Kimi K2.7 Code 是 Moonshot AI 于 2026 年 6 月 12 日发布的 K2 系列编程专属模型,采用 1T 总参数 / 32B 激活 MoE 架构(384 专家),支持 256K 上下文及文本、图像、视频输入。较 K2.6 在 Kimi Code Bench v2 提升 21.8%(62.0),MCP Mark Verified 达 81.1 超越 Opus 4.8,thinking token 使用量降低约 30%。权重以 Modified MIT 许可开源,API 定价 $0.95/$4.00 每百万 input/output tokens。
数据优先来自官方发布(GitHub、Hugging Face、论文),其次为评测基准官方结果,最后为第三方评测机构数据。 了解数据收集方法
模型基本信息
开源和体验地址
官方介绍与博客
API接口信息
评测结果
Kimi K2.7 Code 当前已收录的代表性评测结果包括 LiveBench(30 / 115,得分 71.89)、TerminalBench 2.1(17 / 21,得分 67.04)、DeepSWE(13 / 16,得分 31)。 本页还汇总了参数规模、上下文长度与 API 价格,便于结合评测结果与部署约束一起判断模型适配度。
和其他模型对比
暂时没有为该模型整理的相关对比页面。
想自定义其他组合?打开对比工具
发布机构
模型解读
模型概述
Kimi K2.7 Code 是 Moonshot AI 于 2026 年 6 月 12 日发布的 Kimi K2 系列编程与 Agentic Coding 专属模型,基于 Kimi K2.6 构建,专注于复杂软件工程任务的端到端完成能力、长程代码工作流和工具调用场景。官方模型卡说明,该版本相比 Kimi K2.6 在真实长程编程任务上有明显增强,并将 thinking token 使用量降低约 30%,在相同质量下显著降低长任务的推理成本。
模型权重已在 HuggingFace(moonshotai/Kimi-K2.7-Code) 发布,采用 Modified MIT 许可证;同时可通过 Moonshot 平台 API 及 Kimi Code 访问。
架构与技术规格
Kimi K2.7 Code 采用混合专家(MoE)架构:
- 总参数量:约 1T(1 万亿)
- 每 token 激活参数量:32B
- 专家配置:384 个专家,每 token 选择 8 个,含 1 个共享专家
- 网络结构:61 层(含 1 个 Dense 层),注意力隐藏维度 7168,MoE 专家隐藏维度 2048,注意力头数 64
- 词表大小:160K tokens
- 上下文长度:256K tokens(262144)
- 视觉编码器:MoonViT(约 400M 参数),支持图像和视频输入
- 注意力机制:MLA(Multi-head Latent Attention)
- 量化:原生 INT4 支持
- 磁盘占用:约 595 GB
核心能力与模态
K2.7 Code 以编程和长程软件工程 Agent 任务为核心场景,同时支持文本、图像和视频输入,输出为文本。
使用约束(官方模型卡说明):
- Thinking 模式强制开启(
thinking与preserve_thinking不可关闭) - 采样参数固定:temperature=1.0,top_p=0.95
- 多步工具调用须保留 reasoning_content
部署推荐:vLLM、SGLang 和 KTransformers;Transformers 版本要求 ≥4.57.1 且 <5.0.0;可通过 OpenAI / Anthropic 兼容接口调用。
性能评测
以下为 Moonshot AI 官方发布的评测成绩(均为厂商自测数据,第三方独立验证待跟进):
| 评测基准 | Kimi K2.6 | Kimi K2.7 Code | GPT-5.5 | Claude Opus 4.8 | 提升幅度 |
| 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 | 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% |
其中,MLS Bench Lite 提升最为显著(+31.5%);Kimi Code Bench v2 的 62.0 分超越 Kimi K2.6 的 50.9 分;MCP Mark Verified 的 81.1 分超越 Claude Opus 4.8(76.4)。整体 thinking token 使用量较 K2.6 降低约 30%,在长程 Agent 任务中可节省推理成本。
API 定价与访问
通过 Moonshot AI 平台 API 调用的定价(美元,每百万 tokens):
| 计费项 | 价格 |
| 文本输入(cache miss) | $0.95 / 百万 tokens |
| 文本输出 | $4.00 / 百万 tokens |
| 缓存读取(cache hit) | $0.19 / 百万 tokens |
模型 API ID:kimi-k2.7-code,兼容 OpenAI 及 Anthropic 接口规范。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信,获得最新 AI 技术推送
