Kwaipilot 开源 KAT-Coder-V2.5-Dev：35B 总参数 MoE 代码模型

近日，Kwaipilot 团队在 Hugging Face 上以开源权重形式发布 KAT-Coder-V2.5-Dev。该模型为 MoE 架构，总参数量 35B、激活参数量 3B，沿袭此前 7 月推出的 KAT-Coder-V2.5，聚焦 Agentic Coding（智能体式编程）方向。这是 Kwaipilot 首次公开该版本的权重，旨在与社区交流研发进展。

模型定位与架构

KAT-Coder-V2.5-Dev 并非追求超大规模参数的通用大模型，而是面向代码生成与工具调用场景的中等规模 MoE 模型。具体规格如下：

• 架构：MoE（混合专家），总参数 35B，单次激活参数约 3B
• 训练：采用 SFT（监督微调）与 RL（强化学习）两阶段训练
• 重点任务：Agentic Coding，即让模型在多轮交互中自主调用工具完成编程任务

Kwaipilot 表示，得益于上述训练方式，该模型在「与自身参数规模接近」的代码模型中达到 Agentic Coding 的 SOTA 水平，但官方未在文中列出对比的基准模型和详细分数。

异常行为优化

除了能力提升，Kwaipilot 重点强调在强化学习阶段对若干「异常行为」进行了治理，并给出实测改善幅度：

• 异常工具标签（abnormal tool labels）：从 9.34% 降至 0.28%，降幅 9 个百分点
• 单轮连续重复（single-turn continuous repetition）：从 0.34% 降至 0%，降幅 0.34 个百分点

这两类异常在 Agentic Coding 场景中尤为关键：前者会导致工具调用格式错误、流程中断，后者则让模型陷入无效循环，是衡量 Agent 稳定性的常见指标。

社区获取与后续

目前模型权重已在 Hugging Face 平台开放下载，开发者可直接在对应的模型卡片页面获取相关文件与许可信息。由于资料中未披露完整基准成绩、上下文长度、训练数据构成等细节，社区若要进行横向评估，仍需等待更完整的模型卡或后续技术报告。整体来看，KAT-Coder-V2.5-Dev 为开源代码 Agent 生态补充了一个中等规模的轻量化选项，但能否在更大参数模型主导的代码赛道中保持竞争力，仍有待实际使用反馈验证。