kwaipilot/kat-coder-pro-v2

LLM

PRO

KAT Coder Pro V2 API by Kwai

kwaipilot/kat-coder-pro-v2

Kat-coder-pro-v2

KAT Coder Pro is KwaiKAT's most advanced agentic coding model in the KAT-Coder series. Designed specifically for agentic coding tasks, it excels in real-world software engineering scenarios, achieving 73.4% solve rate on the SWE-Bench Verified benchmark.

KAT Coder Pro V2 is ontwikkeld door Kuaishou. Atlas Cloud (geëxploiteerd door Atlas Cloud AI LLC) biedt toegang tot het model maar is niet de eigenaar ervan. Alle handelsmerken zijn eigendom van hun respectieve eigenaren.

Parameters

Codevoorbeeld
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("ATLASCLOUD_API_KEY"),
    base_url="https://api.atlascloud.ai/v1"
)

response = client.chat.completions.create(
    model="kwaipilot/kat-coder-pro-v2",
    messages=[
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    max_tokens=72000,
    temperature=0.7
)

print(response.choices[0].message.content)

Installeren

Installeer het vereiste pakket voor uw programmeertaal.

pip install requests

Authenticatie

Alle API-verzoeken vereisen authenticatie via een API-sleutel. U kunt uw API-sleutel ophalen via het Atlas Cloud dashboard.

export ATLASCLOUD_API_KEY="your-api-key-here"

HTTP-headers

import os

API_KEY = os.environ.get("ATLASCLOUD_API_KEY")
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

Bescherm uw API-sleutel

Stel uw API-sleutel nooit bloot in client-side code of openbare repositories. Gebruik in plaats daarvan omgevingsvariabelen of een backend-proxy.

Een verzoek indienen

import requests

url = "https://api.atlascloud.ai/v1/chat/completions"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer $ATLASCLOUD_API_KEY"
}
data = {
    "model": "kwaipilot/kat-coder-pro-v2",
    "messages": [
        {
            "role": "user",
            "content": "what is difference between http and https"
        }
    ],
    "max_tokens": 72000,
    "temperature": 0.7,
    "stream": False
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

Invoer-Schema

De volgende parameters worden geaccepteerd in de verzoekinhoud.

Totaal: 14Vereist: 2Optioneel: 12

modelstringrequired

The model ID to use for the completion.

Example: "kwaipilot/kat-coder-pro-v2"

messagesarray[object]required

A list of messages comprising the conversation so far.

rolestringrequired

The role of the message author.

systemuserassistant

contentstringrequired

The content of the message.

temperaturenumber

Controls the variety of the model's responses. Lower values make output more predictable and deterministic, higher values more diverse and random.

Default: 1Min: 0Max: 2

top_pnumber

Nucleus sampling: limits the model's choices to the smallest set of tokens whose cumulative probability reaches top_p. It is recommended to adjust either this or temperature, not both.

Default: 1Min: 0Max: 1

top_kinteger

Limits the model's choice to the k most likely tokens at each step. Set to 0 or omit to disable.

Default: 0Min: 0

min_pnumber

Minimum probability threshold for a token to be considered, measured relative to the probability of the most likely token. Tokens below this threshold are filtered out.

Default: 0Min: 0Max: 1

frequency_penaltynumber

Penalizes tokens based on how frequently they have appeared in the text so far, reducing verbatim repetition. Negative values encourage token reuse.

Default: 0Min: -2Max: 2

presence_penaltynumber

Penalizes tokens that have already appeared in the text regardless of frequency, encouraging the model to introduce new topics.

Default: 0Min: -2Max: 2

repetition_penaltynumber

Multiplicative penalty applied to previously generated tokens. Values greater than 1 discourage repetition; 1 disables it.

Default: 1Min: 0Max: 2

stopstring | array[string]

One or more sequences where the API will stop generating further tokens. The returned text will not contain the stop sequence.

seedinteger

Random seed for deterministic sampling. Repeated requests with the same seed and parameters should return the same result.

max_tokensinteger

The maximum number of tokens to generate in the completion. The maximum value is the model's context length minus the prompt length.

