Kimi K2.7 Code:Byggd för kodagenter

Kimi K2.7 Code är MoonshotAI:s mest kapabla Coding-modell hittills, optimerad för long-horizon software engineering, tool calling och agentflöden.

Byggd på K2 MoE-backbonen med en biljon parametrar och 32B aktiva parametrar, med stöd för 256K kontext, text/bild/video-input, automatisk kontextcache och alltid aktiv thinking för flerstegs engineeringarbete.

Signaler från Kimi K2.7 Code

Kimi Code Bench v2

Officiell model-card score

62.0

Program Bench

Binary-to-program benchmark

53.6

MLS Bench Lite

ML-system benchmark

35.1

Kontextfönster

Long-context coding

256K

Vad är Kimi K2.7 Code?

Kimi K2.7 Code är MoonshotAI:s kodfokuserade K2-modell för kodgenerering, codebase-förståelse, verktygsanvändning och agentisk software engineering.

Long-horizon coding

Byggd för att lösa end-to-end programmeringsuppgifter pålitligt över långa kontexter och flerstegsflöden.

Alltid aktiv thinking

Thinking är aktiv som standard och kan inte stängas av, med fokus på planering och verifiering.

Multimodal engineering-input

Tar text, bilder och video så att skärmbilder, inspelningar, loggar och krav kan ingå i samma koduppgift.

ToolCalls och JSON Mode

Stöder ToolCalls, JSON Mode, Partial Mode och automatisk kontextcache för agent- och API-flöden.

Tekniska specifikationer K2.7 Code

• 256K kontext för codebases och loggar
• Thinking alltid aktiv; avstängning stöds inte
• Text-, bild- och videoinput
• ToolCalls, JSON Mode, Partial Mode, kontextcache
• 1T / 32B aktiv MoE, modified MIT-vikter

Användningsfall för K2.7 Code

• Codebase-förståelse med lång kontext
• Debug, refaktorering och testgenerering
• Screenshot-to-UI och videobaserad problemanalys
• Claude Code, Cline, RooCode och Kimi Code-flöden
• Egna AI-kodassistenter via API

Om Kimi K2.7 Code

Kimi K2.7 Code är en kodspecialiserad modell byggd på Kimi K2.6. Den riktar sig mot verkliga engineeringflöden: codebase-förståelse, instruktioner i lång kontext, multimodala krav, tool calls och agentuppgifter.

Releasen behåller K2 MoE: 1T parametrar, 32B aktiva, 384 experter, 61 lager, MLA attention, SwiGLU och 256K tokenkontext. Hugging Face model card listar även MoonViT som vision encoder.

Praktiska ingångar är Kimi Code, Kimi API, OpenRouter och kompatibla kodverktyg. K2.7 Code passar debug, refaktorering, testgenerering, multi-file ändringar, projektanalys och långkörande kodagenter.

Kimi K2.7 Code FAQ

Svar om Kimi K2.7 Code, Kimi Code, kontextlängd, thinking, kostnader och åtkomst.

Vad är Kimi K2.7 Code?

MoonshotAI:s K2-modell för long-context software engineering, agentflöden, tool calling och multimodala koduppgifter.

Vad är modell-ID:t?

API-ID är kimi-k2.7-code. Hugging Face: moonshotai/Kimi-K2.7-Code. OpenRouter: moonshotai/kimi-k2.7-code.

Hur lång är kontexten?

Den stöder 256K tokens kontext för filer, loggar, testutdata och planer.

Kan thinking stängas av?

Nej, non-thinking mode stöds inte.

Stöds bilder och video?

Ja, text, bilder och video stöds.

Vad förbättrades från K2.6?

Model card rapporterar högre scores än K2.6 på flera benchmarks och cirka 30% mindre thinking-tokenanvändning.

Är den open weight?

Ja, Hugging Face listar modified MIT och tillgängliga vikter.

Var kan jag använda den?

Via Kimi API, Kimi Code, Hugging Face, OpenRouter, Claude Code, Cline och RooCode.