MarkTechPost·2026年6月13日 13:57·約12分で読める

Moonshot AI、コーディング特化モデル「Kimi K2.7-Code」をリリースし、ベンチマークで前作より +21.8% の性能向上を達成

#LLM #Code Generation #Agentic AI #Moonshot AI #Kimi K2.7-Code #Open Source Model

TL;DR

Moonshot AI は、長期的なソフトウェア工学タスクに特化したコードモデル「Kimi K2.7-Code」を公開し、主要ベンチマークで競合他社を上回る性能と推論トークンの効率化を実現した。

AI深層分析2026年6月13日 14:02

重要/ 5段階

深度40%

キーポイント

高性能なアジェンシー・モデルの登場

Kimi K2.7-Code は、計画立案からツール実行、デバッグまでを多段階で行うコード特化型アジェンシーモデルであり、Kimi Code Bench v2 で前作比 21.8% の大幅なスコア向上を記録した。

大規模パラメータと効率的なアーキテクチャ

総パラメータ数 1T、1 トークンあたり 32B を活性化させる MoE アーキテクチャを採用し、MLA や SwiGLU を活用して 256K のコンテキストウィンドウと画像・動画理解機能を備えている。

コスト削減と推論効率の向上

「思考モード」が必須であり、前作比で約 30% の推論トークン使用量を削減することに成功し、長期的なコーディングタスクにおけるコストと速度の両面で優位性を示している。

オープンソース化と実装要件

Hugging Face で Modified MIT ライセンス下で公開されているが、ディスク容量約 595GB を必要とするサーバークラスモデルであり、vLLM や SGLang でのセルフホストが可能である。

MCP ツール使用ワークフローの強化

Kimi K2.7-Code は MCP Mark Verified で 81.1 のスコアを記録し、CI チェックやチケット更新など、Model Context Protocol を通じた正確なツール呼び出しを一つのループで実行できます。

長文コンテキストとマルチモーダル分析

本モデルはテキスト、画像、動画の入力を同時に受け付け、ドキュメント、スクリーンショット、再現手順の記録などを単一のプロンプト内で統合して分析することが可能です。

ベンチマークでの大幅な性能向上

Kimi K2.7-Code は、Kim Code Bench v2 で前バージョン K2.6 より +21.8% のスコアを記録し、コーディング能力が劇的に強化されました。

影響分析・編集コメントを表示

影響分析

このリリースは、単なるチャットボットを超えて、実際のソフトウェア開発プロセス全体を自律的に実行できる「アジェンシー」モデルの成熟を示す重要なマイルストーンです。特に推論トークンの効率化と大規模コンテキストの活用により、企業レベルでのコードリファクタリングや保守業務への実装が現実的なコストで可能になる可能性があります。

編集コメント

「思考モード」の強制や推論トークンの削減という設計思想は、AI が単に回答を生成するだけでなく、コスト効率を考慮しながら複雑なタスクを自律的に完遂しようとする方向性を明確に示しています。

今週、Moonshot AI はコーディングに特化したエージェント型モデルである Kimi K2.7-Code をリリースしました。このモデルの重みは、Modified MIT ライセンスの下で Hugging Face で入手可能です。また、Kimi API や Kimi Code 経由でも利用できます。

K2.7-Code は一般的なチャットではなく、長期にわたるソフトウェアエンジニアリングを目的としています。このモデルは計画を立て、編集を行い、ツールを実行し、複数のステップにわたってデバッグを行います。Moonshot は、このモデルを中心にサブスクリプション型のコーディングプラットフォームを提供しています。

Kimi K2.7-Code

K2.7-Code は Mixture-of-Experts モデル（専門家混合モデル）です。総パラメータ数は 1T で、トークンあたり 32B が活性化されます。設計では 384 のエキスパートを持ち、トークンごとに 8 つが選択され、1 つが共有されます。層数は 61 層で、そのうち 1 層は密結合層です。

アテンション機構には MLA（Multi-head Latent Attention）を採用し、フィードフォワードパスには SwiGLU を使用しています。MoonViT ビジョンエンコーダーが画像および動画入力を処理するために 400M パラメータを追加します。このモデルはネイティブの INT4 量子化に対応しており、コンテキストウィンドウは 256K トークン（262,144）です。

