Kimi K2.7 Code: Moonshot AIs 1T Open-Source Coding-Agent, der Reasoning-Tokens um 30 % reduziert

Die meisten KI-Coding-Modelle werden noch immer an One-Shot-Completes gemessen. Kimi K2.7 Code ist für etwas Schwierigeres gebaut: Softwareentwicklung mit langem Planungshorizont, bei der Korrektheit und Kosten vor allem von Planung und Orchestrierung abhängen, nicht von Autocomplete. Es ist Moonshot AIs neuestes Open-Source-Coding-Modell — ein auf autonome Agenten feinabgestimmtes Mixture-of-Experts-(MoE)-Modell mit 1 Billion Parametern — und erzielt Berichten zufolge auf dem Kimi Code Bench v2 gegenüber K2.6 einen Zuwachs von 21,8 % bei gleichzeitig rund 30 % weniger Reasoning-Tokens. Es wird unter einer permissiven Modified MIT License ausgeliefert, die Gewichte sind auf Hugging Face verfügbar. (MarkTechPost)

Dieser Leitfaden erklärt, was K2.7 Code eigentlich ist, wie es K2.6 verbessert, wo es in der K2-Familie einzuordnen ist, wie Lizenzierung und Preisgestaltung aussehen und welche Muster Entwickler nutzen, um es in Agentenplattformen wie Eigent einzusetzen.

Was ist Kimi K2.7 Code?

Kimi K2.7 Code ist ein Open-Weight-Large-Language-Model von Moonshot AI, das auf Coding spezialisiert ist und auf der K2.6-Architektur aufbaut, jedoch ausdrücklich für Codegenerierung, Software-Engineering-Workflows und agentische Tool-Nutzung optimiert wurde. Statt als allgemeines Konversationsmodell beschreibt Moonshot es als Coding-Agent mit langem Planungshorizont, der „echte Arbeit“ in Editoren, Terminals und Multi-Tool-Orchestrierungs-Runtimes ermöglichen soll. (Kimi)

Unter der Haube nutzt K2.7 Code eine Mixture-of-Experts-Architektur mit 1 Billion Gesamtparametern und etwa 32 Milliarden aktiven Parametern pro Token — also dieselbe strukturelle Größenordnung wie K2.6, jedoch mit aktualisierten Experts und auf Coding abgestimmtem Routing. Es wird mit einem 256k-Token-Kontextfenster ausgeliefert, sodass Agenten große Codebasen, Logs und mehrstufige Pläne im Kontext behalten können, ohne aggressives Chunking. (FAQ.com)

Die Gewichte sind als Open Source unter einer Modified MIT License veröffentlicht, die Artefakte liegen auf Hugging Face, und K2.7 Code ist außerdem über die Kimi API und das Kimi-Code-Produkt erreichbar. Diese Kombination — Coding-Performance auf Frontier-Niveau plus permissive Lizenzierung — macht das Modell sofort relevant für Teams, die proprietäre KI-Entwickler, Code-Copilots und autonome Agentenplattformen bauen. Es ist der auf Coding fokussierte Cousin der anderen Open-Weight-Flaggschiffe, über die wir berichtet haben, wie Zhipus GLM-5.2 und DeepSeek V4 Pro. (Flowtivity)

Wichtige Verbesserungen gegenüber K2.6 für Coding und Agenten

Moonshots eigene Benchmarks und Berichte von Dritten heben drei zentrale Änderungen hervor: bessere Coding-Genauigkeit, höhere agentische Erfolgsraten und geringeren Einsatz von Reasoning-Tokens. (Noqta)

• +21,8 % auf Kimi Code Bench v2 vs. K2.6 — K2.7 Code verbessert sich gegenüber Kimi's internem Coding-Benchmark auf K2.6, der bereits viele geschlossene Modelle bei schwierigen öffentlichen Coding-Aufgaben übertraf. (MarkTechPost)
• +11,0 % auf Program Bench und +31,5 % auf MLS Bench Lite — in Kimi's Release-Thread wird berichtet, dass K2.7 Code K2.6 in beiden Fällen übertrifft und auf Programmsynthese sowie mehrstufiges Reasoning rund um Code abzielt. (Moonshot)
• Rund 30 % weniger Reasoning-Tokens — das Modell ist ausdrücklich für „weniger Overthinking“ optimiert und verbraucht bei vergleichbaren Aufgaben etwa 30 % weniger Reasoning-Tokens als K2.6, während es bessere Ergebnisse erzielt. (FAQ.com)

Für Teams, die tiefes Tree-of-Thought- oder Tool-lastiges Agentenverhalten betreiben, ist der letzte Punkt entscheidend: 30 % weniger Reasoning-Tokens senken Kosten und Latenz direkt bei gleicher oder besserer Erfolgsrate. Statt Tiefe in der Argumentationskette gegen Kosten einzutauschen, versucht K2.7 Code, beides zu liefern: effizienteres Reasoning und höhere Benchmark-Werte. (Noqta)

Wie K2.7 Code in die K2-Familie passt

Es hilft, K2.7 Code als die neueste Spezialisierung für „Code-Agenten“ auf einer sich schnell entwickelnden K2-Linie zu sehen.

