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

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{

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

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

@media (max-width:640px){

}

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。

// ---- 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')};

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。

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。