重要な制約として、思考モード（Thinking mode）は必須であり、これを無効にすると API エラーが返されます。サンプリング設定は固定されており、温度は 1.0、top_p は 0.95、n は 1、ペナルティは 0.0 です。デフォルトの最大出力トークン数は 32,768 です。

vLLM、SGLang、または KTransformers を使用してセルフホスト可能です。Hugging Face のリポジトリは非常に大きく、ディスク上では約 595 GB に相当します。これはサーバークラス向けのデプロイメントターゲットであり、ノートパソコン用のモデルではありません。

ベンチマーク

Moonshot チームは 6 つのベンチマーク結果を公開しました。K2.7-Code を K2.6、GPT-5.5、Claude Opus 4.8 と比較しています。K2.7-Code はすべての項目で K2.6 を上回っています。最も大きなコーディング性能の向上は Kimi Code Bench v2 で、スコアが 50.9 から 62.0 に上昇しました。

ベンチマーク

Kimi K2.6 | Kimi K2.7-Code | GPT-5.5 | Claude Opus 4.8 | K2.7 vs K2.6

Kimi Code Bench v2: 50.9 | 62.0 | 69.0 | 67.4 | +21.8%

Program Bench: 48.3 | 53.6 | 69.1 | 63.8 | +11.0%

MLS Bench Lite: 26.7 | 35.1 | 35.5 | 42.8 | +31.5%

Kimi Claw 24/7 Bench: 42.9 | 46.9 | 52.8 | 50.4 | +9.3%

MCP Atlas: 69.4 | 76.0 | 79.4 | 81.3 | +9.5%

MCP Mark Verified: 72.8 | 81.1 | 92.9 | 76.4 | +11.4%

K2.7-Code は MCP Mark Verified（検証済み MCP マーク）において Opus 4.8 を上回っており、スコアはそれぞれ 81.1 と 76.4 です。また、MLS Bench Lite では GPT-5.5 に迫る結果を記録しました。K2.7-Code は Kimi Code CLI で実行され、GPT-5.5 は Codex xhigh、Opus 4.8 は Claude Code xhigh でそれぞれ評価されました。

推論トークン効率：コスト主張であり、単なる品質ではない

Moonshot チームは、K2.6 と比較して推論トークンの使用量が約 30% 削減されたと報告しています。これは「過剰な思考の回避」として位置づけられています。

推論トークンは、多くの価格プランにおいて出力トークンとして請求されます。エージェントによるコーディングでは数百から数千ものステップが実行されます。各計画（プラン）、再試行、検証のたびに思考コストが再度発生します。30% の削減は、長い実行期間を通じて複利効果をもたらします。

この効果は同時に三つの場所で現れます。第一に、タスクあたりの出力トークンコストの低下です。第二に、ステップ処理速度の向上により、対話型 CLI セッションが支援されます。第三に、コンテキスト制限に達する前に実行可能なステップ数の増加です。

ユースケースと具体例

リポジトリ規模のリファクタリングが主要なユースケースです。エージェントに対して失敗しているテストスイートへの参照を指示します。エージェントはファイルを読み込み、モジュール間Acrossして編集を行い、緑色（合格）になるまでテストを再実行します。

コードレビューも第二の適用例です。プルリクエストの差分（diff）を入力し、リスク分析を依頼します。256K のウィンドウにより、大規模な差分、ログ、関連ファイルをまとめて保持することが可能です。

MCP ツール使用ワークフローは三つ目の適応分野です。K2.7-Code は MCP Mark Verified で 81.1 のスコアを記録しました。このスイートは、モデル・コンテキスト・プロトコル（Model Context Protocol）を通じてツール呼び出しの正しさを検証します。CI チェック、チケット更新、ファイル編集などを一つのループ内で実行するケースが対象です。

長文コンテキスト分析は四つ目の適応分野です。本モデルはテキスト、画像、動画の入力を受け付けます。ドキュメント、スクリーンショット、記録された再現手順を一つのプロンプトで共有できます。