Kimi K2.5: visuelle agentische Intelligenz mit Swarm-Ausführung

K2.5 führte Kimis Story rund um „visual agentic intelligence“ ein — ein natives multimodales Modell, das Sprache, Code und Vision kombiniert. Trainiert auf rund 15 Billionen gemischten visuellen und Text-Tokens mit einem dedizierten MoonViT-Vision-Encoder (rund 400 Mio. Parameter), glänzte es dabei, Screenshots, UI-Designs und Dokumente in funktionierende Oberflächen und strukturierte Ausgaben zu verwandeln. (Hugging Face)

Es lieferte außerdem Agent Swarm, eine Laufzeitumgebung, die bis zu rund 100 Sub-Agenten und etwa 1.500 Tool-Aufrufe pro Aufgabe koordiniert und bei breiten Such-Workloads eine etwa 4,5-fach schnellere Ausführung als ein Single-Agent-Setup ermöglicht. Über HLE, BrowseComp, MMMU Pro, VideoMMMU und SWE-Bench Verified hinweg erreichte K2.5 unter den Open-Weight-Modellen Spitzenwerte. (InfoQ)

Kimi K2.6: 1T Open-Weights-Modell für Agent-Swarms mit langem Planungshorizont

K2.6 führte diese Ideen weiter mit einem 1T-Parameter-MoE-Backbone (32B aktiv) und einem 256k-Kontextfenster, klar ausgerichtet auf Coding mit langem Planungshorizont und große Agent-Swarms. Es ist als Open Weight unter einer Modified MIT License verfügbar, unterstützt multimodale Eingaben und zielt auf Repo-Scale-Refactoring, designgetriebene Entwicklung und mehrstündige Automatisierung für Research ab. (MyAIGuide)

Moonshot und Partneranalysen berichten, dass K2.6:

• GPT-5.4 und Claude-Opus-Klasse-Modelle auf SWE-Bench Pro und Humanity's Last Exam übertrifft — das erste Open-Weights-Modell, das den Spitzenplatz auf beiden gleichzeitig beansprucht. (API易)
• 12+ Stunden autonome Jobs mit bis zu rund 300 parallelen Sub-Agenten und etwa 4.000 koordinierten Tool-Aufrufen in einem einzigen Lauf ausführen kann, wobei ein kohärenter Plan und Zustand über den gesamten Swarm hinweg erhalten bleiben. (Halmob)
• Auf H100-Klasse-Hardware mit vLLM oder SGLang deploybar ist und dabei native INT4-Gewichte sowie Open Licensing für kosteneffizientes Self-Hosting nutzt. (AllThings.how)

Kimi K2.7 Code: Coding-Spezialist auf Basis von K2.6

K2.7 Code steht auf diesem Fundament als auf Coding spezialisierter Nachfolger von K2.6, behält die 1T-MoE-Skalierung und den 256k-Kontext bei, wird aber für Coding mit langem Planungshorizont und agentisches Reasoning neu optimiert. Statt das beste allgemeine Konversationsmodell sein zu wollen, setzt es auf „Coding Agent“ als Kernidentität. (MarkTechPost)

Für Teams, die K2.5/K2.6 bereits als Open-Weight-Alternative zu GPT- und Claude-Klasse-APIs evaluieren, geht es bei K2.7 Code weniger um eine neue Architektur als vielmehr um bessere Coding-Performance pro Token.

Lizenzierung, Preise und Deployment-Optionen

Ein wesentlicher Teil der Attraktivität von K2.7 Code ist die Kombination aus Open Weights und einer vergleichsweise permissiven Lizenz.

• Modified MIT License — erlaubt kommerzielle Nutzung in großem Maßstab, wobei Attribution die wichtigste Einschränkung ist. Für Konzerne und Startups ist das deutlich flexibler als viele „offene“ Lizenzen, die Wettbewerb oder Skalierung beschränken. (Flowtivity)
• Open-Weight-Verteilung auf Hugging Face — Gewichte und Deployment-Anleitungen sind dort verfügbar, analog zu K2.5 und K2.6, was die Einbindung in vLLM, SGLang oder benutzerdefinierte Inference-Stacks erleichtert. (Kimi)
• API-Preise — für gehosteten Zugriff kostet K2.7 Code über die Kimi API ungefähr 0,95 $ pro Million Input-Tokens und 4,00 $ pro Million Output-Tokens, was für Coding-Workloads mit großem Kontext wettbewerbsfähig ist. (FAQ.com)

