Newcomer der Woche: Kwaipilot baut sich 100.000 Testumgebungen und trainiert ein Code-Modell darin

Dritte Ausgabe unserer Serie, und diesmal ist der interessante Teil nicht das Modell. Kwaipilot, das KI-Team des chinesischen Videokonzerns Kuaishou, hat am 26. Juli KAT-Coder-V2.5-Dev unter Apache 2.0 auf Hugging Face gestellt: ein Coding-Modell mit 35 Milliarden Parametern, von denen pro Rechenschritt nur 3 Milliarden aktive Parameter arbeiten, Kontextfenster 262.000 Token.

Die eigenen Messungen: 69,4 Prozent auf SWE-bench Verified, 63,0 Prozent auf SWE-bench Multilingual, 41,02 Prozent auf Terminal-Bench 2.1. Damit läge das Modell in einer Liga, für die andere Labs zwanzigmal so viele aktive Parameter brauchen.

Der Haken steht in der Modellkarte selbst, und zwar ungewöhnlich deutlich: Alle Vergleichswerte wurden intern reproduziert, jedes Modell nur ein einziges Mal getestet. Wer schon einmal agentische Benchmarks laufen ließ, weiß, wie stark die Ergebnisse zwischen zwei Durchläufen schwanken können. Ein Lauf ist keine Messung, ein Lauf ist eine Stichprobe.

Interessanter ist ohnehin, wie das Modell entstanden ist. Kwaipilot beschreibt im Technical Report ein System namens AutoBuilder, das über 100.000 lauffähige Repository-Umgebungen automatisch aufsetzt. In jeder davon gibt es Tests, die vor der Reparatur fehlschlagen und danach durchlaufen müssen. Das Modell bekommt also kein menschliches Urteil als Trainingssignal, sondern ein maschinell prüfbares.

Genau darin liegt die eigentliche Nachricht. Wer 100.000 verifizierbare Übungsaufgaben besitzt, kann beliebig oft trainieren, ohne dass jemand Daten annotieren muss. Das Modell ist austauschbar, die Fabrik nicht.

Ehrlich dazugesagt: KAT-Coder-V2.5-Dev ist kein Neubau. Basis ist Qwen3.6-35B-A3B von Alibaba, darauf kam ein Nachtraining mit 127.000 Beispielen. Und „Underdog“ gilt hier für das Lab, nicht für den Konzern dahinter. Kuaishou ist ein Milliardenunternehmen, es hat bloß bisher kaum jemand mit Modellbau in Verbindung gebracht.

Der Vergleich mit der Vorwoche drängt sich auf. Poolsides Laguna S 2.1 folgt derselben Logik: wenige aktive Parameter, agentisches Coding, offene Gewichte. Zwei Labs aus völlig verschiedenen Ecken der Welt kommen in acht Tagen auf dieselbe Antwort. Und während Moonshot seine Kimi-K3-Gewichte unter eine eigene Lizenz mit Umsatzschwelle stellt, wählt der kleinere Anbieter Apache 2.0. Offenheit ist eben nicht dasselbe wie Offenheit, worauf auch Dario Amodeis Position zu offenen Gewichten hinausläuft.

Eine Korrektur in eigener Sache noch, zur ersten Ausgabe der Serie: Wir hatten geschrieben, die Frist für das erste OpenEuroLLM-Modell laufe am 31. Juli ab. Das stimmt nicht. Der Deliverable-Plan des Konsortiums sieht für diesen Termin ein Evaluierungs-Code-Paket vor; die ersten Modelle mit Gewichten sind auf den 31. Dezember 2026 datiert. Wir haben gegen die falsche Frist gemessen und tragen die Serie entsprechend weiter.

Unser Underdog-Urteil: Ein solides Modell, aber eine bemerkenswerte Trainingsinfrastruktur. Zu prüfen bleiben zwei Dinge, und wir kommen darauf zurück: ob eine unabhängige Messung die 69,4 Prozent bestätigt, und ob Kwaipilot AutoBuilder selbst offenlegt. Das Zweite wäre der größere Beitrag.