Marktechpost のインタラクティブ・エクスプローラー

#mtp-k27-demo *{box-sizing:border-box!important;margin:0;padding:0}

#mtp-k27-demo{

background:#111!important;color:#e7e7e7!important;

font-family:-apple-system,BlinkMacSystemFont,"Segoe UI",Roboto,Helvetica,Arial,sans-serif!important;

border:1px solid #222!important;border-radius:14px!important;

padding:22px!important;max-width:920px;margin:0 auto;line-height:1.5;

}

#mtp-k27-demo .k27-head{display:flex;align-items:center;gap:12px;flex-wrap:wrap;margin-bottom:4px}

#mtp-k27-demo .k27-dot{width:11px;height:11px;border-radius:50%;background:#76B900;box-shadow:0 0 10px #76B900}

#mtp-k27-demo h2{font-size:20px;color:#fff!important;font-weight:700;letter-spacing:-.2px}

#mtp-k27-demo .k27-sub{color:#9aa0a6!important;font-size:13px;margin:2px 0 16px}

#mtp-k27-demo .k27-tabs{display:flex;gap:6px;flex-wrap:wrap;margin-bottom:18px}

#mtp-k27-demo .k27-tab{

background:#181818!important;color:#cfcfcf!important;border:1px solid #2a2a2a!important;

padding:9px 14px;border-radius:9px;cursor:pointer;font-size:13px;font-weight:600;transition:.15s

}

#mtp-k27-demo .k27-tab:hover{border-color:#76B900!important}

#mtp-k27-demo .k27-tab.on{background:#76B900!important;color:#0a0a0a!important;border-color:#76B900!important}

#mtp-k27-demo .k27-panel{display:none}

#mtp-k27-demo .k27-panel.on{display:block}

#mtp-k27-demo .k27-pills{display:flex;gap:8px;flex-wrap:wrap;margin-bottom:16px}

#mtp-k27-demo .k27-pill{

display:flex;align-items:center;gap:7px;background:#181818!important;border:1px solid #2a2a2a!important;

padding:7px 11px;border-radius:20px;cursor:pointer;font-size:12px;color:#bdbdbd!important;user-select:none

}

#mtp-k27-demo .k27-pill .sw{width:11px;height:11px;border-radius:3px}

#mtp-k27-demo .k27-pill.off{opacity:.38}

#mtp-k27-demo .k27-bench{margin-bottom:16px}

#mtp-k27-demo .k27-bname{font-size:13px;color:#dcdcdc!important;font-weight:600;margin-bottom:7px}

#mtp-k27-demo .k27-row{display:flex;align-items:center;gap:10px;margin-bottom:6px}

#mtp-k27-demo .k27-mlabel{width:120px;min-width:120px;font-size:11px;color:#9aa0a6!important}

#mtp-k27-demo .k27-track{flex:1;background:#1c1c1c!important;border-radius:6px;height:22px;overflow:hidden}

#mtp-k27-demo .k27-fill{height:100%;border-radius:6px;width:0;transition:width .7s cubic-bezier(.22,1,.36,1);

display:flex;align-items:center;justify-content:flex-end;padding-right:8px;font-size:11px;font-weight:700;color:#0a0a0a}

#mtp-k27-demo .k27-note{font-size:11px;color:#7c8085!important;margin-top:10px;border-top:1px solid #222!important;padding-top:10px}

#mtp-k27-demo .k27-calc{display:grid;grid-template-columns:1fr 1fr;gap:16px}

#mtp-k27-demo .k27-field{margin-bottom:12px}

#mtp-k27-demo .k27-field label{display:block;font-size:12px;color:#bdbdbd!important;margin-bottom:6px}

#mtp-k27-demo .k27-field .val{color:#76B900!important;font-weight:700}

#mtp-k27-demo input[type=range]{width:100%;accent-color:#76B900;cursor:pointer}

#mtp-k27-demo .k27-out{background:#161616!important;border:1px solid #262626!important;border-radius:11px;padding:16px}

#mtp-k27-demo .k27-line{display:flex;justify-content:space-between;font-size:13px;padding:7px 0;border-bottom:1px dashed #262626!important}

#mtp-k27-demo .k27-line:last-child{border-bottom:0}

#mtp-k27-demo .k27-line b{color:#fff!important}

#mtp-k27-demo .k27-total{font-size:22px;color:#76B900!important;font-weight:800;margin-top:6px}

