Moonshot AI releases open-source Kimi K2.7 Code model

•Kimi K2.7 Code 是月之暗面 Kimi K2.6 模型專為程式碼設計的版本，針對真實世界的軟體工程、基於代理（Agent-based）的程式碼工作流程、長週期任務完成和多步驟工具使用進行了廣泛優化。
•該模型被設計為一種「代理式程式碼模型」，擅長處理複雜、多步驟、端到端的軟體工程工作流程，而非僅僅是單輪程式碼生成。
•K2.7 Code 採用萬億參數的混合專家（MoE）架構，每次前向傳播激活 320 億個參數，並支援 256K token 的上下文窗口。
•月之暗面聲稱，K2.7 Code 在其專有基準測試（如 Kimi Code Bench v2 提升 21.8%、Program Bench 提升 11%、MLS Bench Lite 提升 31.5%）上，以及在 Kimi Claw 24/7 Bench、MCP Atlas 和 MCP Mark Verified 等代理基準測試中，相較於 K2.6 均有顯著的性能提升，約為 10%。
•Kimi K2.7 Code 以 Modified MIT 許可證開源，模型權重可在 Hugging Face 上獲取，並可透過 vLLM 或 SGLang 進行部署。它還透過 MoonViT 視覺編碼器支援原生多模態輸入（圖像和影片）。

📊 競品分析▸ Show

特性/指標	Kimi K2.7 Code (月之暗面)	GPT-5.5 (OpenAI)	Claude Opus 4.8 / Sonnet 4 (Anthropic)	Qwen3-Coder-480B-A35B-Instruct (阿里巴巴)
模型類型	程式碼專用、開源、代理式 MoE	通用、專有	通用、專有	程式碼專用、MoE
總參數/激活參數	1 兆 / 320 億	未公開	未公開	4800 億 / 350 億
上下文窗口	256K tokens	未公開 (GPT-5 支援 1M+ tokens)	Opus 4.8 未公開 / Sonnet 4 支援 1M tokens	原生 256K tokens，可擴展至 1M tokens
Token 消耗效率	推理 token 消耗比 K2.6 減少約 30%	未公開	未公開	未公開
API 定價 (每百萬 token)	輸入 $0.95 / 輸出 $4.00 (標準版)	未公開	Claude Sonnet 4 有不同定價	未公開 (可在 SiliconFlow 上試用)
基準測試表現	在 Kimi Code Bench v2、Program Bench、MLS Bench Lite 上比 K2.6 顯著提升；在代理基準測試中提升約 10%	在多數基準測試中領先	在多數基準測試中領先	在程式碼和代理基準測試中表現出色
開源狀態	開源 (Modified MIT 許可證)	專有	專有	專有
主要優勢	開源、代理導向設計、高效推理 token 使用、多模態支援	綜合性能領先、即時代理式編碼堆疊	超長上下文處理能力 (1M tokens)、大規模重構、審計追蹤	儲存庫規模程式碼理解、MoE 架構

Kimi K2.7 Code 建立在萬億參數的混合專家（MoE）架構之上，每次前向傳播激活 320 億個參數。
模型支援 256K token 的超長上下文窗口。
相較於前代 Kimi K2.6 模型，K2.7 Code 的推理 token 消耗量減少了約 30%，旨在解決「過度思考」問題，直接影響代理工作流程的推理成本和延遲。
K2.7 Code 與 K2.6 的核心變化在於其生成低階程式碼的方式：K2.7 Code 直接編寫實現，而非像 K2.6 那樣透過包裝現有函式庫，這使得其在 Rust、Go 和 Python 等多種程式語言以及前端開發、DevOps 和性能優化等任務類型中具有更可靠的泛化能力。
模型強制執行「思考模式」（thinking mode）和 preserve_thinking 模式，確保在多輪互動中保留完整的推理內容，以增強程式碼代理場景的性能。
K2.7 Code 不支援溫度調整，其溫度值固定為 1.0，這意味著開發者無法像其他模型那樣調整輸出確定性。
支援原生多模態輸入，可透過 MoonViT 視覺編碼器處理圖像和影片內容。
採用與 Kimi K2 Thinking 相同的原生 INT4 量化方法。
可透過 vLLM 或 SGLang 進行部署，且其 API 與 OpenAI 的 API 格式完全兼容。

Kimi K2.7 Code 的開源性質和代理優先設計將加速自主程式碼代理的普及。

透過提供一個專為複雜軟體工程工作流程設計的易於存取且專業化的模型，月之暗面降低了開發者構建和部署先進 AI 程式碼代理的門檻。

該模型對減少「思考 token」消耗的關注將推動 AI 模型在代理工作流程中朝向更具成本效益的方向發展。

推理 token 減少 30% 直接影響推理成本和延遲，使代理工作流程在經濟上對企業更具可行性。

月之暗面開源 K2.7 Code 等專業化模型的策略將加劇 AI 程式碼代理市場的競爭，特別是針對專有模型。

透過提供強大的程式碼性能和開源可訪問性，Kimi K2.7 Code 為領先的專有模型提供了一個替代方案，可能促使其他公司開源或改進其產品。

2023-03

月之暗面（Moonshot AI）公司成立

2023-10-09

月之暗面正式發布 Kimi 智能助手，支援 20 萬漢字超長上下文輸入

2024-02

月之暗面獲得阿里巴巴集團領投的 10 億美元融資

2025-11-06

月之暗面發布並開源 Kimi K2 Thinking 模型，專注於代理能力

2026-04-20

月之暗面發布並開源 Kimi K2.6 模型，將上下文窗口擴展至 262,144 tokens

2026-06-12

月之暗面發布並開源 Kimi K2.7 Code 程式模型

月之暗面發布並開源 Kimi K2.7 Code 程式模型