K2.6 wird bereits von mehreren Drittanbietern gehostet (Novita, Baseten, Fireworks, Parasail), und K2.7 Code dürfte folgen — das senkt die Hürde für Experimente sowie hybride Setups aus Self-Hosting und gehostetem Betrieb. Für regulierte Umgebungen ist die Möglichkeit, mit der API zu starten und später innerhalb derselben Modellfamilie auf Self-Hosting umzusteigen, eine starke Adoptionsgeschichte. (MyAIGuide)

Warum K2.7 Code für KI-Coding-Agenten wichtig ist

Die meisten KI-Coding-Tools sind bislang Single-Session-Copilots: Autocomplete, Inline-Erklärungen, gelegentliche Refactorings. K2.7 Code ist ausdrücklich für lang laufende, Multi-Tool-Workflows im Agentenstil konzipiert, bei denen Kosten und Korrektheit vom Planungshorizont und nicht von One-Shot-Completes bestimmt werden. (Kimi) Drei Aspekte stechen hervor:

1. Planung mit langem Horizont durch 256k Kontext. Ein 256k-Fenster erlaubt es Agenten, den Zustand eines gesamten Projekts zu halten — Snapshots der Codebase, Design-Dokumente, Logs, Testergebnisse — in einem einzigen Prompt, statt aggressiv zu chunking und auf fragile Retrieval-Heuristiken angewiesen zu sein. Das macht End-to-End-Aufgaben wie „portiere diesen Service von Node nach Rust inklusive Tests und CI“ oder „schreibe diese Mobile-App mit einem neuen Designsystem neu“ in einem orchestrierten Lauf realistisch. (Halmob)
2. Effizientes Reasoning für tiefe Ketten. Die Reduktion der Reasoning-Tokens um rund 30 % gegenüber K2.6 macht tiefere Ketten weniger schmerzhaft — man kann mehr Tool-Aufrufe, mehr Selbstprüfung und mehr Branch-and-Bound-Exploration leisten, ohne Kosten und Latenz explodieren zu lassen. Für autonome Entwickler, die in Bäumen statt in Linien denken, ist dieser Effizienzgewinn strategisch wichtig. (Moonshot)
3. Open Weights in einem Frontier-Umfeld. K2.6 konnte bereits mit GPT-5-Klasse-Modellen auf SWE-Bench Pro und HLE mithalten oder sie übertreffen, während es Open Weight blieb; K2.7 Code führt diese Linie fort und zielt dabei speziell auf Coding- und Agentenaufgaben. Teams müssen nicht länger einen großen Fähigkeitsabstand akzeptieren, um Open-Source-Flexibilität zu erhalten. (API易)

In der Praxis macht das K2.7 Code zu einem attraktiven Backbone für:

• Autonome „AI Dev“-Agenten, die über Wochen statt nur Minuten ein Repo verantworten.
• In CI/CD integrierte Agenten, die Probleme über mehrere Services hinweg triagieren, beheben und validieren.
• Interne Plattform-Agenten, die neue Produkte scaffolden, Migrationen durchführen oder Querschnittsthemen wie Observability und Security durchsetzen.

So starten Sie die Evaluierung von Kimi K2.7 Code

Wenn Sie bereits mit Open-Weight-Coding-Modellen experimentieren, kann die Integration von K2.7 Code eher ein fokussierter Evaluierungs-Sprint als ein vollständiges Redesign sein.

1. Tauschen Sie K2.6 ↔ K2.7 Code in bestehenden Pipelines aus. Wenn Sie K2.6 bereits für Coding mit langem Horizont oder Agentenexperimente nutzen, setzen Sie K2.7 Code in dieselben Abläufe ein (mehrstufige Refactorings, Multi-Agent-Code-Reviews, Generierung von Doku + Tests) und messen Sie Aufgabenerfolg, Anzahl der Tool-Aufrufe und Token-Nutzung. (Noqta)
2. Testen Sie realistische „12-Stunden-Agent“-Szenarien, nicht Spielzeugaufgaben. Nutzen Sie das auf Swarms ausgelegte Design für den Zweck, für den es gebaut wurde: mehrstündige Jobs über Planung, Coding, Ausführung und Debugging hinweg in mehreren Services und Repos. Je mehr Ihr Eval wie echte Arbeit aussieht, desto stärker zeigen sich die Vorteile bei langem Planungshorizont und Effizienz. (i-SCOOP)
3. Entscheiden Sie Ihre Hosting-Strategie früh. Beginnen Sie für schnelle Iterationen mit der Kimi API und planen Sie dann einen Migrationspfad zu Self-Hosting auf H100-Klasse-Hardware, wenn Sie strikte Datenresidenz oder Kostenkontrolle im großen Maßstab benötigen. Die Modified MIT License und die Hugging-Face-Verteilung sind bewusst auf diesen Weg abgestimmt. (AllThings.how)