#mtp-k27-demo .k27-save{background:#13210a!important;border:1px solid #2f4d14!important;border-radius:9px;

padding:10px 12px;font-size:12px;color:#aadd72!important;margin-top:12px}

#mtp-k27-demo .k27-specs{display:grid;grid-template-columns:1fr 1fr;gap:10px}

#mtp-k27-demo .k27-spec{background:#161616!important;border:1px solid #242424!important;border-radius:10px;padding:12px}

#mtp-k27-demo .k27-spec .l{font-size:11px;color:#9aa0a6!important;text-transform:uppercase;letter-spacing:.4px}

#mtp-k27-demo .k27-spec .v{font-size:14px;color:#fff!important;font-weight:600;margin-top:4px}

@media (max-width:640px){

#mtp-k27-demo{padding:16px!important}

#mtp-k27-demo .k27-calc{grid-template-columns:1fr}

#mtp-k27-demo .k27-specs{grid-template-columns:1fr}

#mtp-k27-demo .k27-mlabel{width:84px;min-width:84px}

}

Kimi K2.7-Code — インタラクティブ・エクスプローラー

企業報告によるベンチマークと公式 API 価格。2026 年 6 月 12 日リリース。2026 年 6 月 12 日検証済み。

ベンチマーク

コスト・カルキュレーター

スペック

ソース：Moonshot AI Kimi K2.7-Code モデルカード。K2.7-Code は Kimi Code CLI で実行、GPT-5.5 は Codex xhigh、Claude Opus 4.8 は Claude Code xhigh で実行。一次データであり、独立したリーダーボードではありません。

入力トークン/ラン：50,000

出力トークン/ラン：8,000

キャッシュヒット率：50%

ラン/月：1,000

出力における推論の割合：40%

入力コスト$0.00

出力コスト$0.00

月額合計見積もり$0.00

$0.00

レート：キャッシュ済み入力 $0.19/1M、キャッシュミス入力 $0.95/1M、出力 $4.00/1M（公式 Kimi 価格）。節約ラインは、K2.7-Code が報告する K2.6 比で推論トークン使用量が約 30%低下していることを示しており、出力の推論割合に適用したものです。見積もり値のみです。

出典：Kimi K2.7-Code Hugging Face モデルカードおよび Kimi API ドキュメント。

(function(){

var root = document.getElementById('mtp-k27-demo');

if(!root) return;

// ---- データ（検証済み、企業報告に基づく）----

var models = [

{key:'k27', name:'K2.7-Code', color:'#76B900'},

{key:'k26', name:'Kimi K2.6', color:'#5a7fb5'},

{key:'gpt', name:'GPT-5.5', color:'#c98a3a'},

{key:'opus', name:'Opus 4.8', color:'#b070c9'}

];

var active = {k27:true,k26:true,gpt:true,opus:true};

var benches = [

{name:'Kimi Code Bench v2', k27:62.0, k26:50.9, gpt:69.0, opus:67.4},

{name:'Program Bench', k27:53.6, k26:48.3, gpt:69.1, opus:63.8},

{name:'MLS Bench Lite', k27:35.1, k26:26.7, gpt:35.5, opus:42.8},

{name:'Kimi Claw 24/7 Bench',k27:46.9, k26:42.9, gpt:52.8, opus:50.4},

{name:'MCP Atlas', k27:76.0, k26:69.4, gpt:79.4, opus:81.3},

{name:'MCP Mark Verified', k27:81.1, k26:72.8, gpt:92.9, opus:76.4}

];

var specs = [

['Architecture','専門家の混合 (Mixture-of-Experts)'],

['Total parameters','総パラメータ数：1T'],

['Activated parameters','活性化パラメータ数：32B'],

['Experts','専門家 384 個（8 個がアクティブ、1 個が共有）'],

['Layers','61 層（1 層は密結合）'],

['Attention / activation','アテンション/活性化関数：MLA / SwiGLU'],

['Context length','コンテキスト長：256K (262,144)'],

['Vision encoder','ビジョンエンコーダ：MoonViT (400M)'],

['Inputs','入力：テキスト、画像、動画'],

['Thinking mode','思考モード：必須'],

['Default max output','デフォルト最大出力：32,768 トークン'],

['Quantization','量子化：ネイティブ INT4'],

['Deployment','展開環境：vLLM, SGLang, KTransformers'],

['License','ライセンス：修正 MIT']