Min: 1

logit_biasobject

A map of token IDs to bias values from -100 to 100 that adjust the likelihood of those tokens appearing in the output.

streamboolean

If set to true, partial message deltas will be sent as server-sent events.

Default: false

Voorbeeld verzoekinhoud

{
  "model": "kwaipilot/kat-coder-pro-v2",
  "messages": [
    {
      "role": "user",
      "content": "what is difference between http and https"
    }
  ],
  "max_tokens": 72000,
  "temperature": 0.7,
  "stream": false
}

Uitvoer-Schema

De API retourneert een ChatCompletion-compatibel antwoord.

idstringrequired

Unique identifier for the completion.

objectstringrequired

Object type, always "chat.completion".

Default: "chat.completion"

createdintegerrequired

Unix timestamp of when the completion was created.

modelstringrequired

The model used for the completion.

choicesarray[object]required

List of completion choices.

indexintegerrequired

Index of the choice.

messageobjectrequired

The generated message.

finish_reasonstringrequired

The reason generation stopped.

stoplengthcontent_filter

usageobjectrequired

Token usage statistics.

prompt_tokensintegerrequired

Number of tokens in the prompt.

completion_tokensintegerrequired

Number of tokens in the completion.

total_tokensintegerrequired

Total tokens used.

Voorbeeldantwoord

{
  "id": "chatcmpl-abc123",
  "object": "chat.completion",
  "created": 1700000000,
  "model": "model-name",
  "choices": [
    {
      "index": 0,
      "message": {
        "role": "assistant",
        "content": "Hello! How can I assist you today?"
      },
      "finish_reason": "stop"
    }
  ],
  "usage": {
    "prompt_tokens": 10,
    "completion_tokens": 20,
    "total_tokens": 30
  }
}

Atlas Cloud Skills

Atlas Cloud Skills integreert meer dan 400 AI-modellen rechtstreeks in uw AI-codeerassistent. Eén commando om te installeren, gebruik daarna natuurlijke taal om afbeeldingen, video's te genereren en te chatten met LLMs.

Ondersteunde clients

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ ondersteunde clients

Installeren

npx skills add AtlasCloudAI/atlas-cloud-skills

API-sleutel instellen

Haal uw API-sleutel op via het Atlas Cloud dashboard en stel deze in als omgevingsvariabele.

export ATLASCLOUD_API_KEY="your-api-key-here"

Mogelijkheden

Eenmaal geïnstalleerd kunt u natuurlijke taal gebruiken in uw AI-assistent om toegang te krijgen tot alle Atlas Cloud modellen.

BeeldgeneratieGenereer afbeeldingen met modellen zoals Nano Banana 2, Z-Image en meer.

VideocreatieMaak video's van tekst of afbeeldingen met Kling, Vidu, Veo, enz.

LLM-chatChat met Qwen, DeepSeek en andere grote taalmodellen.

Media uploadenUpload lokale bestanden voor beeldbewerking en afbeelding-naar-video workflows.

Meer informatie

github.com/AtlasCloudAI/atlas-cloud-skills

MCP-server

De Atlas Cloud MCP-server verbindt uw IDE met meer dan 400 AI-modellen via het Model Context Protocol. Werkt met elke MCP-compatibele client.

Ondersteunde clients

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ ondersteunde clients

Installeren

npx -y atlascloud-mcp

Configuratie

Voeg de volgende configuratie toe aan het MCP-instellingenbestand van uw IDE.

{
  "mcpServers": {
    "atlascloud": {
      "command": "npx",
      "args": [
        "-y",
        "atlascloud-mcp"
      ],
      "env": {
        "ATLASCLOUD_API_KEY": "your-api-key-here"
      }
    }
  }
}

Beschikbare tools

atlas_generate_imageGenereer afbeeldingen op basis van tekstprompts.

atlas_generate_videoMaak video's van tekst of afbeeldingen.

atlas_chatChat met grote taalmodellen.

atlas_list_modelsBlader door meer dan 300 beschikbare AI-modellen.

atlas_quick_generateContentcreatie in één stap met automatische modelselectie.

atlas_upload_mediaUpload lokale bestanden voor API-workflows.

