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 är utvecklad av Kuaishou. Atlas Cloud (som drivs av Atlas Cloud AI LLC) tillhandahåller åtkomst till modellen men äger den inte. Alla varumärken tillhör sina respektive ägare.

Parametrar

Kodexempel
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)

Installera

Installera det nödvändiga paketet för ditt programmeringsspråk.

pip install requests

Autentisering

Alla API-förfrågningar kräver autentisering via en API key. Du kan hämta din API key från Atlas Cloud-instrumentpanelen.

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

HTTP-huvuden

import os

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

Håll din API key säker

Exponera aldrig din API key i klientkod eller publika arkiv. Använd miljövariabler eller en backend-proxy istället.

Skicka en förfrågan

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())

Input Schema

Följande parametrar accepteras i förfrågningsinnehållet.

Totalt: 14Obligatorisk: 2Valfri: 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

Exempel på förfrågningsinnehåll

{
  "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
}

Output Schema

API:et returnerar ett ChatCompletion-kompatibelt svar.

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.

Exempelsvar

{
  "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 integrerar 400+ AI-modeller direkt i din AI-kodassistent. Ett kommando för att installera, sedan använd naturligt språk för att generera bilder, videor och chatta med LLM.

Stödda klienter

Claude Code

OpenAI Codex

Gemini CLI

Cursor

Windsurf

VS Code

Trae

GitHub Copilot

Cline

Roo Code

Amp

Goose

Replit

40+ stödda klienter

Installera

npx skills add AtlasCloudAI/atlas-cloud-skills

Konfigurera API Key

Hämta din API key från Atlas Cloud-instrumentpanelen och ställ in den som en miljövariabel.

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

Funktioner

När det är installerat kan du använda naturligt språk i din AI-assistent för att komma åt alla Atlas Cloud-modeller.

BildgenereringGenerera bilder med modeller som Nano Banana 2, Z-Image och fler.

VideoskapandeSkapa videor från text eller bilder med Kling, Vidu, Veo m.fl.

LLM-chattChatta med Qwen, DeepSeek och andra stora språkmodeller.

MediauppladdningLadda upp lokala filer för bildredigering och bild-till-video-arbetsflöden.

Läs mer

github.com/AtlasCloudAI/atlas-cloud-skills

MCP Server

Atlas Cloud MCP Server ansluter din IDE med 400+ AI-modeller via Model Context Protocol. Fungerar med alla MCP-kompatibla klienter.

Stödda klienter

Cursor

VS Code

Windsurf

Claude Code

OpenAI Codex

Gemini CLI

Cline

Roo Code

100+ stödda klienter

Installera

npx -y atlascloud-mcp

Konfiguration

Lägg till följande konfiguration i din IDE:s MCP-inställningsfil.

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

Tillgängliga verktyg

atlas_generate_imageGenerera bilder från textpromptar.

atlas_generate_videoSkapa videor från text eller bilder.

atlas_chatChatta med stora språkmodeller.

atlas_list_modelsBläddra bland 400+ tillgängliga AI-modeller.

atlas_quick_generateInnehållsskapande i ett steg med automatiskt modellval.

atlas_upload_mediaLadda upp lokala filer för API-arbetsflöden.

Läs mer

github.com/AtlasCloudAI/mcp-server

Elit AI-kodning

KAT-Coder: Elit AI-kodgenerering

73,4% SWE-Bench Verified - Överträffar branschledare

KAT-Coder är Kwaipilots (Kuaishous AI-forskningsavdelning) flaggskeppsmodell för AI-kodning med sluten källkod, som representerar toppen av agentisk kodgenereringsteknologi. Driven av en Mixture-of-Experts-arkitektur med 72 miljarder aktiva parametrar och tränad genom storskalig agentisk förstärkningsinlärning uppnår KAT-Coder 73,4% på SWE-Bench Verified och rankas bland de bästa kodgenereringsmodellerna globalt tillsammans med GPT-5 High och Claude Sonnet 4.5.

73.4%

SWE-Bench Verified

256K

Kontextfönster

72B

Aktiva Parametrar

Branschledande Prestanda

KAT-Coder tävlar med världens bästa kodgenereringsmodeller på SWE-Bench Verified, branschstandarden för verkliga mjukvaruutvecklingsuppgifter

🥇

Claude Sonnet 4.5

77.2%

🥈

GPT-5 High

74.9%

🥉

KAT-Coder Pro

73.4%

* Baserat på SWE-Bench Verified benchmark-poäng. Prestanda kan variera mellan olika kodgenereringsuppgifter.

Kärnfunktioner

Mixture-of-Experts-arkitektur

Utnyttjar en avancerad MoE-design med 72 miljarder aktiva parametrar av över 1 biljon totalt, vilket ger toppmodern prestanda för komplexa mjukvaruutvecklingsuppgifter.

72 miljarder aktiva parametrar för optimal effektivitet
Byggd på Qwen-modellfamiljen
Optimerad för kodbaser i företagsskala

Agentisk Förstärkningsinlärning

Tränad genom en pipeline i flera steg inklusive storskalig agentisk RL, vilket möjliggör autonomt slutförande av komplexa mjukvaruutvecklingsuppgifter.

Delad prefix-banoptimering
Entropi-formnings-fördelmekanism
Träning på riktiga Git-commits och PR:er

Integration av flera verktyg

Inbyggda funktioner för att interagera med tusentals verktyg genom verklig sandbox-körningsdata, vilket möjliggör praktiska mjukvaruutvecklingsarbetsflöden.

