Kimi K2.7-Code – новый агентный кодер от Moonshot AI
На этой неделе Moonshot AI представила Kimi K2.7-Code – модель, ориентированную специально на программирование. Вес модели доступен на Hugging Face под лицензией Modified MIT, а также через API Kimi API и сервис Kimi Code.
Что такое Kimi K2.7-Code?
K2.7-Code – это модель Mixture‑of‑Experts с суммарным числом параметров 1 трлн, при этом активируется 32 млрд параметров на токен. Архитектура включает 384 эксперта, из которых 8 выбираются для каждого токена, плюс один общий. Модель имеет 61 слой, использует MLA‑attention, SwiGLU‑feed‑forward и Vision‑энкодер MoonViT (400 М параметров) для работы с изображениями и видео. Контекст‑окно – 256 К токенов (262 144). Все веса идут в INT4‑квантовании.
Бенчмарки
Moonshot сравнила K2.7-Code с K2.6, GPT‑5.5 и Claude Opus 4.8. По всем метрикам K2.7‑Code обойдёт предшественницу:
- Kimi Code Bench v2 – 62.0 (против 50.9 у K2.6, +21.8 %).
- Program Bench – 53.6 (против 48.3).
- MLS Bench Lite – 35.1 (против 26.7).
- Kimi Claw 24/7 – 46.9 (против 42.9).
- MCP Atlas – 76.0 (против 69.4).
- MCP Mark Verified – 81.1 (против 72.8), где K2.7‑Code даже превзойдёт Opus 4.8 (76.4).
Эффективность токенов рассуждений
Moonshot сообщает о ~30 % снижении количества токенов, потраченных на рассуждения, по сравнению с K2.6. Это экономит деньги (токены рассуждений считаются выходными) и ускоряет многопроходный процесс агента.
Практические сценарии
- Рефакторинг репозитория. Агент получает набор падающих тестов, читает файлы, вносит правки во все модули и повторно запускает тесты до зеленого результата.
- Код‑ревью. Передаёте diff‑pull‑request, модель анализирует риски, предлагает улучшения и поясняет потенциальные баги.
- Интеграция инструментов (MCP). K2.7‑Code успешно проходит тесты, проверяющие корректный вызов внешних утилит, обновление тикетов и правку файлов в одном цикле.
- Анализ большого контекста. 256 К токенов позволяют загрузить вместе документацию, скриншоты и видеозаписи репродукции проблемы.
Минимальный quickstart
API совместим с OpenAI. Модель указывается как kimi-k2.7-code. Параметры сэмплинга фиксированы (temperature 1.0, top_p 0.95, n 1, penalties 0.0) – попытка их переопределить приведёт к ошибке.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("MOONSHOT_API_KEY"),
base_url="https://api.moonshot.ai/v1",
)
messages = [
{"role": "system", "content": "You are a coding agent."},
{"role": "user", "content": "Refactor utils.py to remove duplicate code."},
]
resp = client.chat.completions.create(
model="kimi-k2.7-code",
messages=messages,
max_tokens=32768,
)
msg = resp.choices[0].message
print(msg.content)
Важно сохранять reasoning_content из текущего ответа в контекст и использовать tool_choice только со значениями "auto" или "none".
Сравнительные характеристики
| Модель | Лицензия | Параметры | Контекст | Цена API (в/выход) |
|---|---|---|---|---|
| Kimi K2.7-Code | Modified MIT (открытая) | 1 Т (32 Б активных) | 256 К токенов | $0.95 / $4.00 за 1 М |
| Kimi K2.6 | Open‑weight | ≈1 Т | 256 К | ≈$0.67–0.95 / ≈$3.39–4.00 |
| GPT‑5.5 | Closed | Не раскрыты | — | Не указана |
| Claude Opus 4.8 | Closed | Не раскрыты | 1 М | $5.00 / $25.00 |
| Qwen3‑Coder‑480B‑A35B | Open (Qwen) | 480 Б / 35 Б активных | 256 К (native) | Зависит от хоста |
Сильные и слабые стороны
Сильные стороны
- Открытые веса – возможность самостоятельного хостинга.
- Показатели превосходят K2.6 на всех представленных бенчмарках.
- Относительно низкая стоимость API.
- Победа над Opus 4.8 в MCP Mark Verified.
Слабые стороны
- Все цифры – first‑party, независимых оценок пока нет.
- Режим рассуждений включён всегда, выключить нельзя.
- Параметры сэмплинга зафиксированы.
- Для многошаговых вызовов необходимо сохранять
reasoning_content. - Размер весов ~595 ГБ – серьёзный ресурсный порог для self‑hosting.
Главные выводы
- K2.7‑Code – открытая, специализированная модель для программирования, построенная на базе K2.6.
- Moonshot заявляет о +21.8 % в Kimi Code Bench v2 и ~30 % экономии токенов рассуждений.
- Текущие результаты – vendor‑run; независимая проверка ожидается.
- Модель подходит для масштабных рефакторов, автокод‑ревью, сложных пайплайнов с инструментами и анализа большого контекста.
Исходный код и вес модели доступны на Hugging Face. Подробности по API – на Moonshot Platform.