Meer informatie

github.com/AtlasCloudAI/mcp-server

Elite AI-codering

KAT-Coder: Elite AI-codegeneratie

73,4% SWE-Bench Verified - Toonaangevende bedrijven overtroffen

KAT-Coder is het vlaggenschip gesloten AI-coderingsmodel van Kwaipilot (AI-onderzoeksafdeling van Kuaishou), dat het toppunt vertegenwoordigt van agentische codegeneratietechnologie. Aangedreven door een Mixture-of-Experts-architectuur met 72 miljard actieve parameters en getraind via grootschalig agentisch versterkend leren, behaalt KAT-Coder 73,4% op SWE-Bench Verified en behoort het tot de beste codegeneratiemodellen wereldwijd naast GPT-5 High en Claude Sonnet 4.5.

73.4%

SWE-Bench Verified-score

256K

Contextvenster

72B

Actieve Parameters

Toonaangevende Prestaties in de Industrie

KAT-Coder concurreert met 's werelds beste codegeneratiemodellen op SWE-Bench Verified, de industriestandaard benchmark voor praktische software-engineeringtaken

🥇

Claude Sonnet 4.5

77.2%

🥈

GPT-5 High

74.9%

🥉

KAT-Coder Pro

73.4%

* Gebaseerd op SWE-Bench Verified benchmarkscores. Prestaties kunnen variëren per codegeneratietaak.

Kernmogelijkheden

Mixture-of-Experts Architectuur

Maakt gebruik van geavanceerd MoE-ontwerp met 72 miljard actieve parameters van meer dan 1 biljoen totaal, en levert state-of-the-art prestaties op complexe software-engineeringtaken.

72 miljard actieve parameters voor optimale efficiëntie
Gebouwd op de basis van de Qwen-modelfamilie
Geoptimaliseerd voor codebases op ondernemingsschaal

Agentisch Versterkend Leren

Getraind via meertraps-pipeline inclusief grootschalig agentisch RL, wat autonome voltooiing van complexe software-engineeringtaken mogelijk maakt.

Gedeelde prefix-trajectoptimalisatie
Entropie-vormings-voordeelmechanisme
Training op echte Git-commits en PR's

Multi-tool Integratie

Ingebouwde mogelijkheden voor interactie met duizenden tools via echte sandbox-uitvoeringsgegevens, wat praktische software-ontwikkelingsworkflows mogelijk maakt.

Interactiegegevens van duizenden tools
Echte uitvoering in sandbox-omgevingen
Naadloze API- en CLI-integratie

256K Contextvenster

Uitgebreide contextondersteuning maakt het mogelijk om geavanceerde multi-turn coderingsinteracties te verwerken en grootschalige codebases effectief te beheren.

Meerdere bestanden tegelijk verwerken
Lange gespreksgeschiedenis behouden
Cross-file redenering en refactoring

Git-native Training

Getraind op echte Git-commit- en PR-gegevens van enterprise-repositories, met native begrip van versiebeheerwerkstromen.

Echte repository-commitpatronen
Best practices voor pull requests
Code review en samenwerkingspatronen

Enterprise-grade Kwaliteit

Hoogwaardige domeinspecifieke gegevens inclusief instructievolging over 30+ categorieën en algemene redeneermogelijkheden.

30+ instructievolgcategorieën
Geavanceerd redeneren voor edge cases
Productieklare codegeneratie

Meertraps Trainingspipeline

De trainingsmethodologie van KAT-Coder vertegenwoordigt een belangrijke vooruitgang in AI-coderingsmodellen en combineert meerdere trainingsfasen voor optimale prestaties

Mid-training

Fundamentele fase met injectie van coderingskennis en hoogwaardige domeinspecifieke gegevens

→

Supervised Fine-tuning (SFT)

Instructievolging en dialoogtraining over 30+ categorieën

→

Reinforcement Fine-tuning (RFT)

Verbeterde redeneer- en probleemoplossingsmogelijkheden

→

Agentisch Versterkend Leren

Grootschalig RL op enterprise-codebases met autonome taakvoltooiing

Perfect Voor

🐛

Complexe Debugging

Bugs identificeren en oplossen in grote codebases met multi-file contextbegrip

🔧

Grote Codebase Refactoring

Systematische refactoring met bewustzijn van architectuurpatronen en afhankelijkheden