]

// ---- tabs ----

root.querySelectorAll('.k27-tab').forEach(function(t){

t.addEventListener('click',function(){

root.querySelectorAll('.k27-tab').forEach(function(x){x.classList.remove('on')});

root.querySelectorAll('.k27-panel').forEach(function(x){x.classList.remove('on')});

t.classList.add('on');

root.querySelector('[data-panel="'+t.dataset.tab+'"]').classList.add('on');

if(t.dataset.tab==='bench') setTimeout(renderBars,30);

});

// ---- benchmark pills ----

var pills = root.querySelector('#k27-pills');

models.forEach(function(m){

var p=document.createElement('div');

p.className='k27-pill';

p.innerHTML=''+m.name;

p.addEventListener('click',function(){

active[m.key]=!active[m.key];

p.classList.toggle('off',!active[m.key]);

renderBars();

});

pills.appendChild(p);

});

// ---- benchmark charts ----

var charts = root.querySelector('#k27-charts');

benches.forEach(function(b,i){

var wrap=document.createElement('div');wrap.className='k27-bench';

var h=''+b.name+'\n';

models.forEach(function(m){

h+='\n' + ''+m.name+'\n'

+'\n';

});

wrap.innerHTML=h;charts.appendChild(wrap);

});

function renderBars(){

benches.forEach(function(b,i){

models.forEach(function(m){

var el=root.querySelector('#f-'+i+'-'+m.key);

var parent=el.closest('.k27-row');

if(!active[m.key]){parent.style.display='none';el.style.width='0';return;}

parent.style.display='flex';

el.style.width=b[m.key]+'%';

el.textContent=b[m.key].toFixed(1);

});

}

setTimeout(renderBars,60);

// ---- specs ----

var sp=root.querySelector('#k27-specs');

specs.forEach(function(s){

var d=document.createElement('div');d.className='k27-spec';

d.innerHTML=''+s[0]+'\n'+s[1]+'\n';

sp.appendChild(d);

});

// ---- calculator ----

var R_CACHE=0.19, R_MISS=0.95, R_OUT=4.00; // per 1M tokens

function fmt(n){return '$'+n.toLocaleString('en-US',{minimumFractionDigits:2,maximumFractionDigits:2});}

function comma(n){return n.toLocaleString('en-US');}

var I={inp:root.querySelector('#k27-in'),out:root.querySelector('#k27-out'),

cache:root.querySelector('#k27-cache'),runs:root.querySelector('#k27-runs'),

think:root.querySelector('#k27-think')};

javascript

function renderBars(){
      benches.forEach(function(b,i){
        models.forEach(function(m){
          var el=root.querySelector('#f-'+i+'-'+m.key);
          var parent=el.closest('.k27-row');
          if(!active[m.key]){parent.style.display='none';el.style.width='0';return;}
          parent.style.display='flex';
          el.style.width=b[m.key]+'%';
          el.textContent=b[m.key].toFixed(1);
        });
      });
    }
    setTimeout(renderBars,60);

    // ---- specs ----
    var sp=root.querySelector('#k27-specs');
    specs.forEach(function(s){
      var d=document.createElement('div');d.className='k27-spec';
      d.innerHTML=''+s[0]+'\n'+s[1]+'\n';
      sp.appendChild(d);
    });

    // ---- calculator ----
    var R_CACHE=0.19, R_MISS=0.95, R_OUT=4.00; // per 1M tokens
    function fmt(n){return '$'+n.toLocaleString('en-US',{minimumFractionDigits:2,maximumFractionDigits:2});}
    function comma(n){return n.toLocaleString('en-US');}
    var I={inp:root.querySelector('#k27-in'),out:root.querySelector('#k27-out'),
           cache:root.querySelector('#k27-cache'),runs:root.querySelector('#k27-runs'),
           think:root.querySelector('#k27-think')};

function calc(){

var inp=+I.inp.value, out=+I.out.value, cache=+I.cache.value/100,

runs=+I.runs.value, think=+I.think.value/100;

root.querySelector('#k27-in-v').textContent=comma(inp);

root.querySelector('#k27-out-v').textContent=comma(out);

root.querySelector('#k27-cache-v').textContent=(cache*100).toFixed(0)+'%';

root.querySelector('#k27-runs-v').textContent=comma(runs);

root.querySelector('#k27-think-v').textContent=(think*100).toFixed(0)+'%';

var inRate=cache*R_CACHE+(1-cache)*R_MISS;

var inCost=runs*inp*inRate/1e6;

var outCost=runs*out*R_OUT/1e6;

var total=inCost+outCost;

