Kimi K2.7 Code: l'agent de codage open source 1T de Moonshot AI qui réduit les jetons de raisonnement de 30 %

La plupart des modèles de codage IA sont encore évalués sur des complétions en un seul essai. Kimi K2.7 Code est conçu pour quelque chose de plus difficile : l’ingénierie logicielle à long horizon, où la justesse et le coût sont dominés par la planification et l’orchestration, et non par l’autocomplétion. C’est le dernier modèle de codage open source de Moonshot AI — un Mixture-of-Experts (MoE) de 1 trillion de paramètres, ajusté spécifiquement pour les agents autonomes — et il affiche un gain rapporté de 21,8 % sur Kimi Code Bench v2 par rapport à K2.6 tout en utilisant environ 30 % de jetons de raisonnement en moins. Il est publié sous une licence Modified MIT permissive, avec des poids disponibles sur Hugging Face. (MarkTechPost)

Ce guide explique ce qu’est réellement K2.7 Code, comment il s’améliore par rapport à K2.6, où il se situe dans la famille K2, ses licences et ses tarifs, ainsi que les modèles que les builders utilisent pour l’exploiter dans des plateformes d’agents comme Eigent.

Qu’est-ce que Kimi K2.7 Code ?

Kimi K2.7 Code est un grand modèle de langage open-weight, spécialisé dans le code, de Moonshot AI, construit sur l’architecture K2.6 mais ajusté explicitement pour la génération de code, les workflows d’ingénierie logicielle et l’utilisation agentique d’outils. Plutôt qu’un modèle conversationnel généraliste, Moonshot le présente comme un agent de codage à long horizon conçu pour alimenter le « vrai travail » dans les éditeurs, terminaux et runtimes d’orchestration multi-outils. (Kimi)

Sous le capot, K2.7 Code utilise une architecture Mixture-of-Experts avec 1 trillion de paramètres au total et environ 32 milliards de paramètres actifs par jeton — le même ordre de grandeur structurel que K2.6, mais avec des experts et un routage mis à jour pour le code. Il est livré avec une fenêtre de contexte de 256k jetons, permettant aux agents de conserver de vastes bases de code, journaux et plans multi-étapes dans le contexte sans découpage agressif. (FAQ.com)

Les poids sont open-sourcés sous une licence Modified MIT, avec des artefacts sur Hugging Face, et K2.7 Code est également accessible via l’API Kimi et le produit Kimi Code. Cette combinaison — performances de pointe en codage et licence permissive — le rend immédiatement pertinent pour les équipes qui construisent des développeurs IA propriétaires, des copilotes de code et des plateformes d’agents autonomes. C’est le cousin orienté code des autres références open-weight que nous avons couvertes, comme GLM-5.2 de Zhipu et DeepSeek V4 Pro. (Flowtivity)

Principales améliorations par rapport à K2.6 pour le code et les agents

Les benchmarks de Moonshot et les analyses tierces mettent en avant trois changements majeurs : une meilleure précision en codage, un meilleur taux de réussite agentique et une moindre consommation de jetons de raisonnement. (Noqta)

• +21,8 % sur Kimi Code Bench v2 vs K2.6 — K2.7 Code améliore le benchmark interne de codage de Kimi par rapport à K2.6, qui dominait déjà de nombreux modèles fermés sur des tâches de codage publiques difficiles. (MarkTechPost)
• +11,0 % sur Program Bench et +31,5 % sur MLS Bench Lite — dans le fil de lancement de Kimi, K2.7 Code est annoncé comme surpassant K2.6 sur les deux, en ciblant la synthèse de programmes et le raisonnement multi-étapes autour du code. (Moonshot)
• ~30 % de jetons de raisonnement en moins — le modèle est explicitement optimisé pour « moins réfléchir à l’excès », en consommant environ 30 % de jetons de raisonnement en moins que K2.6 sur des tâches comparables tout en obtenant de meilleurs résultats. (FAQ.com)

Pour les équipes qui font tourner des agents profonds de type tree-of-thought ou très orientés outils, ce dernier point est crucial : réduire les jetons de raisonnement de 30 % baisse directement les coûts et la latence pour un taux de réussite égal ou supérieur. Au lieu d’opposer profondeur de chaîne et coût, K2.7 Code vise à offrir à la fois un raisonnement plus efficace et de meilleurs scores de benchmark. (Noqta)

Où K2.7 Code se situe dans la famille K2

Il est utile de voir K2.7 Code comme la dernière spécialisation « agent de code » sur une lignée K2 en évolution rapide.

