Kimi K2.7 Code: Moonshots kodningsmodel
Moonshots seneste open-weight model. Bedst-i-klassen agentiske benchmarks ved open source-grænsen og en Claude-kompatibel grænseflade.
256K tokens · Text / Vision / Code · Prompt cache
Okou kører ikke længere Kimi K2.7 Code. Denne side opbevares som reference for dens specifikationer, priser og benchmarks. Til samme type arbejde, brug GPT 5.6 Luna.
Se GPT 5.6 LunaKimi K2.7 Code er Moonshots flagskib med åben vægt og i øjeblikket den stærkeste open source-agentmodel på flere offentlige benchmarks. Den opretholder meget lange kørsler uden at miste tråden (Moonshot har dokumenteret uovervågede sessioner på 12+ timer og 4.000+ værktøjskald) og accepterer billed- og videoinput nativt. Leverandørrapporteret SWE-bench Pro rammer 58,6 (over Claude Opus 4.6 og GPT-5.4 på den benchmark), og hallucinationsraten faldt fra K2.6's ~65 % til ~39 %.
Leverandørens listepris er 1,14 USD / 4,80 USD pr. 1M tokens, åbne vægte sendes under en Modified MIT-licens, og API er Anthropic-kompatibel. Vælg Sonnet 4.6, når pålidelighed i produktionsværktøjsrouting er vigtigere end benchmark-resultater, og Kimi K2.7 Code, når latenstid dominerer.
Hvad er Kimi K2.7 Code?
Juni 2026 · Top af Moonshots open-weight Kimi K2-serie. Efterfølger til K2.6 og K2 Thinking.
Kimi K2.7 Code er Moonshot AI's open-weight agentic model, udgivet juni 2026. Det er en 1-billion-parameter Mixture-of-Experts (MoE) model med 32B aktive parametre pr. token. Samme arkitekturfamilie som K2.6 og K2 Thinking, med betydelige fremskridt inden for agentic coding og langhorisont ræsonnement.
K2.7 gjorde et stort indtryk på uafhængige ranglister. Leverandørrapporterede scores placerer den foran GPT-5.4 (xhigh) og Claude Opus 4.6 (maksimal indsats) på SWE-bench Pro, med en hallucinationsrate på 39% (ned fra K2.6's 65%). Artificial Analysis rangerer den som nr. 4 på sin Intelligence Index. Den førende open-weight mulighed.
Hvad er bemærkelsesværdigt ved Kimi K2.7 Code
Overskriftsarkitektur og kapacitetsfunktioner.
K2.7 er en Mixture-of-Experts-model med 1T samlede parametre og 32B aktive pr. token, frontet af et 256K-token kontekstvindue og multimodal input på tværs af billede og video (kun tekstoutput). Moonshot parrer den med en Agent Swarm-runtime, der skalerer horisontalt til 300 underagenter og 4.000 koordinerede trin, og har dokumenteret langsigtede kodningssessioner på 12 timer eller mere. Åbne vægte er offentliggjort på Hugging Face under en Modified MIT License.
Specifikationer på et øjeblik
Kimi K2.7 Code benchmarks
Leverandørrapporterede scores fra Moonshots K2.7-udgivelsesblog. Uafhængige tredjeparter (Artificial Analysis, TokenMix) bekræfter den relative rækkefølge. K2.7's hallucinationsrate faldt til 39% fra K2.6's 65%. En betydelig forbedring af sikkerhed/pålidelighed.
Kimi K2.7 Code priser
Udbyderens listepris, pr. 1M tokens.
Hvordan Kimi K2.7 Code opfører sig i praksis
Observeret adfærd fra produktionsagentkørsler.
Lang-kontekst genkaldelse
Stærkeste langkontekstgenkaldelse i vores interne evaluering på tværs af det indbyggede sortiment. Opretholder sammenhæng på tværs af lange agenttransskriptioner, hvor Anthropic Sonnet begynder at drive.
Agentiske benchmarks
Leverandørrapporteret SWE-bench Pro 58.6 er den højeste i sortimentet på skrivetidspunktet. Slår GPT-5.4 og Opus 4.6.
Lang-horisont kodning
Dokumenterede 12+ timers autonome sessioner, der gennemførte 4.000+ værktøjskald. Modellen opretholder reelt ydeevnen over meget lange kørsler.