// illustrative 30% reasoning-token reduction on the reasoning share of output

var reasonOut=out*think;

var saved=runs*(reasonOut*0.30)*R_OUT/1e6;

root.querySelector('#k27-r-in').textContent=fmt(inCost);

root.querySelector('#k27-r-out').textContent=fmt(outCost);

root.querySelector('#k27-r-total').textContent=fmt(total);

root.querySelector('#k27-r-big').textContent=fmt(total)+' /mo';

root.querySelector('#k27-r-save').innerHTML=

'≈ '+fmt(saved)+'/mo saved vs K2.6-style reasoning, from ~30% fewer reasoning tokens.';

}

Object.keys(I).forEach(function(k){I[k].addEventListener('input',calc);});

calc();

})();

A Minimal Quickstart

Kimi API は OpenAI と互換性があります。モデル文字列は kimi-k2.7-code です。固定されたサンプリングパラメータを上書きすると、リクエストエラーが発生します。

コードをコピーしました。別のブラウザを使用してください。

import os

from openai import OpenAI

Base URL and key per the Kimi API docs at platform.moonshot.ai

client = OpenAI(

api_key=os.environ.get("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, # default cap; also the maximum

# thinking is enabled by default and cannot be disabled.

# temperature (1.0), top_p (0.95), n (1), and penalties (0.0) are

# fixed server-side. Passing any other value returns an error.

)

msg = resp.choices[0].message

print(msg.content)

Multi-step tool calls: append the full assistant message so that

reasoning_content is preserved. Dropping it errors on the next turn.

messages.append(msg.model_dump())

2 つのツール使用ルールがドキュメントから導かれます。現在のターンからの reasoning_content（推論コンテンツ）をコンテキスト内に保持してください。また、tool_choice は "auto" または "none" のみに設定してください。

K2.7-Code の比較

モデル | ライセンス | パラメータ | コンテキスト | API 価格 (1M トークンあたり/入力・出力)

---|---|---|---|---

Kimi K2.7-Code | Modified MIT (オープン) | 合計 1T / アクティブ 32B | 256K | $0.95 / $4.00

Kimi K2.6 | オープンウェイト | 1T クラス MoE | 256K | ~$0.67–0.95 / ~$3.39–4.00

GPT-5.5 クローズド非開示—Moonshot の表に含まれず

Claude Opus 4.8 クローズド非開示1M$5.00 / $25.00

Qwen3-Coder-480B-A35BOオープン（Qwenライセンス）480B / アクティブ35B 256K ネイティブホストにより変動

K2.7-Code は、キャッシュされた入力に対して1Mあたり$0.19をリストしています。

強みと弱み

強み:

変更版MITライセンスの下でオープンな重みを持ち、実用的なセルフホスティングの道筋があること。

コーディングおよびエージェント評価においてK2.6と比較して広範かつ一貫した向上が見られること。

クローズド型最前線モデルと比較してAPI価格が低いこと。

MCP Mark Verified ベンチマーク（企業報告）においてOpus 4.8を上回ること。

弱み:

すべての主要数値はローンチ時の自社データであること。

思考モードを無効化できないこと。

サンプリング制御が固定値にロックされていること。

多段階ツール呼び出しでは reasoning_content を保持する必要があること。

595 GB の重みサイズは、セルフホスティングにおいて真剣なコミットメントを要すること。

主なポイント

すべての主要ベンチマークはベンダー実行であり、独立した結果は未発表です。

K2.7-Code はオープンウェイトでコーディングに特化し、Kimi K2.6 を基盤として構築されています。

Moonshot によると、Kimi Code Bench v2 においてK2.6と比較して+21.8%の向上を報告しています。

このモデルは、K2.6 と比較して推論トークンを約30%削減して使用します。

Kimi Code および API をご覧ください。また、Twitter でフォローすることもできますし、15万人以上のML SubReddit への参加やニュースレターの購読もご遠慮なくどうぞ。待ってください！Telegramをご利用ですか？今ならTelegramでも私たちに参加いただけます。