Kimi K2.5 : intelligence agentique visuelle avec exécution en essaim

K2.5 a introduit le récit d’« intelligence agentique visuelle » de Kimi — un modèle multimodal natif mélangeant langage, code et vision. Entraîné sur environ 15 trillions de jetons visuels et textuels mixtes avec un encodeur de vision MoonViT dédié (~400M de paramètres), il excellait à transformer des captures d’écran, des maquettes d’interface et des documents en interfaces fonctionnelles et en sorties structurées. (Hugging Face)

Il embarquait aussi Agent Swarm, un runtime coordonnant jusqu’à ~100 sous-agents et ~1 500 appels d’outils par tâche, délivrant environ 4,5× plus de rapidité qu’une configuration à un seul agent sur des charges de recherche larges. Sur HLE, BrowseComp, MMMU Pro, VideoMMMU et SWE-Bench Verified, K2.5 obtenait des résultats de pointe parmi les modèles open-weight. (InfoQ)

Kimi K2.6 : modèle open-weight 1T pour les essaims d’agents à long horizon

K2.6 a poussé ces idées plus loin avec une base MoE de 1T de paramètres (32B actifs) et une fenêtre de contexte de 256k, clairement orientée vers le codage à long horizon et les essaims d’agents à grande échelle. Open-weight sous licence Modified MIT, il prend en charge les entrées multimodales et vise la refactorisation à l’échelle d’un dépôt, la conception guidée par le code et l’automatisation de recherche sur plusieurs heures. (MyAIGuide)

Moonshot et les analyses partenaires rapportent que K2.6 :

• Dépasse GPT-5.4 et les modèles de classe Claude Opus sur SWE-Bench Pro et Humanity's Last Exam — le premier modèle open-weight à revendiquer simultanément la première place sur les deux. (API易)
• Peut exécuter des tâches autonomes de 12+ heures avec jusqu’à ~300 sous-agents parallèles et ~4 000 appels d’outils coordonnés en une seule exécution, en maintenant un plan et un état cohérents à travers l’essaim. (Halmob)
• Peut être déployé sur du matériel de classe H100 avec vLLM ou SGLang, en exploitant des poids INT4 natifs et une licence ouverte pour un auto-hébergement rentable. (AllThings.how)

Kimi K2.7 Code : spécialiste du code au-dessus de K2.6

K2.7 Code s’inscrit dans cette base comme un successeur spécialisé en codage de K2.6, en conservant l’échelle MoE de 1T et le contexte de 256k tout en ré-optimisant pour le code à long horizon et le raisonnement agentique. Plutôt que d’essayer d’être le meilleur conversationnaliste généraliste, il s’ancre dans l’identité d’« agent de codage » comme cœur de produit. (MarkTechPost)

Pour les équipes qui explorent déjà K2.5/K2.6 comme alternatives open-weight aux APIs de classe GPT et Claude, K2.7 Code n’apporte pas tant une nouvelle architecture qu’une meilleure performance de codage par jeton.

Licences, tarification et options de déploiement

Une grande partie de l’attrait de K2.7 Code vient de la combinaison de poids ouverts et d’une licence relativement permissive.

• Licence Modified MIT — autorise une utilisation commerciale à grande échelle, l’attribution étant la principale contrainte. Pour les entreprises comme pour les startups, c’est nettement plus flexible que beaucoup de licences « open » qui restreignent la concurrence ou l’échelle. (Flowtivity)
• Distribution open-weight sur Hugging Face — les poids et les guides de déploiement y sont disponibles, à l’image de K2.5 et K2.6, ce qui facilite leur intégration dans vLLM, SGLang ou des stacks d’inférence personnalisées. (Kimi)
• Tarification API — pour l’accès hébergé, l’API Kimi facture K2.7 Code autour de 0,95 $ par million de jetons d’entrée et 4,00 $ par million de jetons de sortie, un tarif compétitif pour des charges de travail de codage à grand contexte. (FAQ.com)