Was K2.7 Code für Engineering- und Product-Teams bedeutet

Kimi K2.7 Code signalisiert, dass Coding- und Agentenmodelle auf Frontier-Niveau nicht mehr ausschließlich geschlossenen APIs vorbehalten sind — Open Weights mit flexibler Lizenzierung können heute sowohl in Benchmarks als auch in realen Workflows glaubwürdig konkurrieren. Für Engineering- und Product-Teams eröffnet das einen neuen Designraum: Agenten, die tief in Infrastruktur und Kultur eingebettet sind, ohne an einen einzelnen Anbieter gebunden zu sein. (MyAIGuide)

Wenn Sie Developer-Plattformen, autonome Coding-Agenten oder KI-Mitarbeiter bauen, sollten Sie K2.7 Code nicht einfach als „noch ein Modell“ betrachten, sondern als möglichen Standard-Backbone — besonders dann, wenn Arbeit mit langem Planungshorizont, Multi-Tool-Orchestrierung und On-Prem- oder VPC-Deployment nicht verhandelbar sind. (Halmob)

Genau hier kommt modellagnostische, mehragentige Infrastruktur ins Spiel. Die Modelllandschaft bewegt sich schnell, und die Plattformen, die gewinnen, sind diejenigen, die einen Coding-Spezialisten wie K2.7 Code dort einsetzen können, wo er am besten ist — ohne den gesamten Stack neu zu architektonieren. Wenn Sie auf dieser Art von Fundament aufbauen, entdecken Sie, wie die Open-Source-, Multi-Agent-Plattform Eigent Ihnen hilft, spezialisierte Modelle über reale Workflows hinweg zu orchestrieren.

Häufig gestellte Fragen

Was ist Kimi K2.7 Code?

Kimi K2.7 Code ist Moonshot AIs Open-Weight-Large-Language-Model für Coding-Spezialisierung — ein Mixture-of-Experts-Modell mit 1 Billion Parametern (32B aktiv pro Token) und einem 256k-Token-Kontextfenster, aufgebaut auf der K2.6-Architektur, aber optimiert für Codegenerierung, Software-Engineering-Workflows und agentische Tool-Nutzung. Es wird unter einer Modified MIT License mit Gewichten auf Hugging Face veröffentlicht.

Wie ist K2.7 Code besser als K2.6?

K2.7 Code meldet eine Verbesserung um 21,8 % auf Kimi Code Bench v2 gegenüber K2.6, außerdem +11,0 % auf Program Bench und +31,5 % auf MLS Bench Lite — bei etwa 30 % weniger Reasoning-Tokens für vergleichbare Aufgaben. Das Gesamtergebnis ist bessere Coding-Genauigkeit und höherer agentischer Erfolg bei geringeren Kosten und niedrigerer Latenz.

Was bedeutet „30 % weniger Reasoning-Tokens“ in der Praxis?

K2.7 Code ist darauf optimiert, weniger zu „overthinken“, und erreicht dadurch bessere Ergebnisse mit kürzeren Reasoning-Ketten. Für Tool-lastige oder Tree-of-Thought-Agenten bedeutet das direkt niedrigere Token-Kosten und geringere Latenz bei gleicher — oder höherer — Erfolgsrate, wodurch tiefere Ketten und mehr Tool-Aufrufe erschwinglich werden.

Wie viel kostet Kimi K2.7 Code?

Über die Kimi API kostet K2.7 Code ungefähr 0,95 $ pro Million Input-Tokens und 4,00 $ pro Million Output-Tokens. Da die Gewichte unter einer Modified MIT License offen sind, können Teams außerdem auf H100-Klasse-Hardware mit vLLM oder SGLang selbst hosten, um die Kosten im großen Maßstab zu kontrollieren.

Ist Kimi K2.7 Code Open Source?

Ja. Es wird als Open Weights auf Hugging Face unter einer Modified MIT License verteilt, die kommerzielle Nutzung in großem Maßstab mit Attribution erlaubt. Es ist außerdem über die Kimi API und das Kimi Code-Produkt verfügbar; Drittanbieter-Hosting dürfte den Anbietern von K2.6 folgen.

Kann ich Kimi K2.7 Code mit Eigent verwenden?

Ja. Die modellagnostische, mehragentige Architektur von Eigent ermöglicht es Ihnen, Coding- und Aufgaben mit langem Planungshorizont über die MCP-Tools und das Skills-Framework an K2.7 Code zu routen — mit seinem 256k-Kontext und token-effizientem Reasoning für Arbeit auf Repo-Scale, während andere Modelle für Routineaufgaben verwendet werden.