GitHub リポジトリの宣伝、Hugging Face ページ、製品リリース、ウェビナーなどのプロモーションでパートナーシップをご希望の方は、ぜひご連絡ください。

Moonshot AI が Kimi K2.7-Code をリリース：Kimi Code Bench v2 において K2.6 より +21.8% の性能を記録したコーディングモデル

この投稿は、MarkTechPost で最初に公開されたものです。

原文を表示

This week, Moonshot AI released Kimi K2.7-Code. It is a coding-focused, agentic model. The model weights ship on Hugging Face under a Modified MIT license. You can also reach it through the Kimi API and Kimi Code.

K2.7-Code targets long-horizon software engineering, not general chat. It plans, edits, runs tools, and debugs across many steps. Moonshot pairs the model with a subscription coding platform around it.

Kimi K2.7-Code

K2.7-Code is a Mixture-of-Experts model. It holds 1T total parameters and activates 32B per token. The design uses 384 experts, with 8 selected per token and 1 shared. It has 61 layers, including 1 dense layer.

Attention uses MLA, and the feed-forward path uses SwiGLU. A MoonViT vision encoder adds 400M parameters for image and video input. The model ships with native INT4 quantization. The context window is 256K tokens (262,144).

Two constraints matters: Thinking mode is mandatory; disabling it returns an API error. Sampling is fixed: temperature 1.0, top_p 0.95, n 1, penalties 0.0. Default max output is 32,768 tokens.

You can self-host with vLLM, SGLang, or KTransformers. The Hugging Face repository is large, roughly 595 GB on disk. This is a server-class deployment target, not a laptop model.

Benchmark

Moonshot team published six benchmark rows. They compare K2.7-Code against K2.6, GPT-5.5, and Claude Opus 4.8. K2.7-Code beats K2.6 on every row. The largest coding jump is Kimi Code Bench v2, from 50.9 to 62.0.

BenchmarkKimi K2.6Kimi K2.7-CodeGPT-5.5Claude Opus 4.8K2.7 vs K2.6

Kimi Code Bench v250.962.069.067.4+21.8%

Program Bench48.353.669.163.8+11.0%

MLS Bench Lite26.735.135.542.8+31.5%

Kimi Claw 24/7 Bench42.946.952.850.4+9.3%

MCP Atlas69.476.079.481.3+9.5%

MCP Mark Verified72.881.192.976.4+11.4%

K2.7-Code does beat Opus 4.8 on MCP Mark Verified, 81.1 versus 76.4. It also lands close to GPT-5.5 on MLS Bench Lite. K2.7-Code ran in Kimi Code CLI, GPT-5.5 in Codex xhigh, and Opus 4.8 in Claude Code xhigh.

Reasoning-Token Efficiency: A Cost Claim, Not Just Quality

Moonshot team reports about 30% lower reasoning-token usage than K2.6. It frames this as ‘less overthinking.’

Reasoning tokens bill as output tokens on most price cards. Agentic coding runs hundreds or thousands of steps. Each plan, retry, and verification pays the thinking cost again. A 30% cut compounds across a long run.

The effect lands in three places at once. First, lower output-token cost per task. Second, faster steps, which helps interactive CLI sessions. Third, more steps before hitting context limits.

Use Cases With Examples

Repo-scale refactors are the main use case. Point the agent at a failing test suite. It reads files, edits across modules, then reruns tests until green.

Code review is a second fit. Feed a pull request diff and ask for risk analysis. The 256K window holds large diffs, logs, and related files together.

MCP tool-use workflows are a third fit. K2.7-Code scored 81.1 on MCP Mark Verified. That suite tests correct tool invocation through the Model Context Protocol. Think CI checks, ticket updates, and file edits in one loop.

Long-context analysis is a fourth fit. The model accepts text, image, and video input. Documentation, screenshots, and a recorded repro can share one prompt.

Marktechpost’s Interactive Explorer