K2.6 est déjà hébergé par plusieurs fournisseurs tiers (Novita, Baseten, Fireworks, Parasail), et K2.7 Code devrait suivre — réduisant les frictions pour l’expérimentation et les configurations hybrides auto-hébergées/hébergées. Pour les environnements réglementés, la possibilité de commencer via l’API puis de migrer vers l’auto-hébergement sous la même famille de modèles constitue un argument d’adoption fort. (MyAIGuide)

Pourquoi K2.7 Code compte pour les agents de codage IA

La plupart des outils de codage IA à ce jour étaient des copilotes de session unique : autocomplétion, explications inline, refactorisations occasionnelles. K2.7 Code est explicitement conçu pour des workflows de longue durée, multi-outils et de type agent, où le coût et la justesse sont dominés par l’horizon de planification plutôt que par des complétions en un essai. (Kimi) Trois aspects ressortent :

1. Planification à long horizon avec contexte 256k. Une fenêtre de 256k permet aux agents de conserver l’état complet d’un projet — instantanés de base de code, documents de conception, journaux, sorties de tests — dans un seul prompt, au lieu de découper agressivement et de s’appuyer sur des heuristiques de retrieval fragiles. Cela rend réalisables des tâches de bout en bout comme « porter ce service de Node vers Rust, tests et CI compris » ou « réécrire cette application mobile avec un nouveau système de design » en une seule exécution orchestrée. (Halmob)
2. Raisonnement efficace pour des chaînes profondes. La réduction d’environ 30 % des jetons de raisonnement par rapport à K2.6 rend les chaînes profondes moins coûteuses — vous pouvez vous permettre plus d’appels d’outils, plus d’introspection et plus d’exploration branch-and-bound sans faire exploser les coûts et la latence. Pour les développeurs autonomes qui pensent en arbres plutôt qu’en lignes, ce gain d’efficacité est stratégiquement important. (Moonshot)
3. Des poids ouverts dans un régime de pointe. K2.6 a déjà égalé ou dépassé des modèles de classe GPT-5 sur SWE-Bench Pro et HLE tout en restant open-weight ; K2.7 Code hérite de cette lignée tout en ciblant spécifiquement les tâches de code et d’agents. Les équipes n’ont plus à accepter un gros écart de capacité pour obtenir la flexibilité de l’open source. (API易)

En pratique, K2.7 Code devient un back-end attractif pour :

• Des agents autonomes « AI dev » qui gèrent un dépôt pendant des semaines plutôt que des minutes.
• Des agents intégrés au CI/CD qui trient, corrigent et valident des problèmes à travers plusieurs services.
• Des agents de plateforme internes qui cadrent de nouveaux produits, effectuent des migrations ou imposent des préoccupations transverses comme l’observabilité et la sécurité.

Comment commencer à évaluer Kimi K2.7 Code

Si vous expérimentez déjà avec des modèles de codage open-weight, l’intégration de K2.7 Code peut être une phase d’évaluation ciblée plutôt qu’une refonte complète.

1. Remplacez K2.6 ↔ K2.7 Code dans les pipelines existants. Si vous utilisez déjà K2.6 pour le codage à long horizon ou des expériences d’agents, insérez K2.7 Code dans les mêmes flux (refactorisations en plusieurs étapes, revues de code multi-agents, génération de docs + tests) et mesurez le taux de réussite des tâches, le nombre d’appels d’outils et l’utilisation de jetons. (Noqta)
2. Testez des scénarios réalistes d’« agent 12 heures », pas des tâches jouet. Utilisez la conception orientée essaim pour ce qu’elle a été conçue : des travaux de plusieurs heures couvrant la planification, le codage, l’exécution et le débogage à travers services et dépôts. Plus votre évaluation ressemble au travail réel, plus les gains de long horizon et d’efficacité apparaissent. (i-SCOOP)
3. Décidez tôt de votre stratégie d’hébergement. Commencez via l’API Kimi pour itérer rapidement, puis planifiez une migration vers l’auto-hébergement sur du matériel de classe H100 si vous avez besoin d’une résidence stricte des données ou d’un contrôle des coûts à grande échelle. La licence Modified MIT et la distribution sur Hugging Face sont délibérément alignées avec cette trajectoire. (AllThings.how)

