Kimi K2.7 Code: 推論トークンを30%削減する Moonshot AI の 1T オープンソース コーディングエージェント

多くのAIコーディングモデルはいまだに単発の完了精度で評価されています。Kimi K2.7 Code は、より難しい課題に向けて設計されています。つまり、正確性とコストがオートコンプリートではなく、計画とオーケストレーションによって左右されるロングホライズンのソフトウェアエンジニアリングです。これは Moonshot AI の最新オープンソース コーディングモデルであり、エージェント向けに特化した1兆パラメータの Mixture-of-Experts（MoE）モデルです。K2.6 と比べて Kimi Code Bench v2 で報告上21.8%向上し、推論トークンを約30%削減しています。重みは Hugging Face で公開され、寛容な Modified MIT ライセンスで提供されています。(MarkTechPost)

このガイドでは、K2.7 Code が実際には何なのか、K2.6 からどう改善されたのか、K2 ファミリーの中でどこに位置づけられるのか、ライセンスと価格、そして Eigent のようなエージェントプラットフォーム内で実用化する際にビルダーたちが採っているパターンを解説します。

Kimi K2.7 Code とは？

Kimi K2.7 Code は、Moonshot AI によるオープンウェイトのコーディング特化型大規模言語モデルです。K2.6 アーキテクチャをベースにしつつ、コード生成、ソフトウェアエンジニアリングのワークフロー、エージェント的なツール利用向けに明確に最適化されています。Moonshot はこれを汎用の会話モデルではなく、エディタ、ターミナル、複数ツールのオーケストレーション実行環境の中で「実際の仕事」を担うためのロングホライズン コーディングエージェントとして説明しています。(Kimi)

内部構造として、K2.7 Code は Mixture-of-Experts アーキテクチャを採用しており、総パラメータ数は1兆、トークンごとのアクティブパラメータは約320億です。これは K2.6 と同じ構造スケールですが、コーディング向けに更新されたエキスパートとルーティングが使われています。さらに 256kトークンのコンテキストウィンドウを備え、エージェントは大規模なコードベース、ログ、複数ステップの計画を、強い分割処理なしで文脈に保持できます。(FAQ.com)

重みは Modified MIT ライセンスの下でオープンソース化され、Hugging Face に公開されています。K2.7 Code は Kimi API と Kimi Code 製品からも利用可能です。この組み合わせ、つまり最先端クラスのコーディング性能と寛容なライセンスの両立により、独自のAI開発者、コードコパイロット、自律エージェントプラットフォームを構築するチームにとって即戦力になります。これは、Zhipu の GLM-5.2 や DeepSeek V4 Pro のような、他のオープンウェイト旗艦モデルと並ぶコーディング特化の近縁モデルです。(Flowtivity)

K2.6 からのコーディングとエージェント向け主要改善点

Moonshot の公式ベンチマークと第三者の解説では、主な改善点として「コーディング精度の向上」「エージェント的成功率の向上」「推論トークン使用量の削減」の3点が挙げられています。(Noqta)

• K2.6 比で Kimi Code Bench v2 が +21.8% — K2.7 Code は、Moonshot の社内コーディングベンチマークで K2.6 を上回っており、K2.6 自体も難度の高い公開コーディングタスクで多くのクローズドモデルをリードしていました。(MarkTechPost)
• Program Bench で +11.0%、MLS Bench Lite で +31.5% — Kimi の発表スレッドでは、K2.7 Code はこの両方で K2.6 を上回ったとされ、プログラム合成とコード周辺の多段推論を対象にしています。(Moonshot)
• 推論トークンが約30%少ない — このモデルは「考えすぎを減らす」ことを明確に最適化しており、同等のタスクで K2.6 より約30%少ない推論トークンで、より良い結果を達成します。(FAQ.com)

深い tree-of-thought やツールを多用するエージェントを運用するチームにとって、最後の点は特に重要です。推論トークンを30%削減できれば、同じまたはより高いタスク成功率を維持したまま、コストとレイテンシを直接下げられます。チェーンの深さとコストを天秤にかけるのではなく、K2.7 Code は、より効率的な推論とより高いベンチマークスコアの両立を目指しています。(Noqta)

K2.7 Code は K2 ファミリーの中でどう位置づけられるか

K2.7 Code を、急速に進化する K2 ラインの上にある最新の「コードエージェント」特化モデルとして見ると分かりやすくなります。

Kimi K2.5: スウォーム実行を備えたビジュアル・エージェンティック・インテリジェンス

K2.5 は、Kimi の「ビジュアル・エージェンティック・インテリジェンス」というストーリーを打ち出しました。これは、言語・コード・視覚を統合したネイティブなマルチモーダルモデルです。約15兆の画像・テキスト混在トークンで学習され、専用の MoonViT ビジョンエンコーダー（約4億パラメータ）を備えており、スクリーンショット、UIデザイン、ドキュメントを動作するインターフェースや構造化出力へ変換することに優れていました。(Hugging Face)

また、Agent Swarm も提供し、最大約100のサブエージェントとタスクごとに約1,500回のツール呼び出しを調整できます。広範な探索ワークロードでは、単一エージェント構成より約4.5倍高速な実行を実現しました。HLE、BrowseComp、MMMU Pro、VideoMMMU、SWE-Bench Verified を通じて、K2.5 はオープンウェイトモデルの中で最先端水準を記録しました。(InfoQ)

