Moonshot AI представила Kimi-K2.7-Code, новую модель семейства Kimi для задач программирования, работы с большими кодовыми базами и агентских сценариев. В анонсе компания называет её своим свежим coding model и сообщает, что модель уже доступна через Kimi API и Kimi Code; веса опубликованы на Hugging Face под modified MIT license.
Kimi-K2.7-Code построена как MoE-модель: всего 1 трлн параметров, активных на токен — 32 млрд. В карточке модели указано контекстное окно 256K, поддержка текста, изображений и видео, а также работа в thinking mode. В документации отдельно сказано, что non-thinking mode для Kimi K2.7 Code не поддерживается, то есть модель рассчитана на задачи, где рассуждение включено постоянно.
Прирост заявлен именно в долгих задачах с кодом
Moonshot AI делает акцент на long-horizon coding: задачах, где модель должна удерживать инструкции, работать с несколькими файлами, вызывать инструменты и доводить задачу до результата. По данным карточки модели, Kimi-K2.7-Code набрала 62,0 на Kimi Code Bench v2 против 50,9 у K2.6, 53,6 на Program Bench против 48,3 и 35,1 на MLS Bench Lite против 26,7.
В официальном посте эти результаты переведены в относительный прирост: +21,8% на Kimi Code Bench v2, +11,0% на Program Bench и +31,5% на MLS Bench Lite. Ещё одна практичная цифра — примерно на 30% меньше reasoning-токенов по сравнению с K2.6. Для пользователей кодовых агентов это важнее красивой строчки в таблице: меньше рассуждений обычно означает ниже стоимость длинных запусков и меньше шансов, что агент застрянет в бесконечной самопроверке.
Модель можно подключать в Claude Code, Cline, RooCode и OpenCode
Kimi-K2.7-Code ориентирована не только на чат с кодом, а на работу внутри уже привычных инструментов разработчика. В документации Moonshot AI описывает подключение модели к Claude Code, Cline, RooCode и OpenCode, а также прямые вызовы через API. Для Claude Code, например, используется Anthropic-совместимый endpoint и модель kimi-k2.7-code.
Для локального и серверного запуска Moonshot AI указывает vLLM, SGLang и KTransformers. На Hugging Face есть примеры запуска через Transformers, vLLM, SGLang и Docker Model Runner. Это не делает модель лёгкой для домашнего компьютера: 1,1 трлн параметров остаются инфраструктурной историей, даже если веса открыты.
Открытые веса не снимают вопрос стоимости
Релиз Kimi-K2.7-Code показывает, куда движутся открытые модели для кода: меньше упор на короткие задачи из одного файла, больше — на агентскую работу с репозиторием, инструментами и долгим контекстом. Здесь Moonshot AI конкурирует уже не с автодополнением в IDE, а с агентами, которые умеют планировать правки, запускать проверки и возвращаться к ошибкам.
Слабое место релиза — зависимость от собственных и смешанных бенчмарков. В таблице Moonshot AI сравнивает K2.7 Code с K2.6, GPT-5.5 и Claude Opus 4.8, но часть тестов остаётся внутренней, а условия запуска отличаются по инструментам и режимам. Поэтому главный тест модели будет не в таблице, а в реальных репозиториях: сколько задач она закрывает без ручной доводки и во сколько обходится один успешный агентский прогон.
Moonshot AI также объявила Kimi Code Beta Program. Через неё пользователи смогут подать заявку на ранний доступ к будущим моделям и функциям Kimi Code. Отдельно компания обещает режим 6x High-Speed Mode, но сроки запуска пока не названы.