Moonshot AI выпустила Kimi K2.7 Code — модель, ориентированную на код, построенную на базе Kimi K2.6. Главное улучшение — реальные многошаговые задачи по разработке: модель лучше справляется с длинными циклами работы и при этом тратит примерно на 30% меньше thinking-токенов.
Архитектура — Mixture-of-Experts (MoE). Всего 1 триллион параметров, но при каждом запросе активируется только 32 миллиарда. У модели 61 слой, из них один плотный (dense), 384 эксперта, на каждый токен выбирается 8 экспертов плюс один общий. Контекст — 256 тысяч токенов. Внимание — Multi-head Latent Attention (MLA), активация — SwiGLU. Для зрения есть энкодер MoonViT на 400 миллионов параметров.
По бенчмаркам Kimi K2.7 Code заметно обгоняет предыдущую версию, но уступает GPT-5.5 и Claude Opus 4.8. Например, на внутреннем тесте Kimi Code Bench v2 — 62.0 против 69.0 у GPT-5.5 и 67.4 у Opus 4.8. На Program Bench — 53.6 против 69.1 и 63.8. На MLS Bench Lite — 35.1 против 35.5 и 42.8. Агентные тесты: Kimi Claw 24/7 Bench — 46.9, MCP Atlas — 76.0, MCPMark Verified — 81.1. GPT-5.5 и Opus 4.8 почти везде впереди, но отрыв не критический.
Модель использует native int4 quantization — такую же, как у Kimi-K2-Thinking. Доступна через API на platform.moonshot.ai с OpenAI/Anthropic-совместимым интерфейсом. Для инференса рекомендуют vLLM, SGLang и KTransformers. Архитектура одинаковая с K2.5 и K2.6, так что деплой можно переиспользовать. Требуется transformers >=4.57.1, <5.0.0.
В API принудительно включён режим thinking и preserve_thinking — модель сохраняет полный ход рассуждений между сообщениями, это повышает качество в агентных сценариях. Отключить нельзя. Поддерживается ввод изображений и видео (экспериментально). Instant mode не поддерживается. Рекомендуемая температура — 1.0, top_p — 0.95.
Лучше всего модель работает с фреймворком Kimi Code CLI (доступен на kimi.com/code). Код и веса опубликованы под Modified MIT License.