Kimi K2.7 Code

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）：

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）：

模型 API ID：kimi-k2.7-code，兼容 OpenAI 及 Anthropic 接口规范。