📝

Multi-file Codegeneratie

Coherente code genereren over meerdere bestanden met juiste integratie

📚

Repository Begrip

Grote repositories analyseren en begrijpen met diepe architectonische inzichten

Technische Specificaties

architectuurMixture-of-Experts (MoE)

actieve parameters~72 miljard

totale parameters>1 biljoen

contextvenster256.000 tokens

basismodelQwen Familie

toolgebruikDuizenden tools

meervoudige dialoogHonderden beurten

instructiecategorieën30+ categorieën

licentieClosed source (commercieel)

open_source_variantenKAT-Dev-32B, KAT-Dev-72B-Exp

Open Source Varianten

Hoewel KAT-Coder Pro propriëtair is, heeft Kwaipilot open source alternatieven uitgebracht die beschikbaar zijn op HuggingFace onder Apache-2.0 licentie

KAT-Dev-32B

Open Source

Geoptimaliseerde 32 miljard parameter variant met meertraps-training inclusief supervised fine-tuning en reinforcement learning.

Apache-2.0 licentie voor commercieel gebruik

Beschikbaar op HuggingFace

Productieklare prestaties

KAT-Dev-72B-Exp

Experimenteel

Experimentele 72 miljard parameter variant die de grenzen van open source codegeneratiemogelijkheden verlegt.

Groter model voor complexe taken

Geavanceerde redeneermogelijkheden

Onderzoeks- en productiegebruik

Ervaar Elite Codegeneratie

Begin vandaag nog met het gebruik van KAT-Coder via onze API. Sluit je aan bij ontwikkelaars wereldwijd die KAT-Coder vertrouwen voor missiekritische software-engineeringtaken.

Toonaangevende 73,4% SWE-Bench score

256K context voor grote codebases

Multi-tool integratieondersteuning

KAT Coder Pro V2 API by Kwai

Parameters

Codevoorbeeld

Installeren

Authenticatie

HTTP-headers

Een verzoek indienen

Invoer-Schema

Voorbeeld verzoekinhoud

Uitvoer-Schema

Voorbeeldantwoord

Atlas Cloud Skills

Ondersteunde clients

Installeren

API-sleutel instellen

Mogelijkheden

MCP-server

Ondersteunde clients

Installeren

Configuratie

Beschikbare tools

KAT-Coder: Elite AI-codegeneratie

Toonaangevende Prestaties in de Industrie

Kernmogelijkheden

Mixture-of-Experts Architectuur

Agentisch Versterkend Leren

Multi-tool Integratie

256K Contextvenster

Git-native Training

Enterprise-grade Kwaliteit

Meertraps Trainingspipeline

Mid-training

Supervised Fine-tuning (SFT)

Reinforcement Fine-tuning (RFT)

Agentisch Versterkend Leren

Perfect Voor

Complexe Debugging

Grote Codebase Refactoring

Multi-file Codegeneratie

Repository Begrip

Technische Specificaties

Open Source Varianten

KAT-Dev-32B

KAT-Dev-72B-Exp

Ervaar Elite Codegeneratie

Ontdek Vergelijkbare Modellen

KAT Coder Pro V2.5

KAT Coder Air V2.5

DeepSeek V4 Pro 0813

Grok 4.6

DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash 0731

Qwen3.8 27B

Qwen3.8 Max

Kimi K3

Grok 4.5

Doubao Seed Character

Doubao Seed 2.1 Turbo

Doubao Seed 2.1 Pro

GLM 5.3 Flash

GLM 5.3

GLM 5.2

Eén API voor alle media-AI.

Parameters

Codevoorbeeld

Installeren

Authenticatie

HTTP-headers

Een verzoek indienen

Invoer-Schema

Voorbeeld verzoekinhoud

Uitvoer-Schema

Voorbeeldantwoord

Atlas Cloud Skills

Ondersteunde clients

Installeren

API-sleutel instellen

Mogelijkheden

MCP-server

Ondersteunde clients