Ce que K2.7 Code signifie pour les équipes d’ingénierie et produit

Kimi K2.7 Code montre que les modèles de codage et d’agents de classe frontier ne sont plus l’apanage exclusif des APIs fermées — des poids ouverts avec une licence flexible peuvent désormais rivaliser crédiblement à la fois sur les benchmarks et les workflows réels. Pour les équipes d’ingénierie et produit, cela ouvre un nouvel espace de conception : des agents profondément intégrés à l’infrastructure et à la culture sans être enfermés chez un seul fournisseur. (MyAIGuide)

Si vous construisez des plateformes développeur, des agents de codage autonomes ou des collaborateurs IA, K2.7 Code mérite d’être considéré non pas comme « un modèle de plus », mais comme un backbone par défaut potentiel — en particulier lorsque le travail à long horizon, l’orchestration multi-outils et le déploiement on-prem ou en VPC sont non négociables. (Halmob)

C’est exactement le cas d’une infrastructure multi-agents agnostique des modèles. Le paysage des modèles évolue vite, et les plateformes qui gagnent sont celles qui peuvent brancher un spécialiste du code comme K2.7 Code pour les tâches où il excelle — sans réarchitecturer toute la stack. Si c’est le type de fondation sur lequel vous construisez, découvrez comment la plateforme open source multi-agents Eigent vous permet d’orchestrer des modèles spécialisés à travers des workflows réels.

Foire aux questions

Qu’est-ce que Kimi K2.7 Code ?

Kimi K2.7 Code est le grand modèle de langage open-weight et spécialisé dans le code de Moonshot AI — un Mixture-of-Experts de 1 trillion de paramètres (32B actifs par jeton) avec une fenêtre de contexte de 256k jetons, construit sur l’architecture K2.6 mais ajusté pour la génération de code, les workflows d’ingénierie logicielle et l’utilisation agentique d’outils. Il est publié sous une licence Modified MIT avec les poids sur Hugging Face.

En quoi K2.7 Code est-il meilleur que K2.6 ?

K2.7 Code annonce une amélioration de 21,8 % sur Kimi Code Bench v2 par rapport à K2.6, ainsi que +11,0 % sur Program Bench et +31,5 % sur MLS Bench Lite — tout en utilisant environ 30 % de jetons de raisonnement en moins sur des tâches comparables. Le résultat net est une meilleure précision en codage et un meilleur taux de réussite agentique à moindre coût et avec moins de latence.

Que signifie « 30 % de jetons de raisonnement en moins » en pratique ?

K2.7 Code est optimisé pour « moins sur-réfléchir », afin d’obtenir de meilleurs résultats avec des chaînes de raisonnement plus courtes. Pour les agents très orientés outils ou de type tree-of-thought, cela se traduit directement par un coût en jetons et une latence plus faibles pour le même — ou un plus haut — taux de réussite des tâches, rendant les chaînes plus profondes et davantage d’appels d’outils plus abordables.

Combien coûte Kimi K2.7 Code ?

Via l’API Kimi, K2.7 Code est facturé environ 0,95 $ par million de jetons d’entrée et 4,00 $ par million de jetons de sortie. Comme les poids sont ouverts sous une licence Modified MIT, les équipes peuvent aussi l’auto-héberger sur du matériel de classe H100 avec vLLM ou SGLang pour contrôler les coûts à grande échelle.

Kimi K2.7 Code est-il open source ?

Oui. Il est distribué comme poids ouverts sur Hugging Face sous une licence Modified MIT qui permet une utilisation commerciale à grande échelle avec attribution. Il est aussi disponible via l’API Kimi et le produit Kimi Code, avec un hébergement tiers attendu dans la continuité des fournisseurs de K2.6.

Puis-je utiliser Kimi K2.7 Code avec Eigent ?

Oui. L’architecture multi-agents et agnostique des modèles d’Eigent vous permet d’orienter les tâches de codage et de long horizon vers K2.7 Code via ses outils MCP et son framework Skills — en utilisant son contexte 256k et son raisonnement économe en jetons pour les travaux à l’échelle d’un dépôt, tout en gardant d’autres modèles pour les tâches courantes.