昨日，Qoder 发布全新品牌 NEXT，智能补全能力全面升级。Qoder NEXT 可主动感知整套代码库与开发者编辑历史，在完成一次修改后，即时识别需联动变更的位置并提供精准建议，真正理解“下一步该做什么”，AI 代码采纳率提升 65%。
过去两年，AI 编程工具快速发展，但开发者社区中悄然流行起一个新词——“AI 善后工程师”：Agent 能完成约 80% 的任务，剩余 20% 仍需人工收尾。
其中，代码补全是最常用也最易遇瓶颈的功能。当前主流工具多基于 FIM（Fill-in-the-Middle）范式，仅支持光标处单步补全，难以应对变量名全局修改、跨文件联动等真实开发场景。而实际编码本质是连续的编辑动作序列，而非孤立的文本填充。
Qoder NEXT 正是为解决这一问题而生：让手写代码更高效，也让 Agentic Coding 的“最后 20%”更稳、更准。
Qoder NEXT 核心能力
Qoder 新一代补全功能基于自研 NEXT 模型，可主动感知代码仓库，结合开发者编辑历史，精准识别编码意图，预测后续编辑点位与内容，实现从“单行补全”到“编辑意图预测”的跃升。开发者仅需按 Tab 键，即可无缝保持编码心流。
以文件内多点位预测为例：当在 headers 中输入 corsHeaders 时，Qoder NEXT 会自动预判其他需使用该变量的位置，同步补全、添加 import 语句，甚至生成完整函数实现。模型不仅理解语义上下文，更能精准解析代码结构，在多个关联位置同步完成补全——由“被动补全”升级为“主动预测”，从“帮你写”进化至“懂你想”。
Qoder NEXT 还支持跨文件智能感知：修改代码后可自动定位影响范围并提供联动建议；仅需一行注释描述意图，即可结合项目上下文生成完整代码；同时兼容 Java、SQL 等多语言协同更新。
技术原理与实验结果
Qoder 团队构建了“训练–反馈–优化”闭环体系：以抽象语法树（AST）精准模拟真实编码过程完成初始训练；再通过海量用户真实编辑行为持续学习，构建数据飞轮；并引入 ActionRL 算法，使模型更贴合开发者编辑习惯，输出更连贯、自然的建议。
模型效果优化
经 ActionRL 对齐优化后，模型代码生成占比提升超 53%，执行一致性显著增强，能遵循“启动重构即完成全套动作”的内在逻辑，大幅减少原型模型在中间步骤中断或不完整执行的问题。代码采纳率提升 65%，推理细节准确率亦持续上升，验证其在复杂编辑任务中的可靠性与实用性。
避免过度保守的预测
对比实验显示，采用朴素对齐方法训练的模型虽首步动作准确率略高，但在多样化场景下的覆盖率明显下降，倾向抑制预测以规避错误；而 ActionRL 在保持高准确率的同时，显著提升预测活跃度与场景覆盖能力，有效避免因局部惩罚导致的全局保守行为。
实时反馈循环
目前，Qoder NEXT 的数据飞轮每 24 小时更新一次：从原型环境日志中提取分歧样本，经自动化 ActionRL 训练后，次日即可观测真实场景效果提升。
Qoder NEXT 的下一步
Qoder NEXT 的能力边界正从“预测代码内容”拓展至“预测开发者行为”。技术负责人玄坛表示，该模型不仅能提升手写代码效率，还可作为 Agentic Coding 的关键补充——针对 AI 生成代码提供函数级、行级精调与重构，切实完善 Agentic Coding 的“最后一公里”。