Interaktionsdata från tusentals verktyg
Verklig körning i sandbox-miljöer
Sömlös API- och CLI-integration

256K Kontextfönster

Omfattande kontextstöd möjliggör hantering av sofistikerade kodningsinteraktioner i flera steg och effektiv hantering av storskaliga kodbaser.

Hantera flera filer samtidigt
Behålla lång konversationshistorik
Filöverskridande resonemang och omstrukturering

Git-native Träning

Tränad på verkliga Git-commit- och PR-data från företagsrepositorier, med inbyggd förståelse för versionshanteringsarbetsflöden.

Verkliga repository-commit-mönster
Pull request bästa praxis
Kodgranskning och samarbetsmönster

Kvalitet i företagsklass

Högkvalitativ domänspecifik data inklusive instruktionsföljning över 30+ kategorier och allmänna resonemangsfunktioner.

30+ instruktionsföljningskategorier
Avancerat resonemang för specialfall
Produktionsklar kodgenerering

Flerstegs Träningspipeline

KAT-Coders träningsmetodik representerar ett betydande framsteg i AI-kodningsmodeller och kombinerar flera träningsstadier för optimal prestanda

Mellanträning

Grundstadium med kodkunskapsinjektion och högkvalitativ domänspecifik data

→

Övervakad Finjustering (SFT)

Instruktionsföljning och dialogträning över 30+ kategorier

→

Förstärkningsfinjustering (RFT)

Förbättrade resonemang och problemlösningsförmågor

→

Agentisk Förstärkningsinlärning

Storskalig RL på företagskodbaser med autonomt slutförande av uppgifter

Perfekt För

🐛

Komplex Felsökning

Identifiera och åtgärda buggar i stora kodbaser med förståelse för kontext över flera filer

🔧

Omstrukturering av stora kodbaser

Systematisk omstrukturering med medvetenhet om arkitektoniska mönster och beroenden

📝

Flerfilskodgenerering

Generera sammanhängande kod över flera filer med korrekt integration

📚

Repositorieförståelse

Analysera och förstå stora repositorier med djupa arkitektoniska insikter

Tekniska Specifikationer

arkitekturMixture-of-Experts (MoE)

aktiva_parametrar~72 miljarder

totala_parametrar>1 biljon

kontextfönster256 000 tokens

basmodellQwen-familjen

verktygsanvändningTusentals verktyg

flerstegs_dialogHundratals steg

instruktionskategorier30+ kategorier

licensSluten källkod (Kommersiell)

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

Öppna Källkodsvarianter

Även om KAT-Coder Pro är sluten källkod har Kwaipilot släppt öppna källkodsalternativ tillgängliga på HuggingFace under Apache-2.0-licens

KAT-Dev-32B

Öppen Källkod

Optimerad variant med 32 miljarder parametrar, tränad i flera steg inklusive övervakad finjustering och förstärkningsinlärning.

Apache-2.0-licens för kommersiellt bruk

Tillgänglig på HuggingFace

Produktionsklar prestanda

KAT-Dev-72B-Exp

Experimentell

Experimentell variant med 72 miljarder parametrar som flyttar gränserna för kodgenereringsförmåga med öppen källkod.

Större modell för komplexa uppgifter

Avancerade resonemangsfunktioner

Forsknings- och produktionsanvändning

Upplev Elit Kodgenerering

Börja använda KAT-Coder idag via vårt API. Gå med utvecklare världen över som litar på KAT-Coder för verksamhetskritiska mjukvaruutvecklingsuppgifter.

Branschledande 73,4% SWE-Bench-poäng

256K kontext för stora kodbaser

Stöd för integration av flera verktyg

KAT Coder Pro V2 API by Kwai

Parametrar

Kodexempel

Installera

Autentisering

HTTP-huvuden

Skicka en förfrågan

Input Schema

Exempel på förfrågningsinnehåll

Output Schema

Exempelsvar

Atlas Cloud Skills

Stödda klienter

Installera

Konfigurera API Key

Funktioner

MCP Server

Stödda klienter

Installera

Konfiguration

Tillgängliga verktyg

KAT-Coder: Elit AI-kodgenerering

Branschledande Prestanda

Kärnfunktioner

Mixture-of-Experts-arkitektur

Agentisk Förstärkningsinlärning

Integration av flera verktyg

256K Kontextfönster

Git-native Träning

Kvalitet i företagsklass

Flerstegs Träningspipeline

Mellanträning

Övervakad Finjustering (SFT)

Förstärkningsfinjustering (RFT)

Agentisk Förstärkningsinlärning

Perfekt För

Komplex Felsökning

Omstrukturering av stora kodbaser

Flerfilskodgenerering

Repositorieförståelse

Tekniska Specifikationer

Öppna Källkodsvarianter

KAT-Dev-32B

KAT-Dev-72B-Exp

Upplev Elit Kodgenerering

Utforska Liknande Modeller

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

Ett API för all media-AI.

Parametrar

Kodexempel

Installera

Autentisering

HTTP-huvuden

Skicka en förfrågan

Input Schema

Exempel på förfrågningsinnehåll

Output Schema

Exempelsvar

Atlas Cloud Skills

Stödda klienter

Installera

Konfigurera API Key

Funktioner

MCP Server

Stödda klienter