬を生成する。一方、KwaiClawEnvはサービスと実タスクのシードから、ツール使用の軌跡を合成する。また、トレーニングにはエージェントフレームワークのランダム化も導入されており、モデルが単一のharnessだけに適応するリスクを抑えている。

チームは独自に構築した統一パイプラインにおいて、SWE-bench Verifiedで69.40%、SWE-bench Multilingualで63.00%、SWE-bench Proで45.96%を報告し、Terminal-Bench 2.1では41.02%を記録した。ツールタグの異常率も9.34%から0.28%に低下した。ただし、これらの比較はすべてリリース元のチームが再実行したもので、通常、各モデルのテストは1回しか行われていない。モデルカードも、同チームの環境におけるQwen3.6のSWE-benchスコアが公式値より約10パーセントポイント低かったことを認めており、harnessのバージョンやテストセットの処理方法の違いが原因である可能性を示している。

したがって、エンジニアリングチームはランキング上の差を、そのままモデル能力の差と見なすべきではない。より重要なのは、同一のエージェントフレームワーク、コンテナイメージ、ツールセット、token予算の下でも、パッチ成功率、再試行コスト、誤ったツール呼び出し率における優位性が維持されるかを検証することだ。今後は、コミュニティが結果を再現できるか、また公開された重みだけで公式のpost-training結果を再構築できるかについても注視する必要がある。