Bedste agentopgaver for Kimi K2.7 Code
Undersøgelsen, der skal læse hver gammel tråd
Gennemgå seks måneders Slack-samtaler for at finde ud af, hvorfor en kunde forsvandt, gennemsøg supportbillet-restancen for et tilbagevendende fejl-mønster, eller saml indsigt på tværs af hundrede RFC'er. K2.7's langkontekst-genkaldelse holder stand på tværs af transskriptioner, hvor Anthropic Sonnet begynder at falde fra tidligere vendinger, hvilket er præcis, hvad "læs hele bunken"-arbejdsgange har brug for.
Den autonome refaktor, der kører natten over
Moonshot har dokumenteret en 13-timers autonom refaktorering af en otte år gammel matching-motor, hvor K2.7 opretholder 4.000+ værktøjskald uden at afvige fra opgaven. Det er den slags kørsel, hvor de fleste modeller mister målet et sted omkring time to; K2.7's langsigtede stabilitet er det, der får "start det fredag aften, tjek mandag morgen" til faktisk at fungere.
Den multimodale agent, der håndterer skærmbilleder og klip
K2.7 accepterer både billed- og videoinput via MoonViT, hvilket er usædvanligt uden for Claude-familien. Nyttigt for skærmbillede-drevne QA-agenter, dokument-vision-pipelines og enhver implementering, hvor du ellers skulle indsætte en separat vision-model bare for at læse billeder.
Kimi K2.7 Code vs. andre modeller
Kimi K2.7 Code vs GLM-5.2
Begge er nuværende omkostningsbesparende muligheder med lang kontekst. K2.7 Code er Moonshot-standard med stærkere multimodal kodningspasform; GLM-5.2 er den nuværende Z.AI-standard med et større 1M-token kontekstvindue.
Kimi K2.7 Code vs Claude Sonnet 4.6
Sonnet (×1) fører an inden for pålidelighed af routing på engelsk med flere værktøjer. K2.7 (×0,3) vinder på omkostninger og på agentiske benchmarks (SWE-bench Pro). Par dem: Sonnet til kompleks værktøjsrouting, K2.7 til omkostningsfølsomt agentarbejde.
Kimi K2.7 Code vs DeepSeek V4 Pro
DeepSeek V4 Pro er billigere og har et større 1M-token kontekstvindue. Kimi K2.7 Code er den stærkere Moonshot-native kodningsvej og inkluderer visuel input. Vælg efter udbyderpasform og arbejdsbyrdeform.
Bundlinjen: skal du bruge Kimi K2.7 Code?
Den open-weight standard for seriøst agentarbejde – lang kontekst, omkostningseffektiv. De resterende huller i forhold til Sonnet 4.6 er værktøjsrouting-pålidelighed og virksomhedssupport.
Ofte stillede spørgsmål
Hvornår blev Kimi K2.7 Code udgivet?
Moonshot AI udgav Kimi K2.7 Code i juni 2026. Åbne vægte er offentliggjort på Hugging Face under en modificeret MIT-licens.
Hvad er kontekstvinduet?
256K tokens. K2.7 differentierer sig på genkaldelseskvalitet ved den størrelse, ikke rå vinduesstørrelse. Genkaldelse begynder at forringes efter ~180K (svarende til andre 256K-modeller).
Hvordan sammenligner Kimi K2.7 Code sig med Claude Opus 4.6?
På agentiske benchmarks (leverandørrapporteret) fører K2.7. SWE-bench Pro 58.6 vs Opus 4.6's 53.4, HLE med værktøjer 54.0 vs 53.0. Opus 4.6 bevarer en fordel på sikkerhedsprofil og engelsksproget værktøjsrouting-pålidelighed i produktion.
Understøtter K2.7 billedinput?
Ja. K2.7 accepterer billed- og videoinput. Kun tekstoutput. Multimodale agenter fungerer nativt.
Tilgængelighed af Kimi K2.7 Code på Okou
Kimi K2.7 Code er blevet fjernet fra Okou-udvalget, så den kan ikke længere vælges i chat eller i en arbejdsgang, og den er ikke tilgængelig med din egen API-nøgle. GPT 5.6 Luna dækker det samme omkostningsbesparende niveau.