Kimi K2.6: ロングホライズンのエージェントスウォーム向け1Tオープンウェイトモデル

K2.6 はその発想をさらに進め、1Tパラメータの MoE バックボーン（アクティブ320億）と256kコンテキストウィンドウを搭載し、ロングホライズンのコーディングと大規模エージェントスウォームに正面から取り組みました。Modified MIT ライセンスの下でオープンウェイト化され、マルチモーダル入力をサポートし、リポジトリ規模のリファクタリング、コード主導の設計、数時間単位の研究自動化を対象にしています。(MyAIGuide)

Moonshot とパートナー分析によると、K2.6 は次のように報告されています。

• SWE-Bench Pro と Humanity's Last Exam で GPT-5.4 や Claude Opus クラスを上回る — 両方で同時にトップを主張した初のオープンウェイトモデル。(API易)
• 単一実行で 12時間超の自律ジョブ、最大約300の並列サブエージェント、約4,000の協調ツール呼び出し を実行でき、スウォーム全体で一貫した計画と状態を維持できる。(Halmob)
• vLLM や SGLang を用いて H100 クラスのハードウェア上に展開でき、ネイティブな INT4 重みとオープンライセンスにより、コスト効率の高いセルフホスティングが可能。(AllThings.how)

Kimi K2.7 Code: K2.6 の上に乗るコーディング特化モデル

K2.7 Code はこの基盤の上にある K2.6 のコーディング特化後継モデル で、1T MoE スケールと256kコンテキストを維持しながら、ロングホライズンのコード処理とエージェント的推論に再最適化されています。汎用会話で最強を目指すのではなく、「コーディングエージェント」としてのアイデンティティを核に据えています。(MarkTechPost)

GPT や Claude クラスのAPIに対するオープンウェイト代替として K2.5 / K2.6 をすでに試しているチームにとって、K2.7 Code は新しいアーキテクチャというよりも、トークン当たりのコーディング性能の向上 がポイントです。

ライセンス、価格、デプロイオプション

K2.7 Code の魅力の大きな部分は、オープンウェイトと比較的寛容なライセンスの組み合わせにあります。

• Modified MIT ライセンス — 帰属表示を主な条件として、大規模な商用利用を許可します。企業にとってもスタートアップにとっても、競争や規模を制限する多くの「オープン」ライセンスより実質的に柔軟です。(Flowtivity)
• Hugging Face でのオープンウェイト配布 — 重みとデプロイガイドがここで利用可能で、K2.5 や K2.6 と同様に vLLM、SGLang、またはカスタム推論スタックへ簡単に取り込めます。(Kimi)
• API 価格 — ホスト型アクセスでは、Kimi API における K2.7 Code の価格は 入力トークン100万あたり約 $0.95、出力トークン100万あたり $4.00 で、大きなコンテキストを扱うコーディングワークロードとしては競争力があります。(FAQ.com)

K2.6 はすでに複数のサードパーティプロバイダー（Novita、Baseten、Fireworks、Parasail）でホストされており、K2.7 Code もそれに続くと見られます。これにより、実験やセルフホスト／ホスト型のハイブリッド構成への移行がしやすくなります。規制の厳しい環境では、API で始めて、同じモデルファミリーのままセルフホスティングへ移行できることは、導入上かなり強いストーリーです。(MyAIGuide)

K2.7 Code が AI コーディングエージェントにとって重要な理由

これまでの多くのAIコーディングツールは、単一セッションのコパイロットでした。オートコンプリート、インライン説明、たまにリファクタリングという使い方です。K2.7 Code は、コストと正確性が単発の完了ではなく計画の長さで決まる 長時間・多ツール・エージェント型ワークフロー のために明確に設計されています。(Kimi) 注目すべき点は3つあります。

1. 256k コンテキストによるロングホライズン計画。 256k のウィンドウがあれば、エージェントはコードベースのスナップショット、設計ドキュメント、ログ、テスト出力など、プロジェクト全体の状態を単一プロンプトで保持できます。強引な分割と脆い検索ヒューリスティクスに頼る必要がありません。これにより、「このサービスを Node から Rust に、テストと CI も含めて移植して」や「このモバイルアプリを新しいデザインシステムで書き換えて」といったエンドツーエンドの作業を、1回のオーケストレーションで実行しやすくなります。(Halmob)
2. 深いチェーン向けの効率的推論。 K2.6 に比べて推論トークンが約30%減ることで、深いチェーンがより扱いやすくなります。より多くのツール呼び出し、より多くの内省、より多くの branch-and-bound 探索を、コストやレイテンシを爆発させずに実行できます。線ではなく木で考える自律開発者にとって、この効率向上は戦略的に重要です。(Moonshot)
3. フロンティア級領域でのオープンウェイト。 K2.6 はすでにオープンウェイトのまま SWE-Bench Pro と HLE で GPT-5 クラスを同等以上にしました。K2.7 Code はその系譜を引き継ぎながら、特にコーディングとエージェントタスクに照準を合わせています。オープンソースの柔軟性を得るために、大きな能力差を受け入れる必要はもうありません。(API易)

実務的には、K2.7 Code は次のような用途で魅力的な基盤になります。

• 週単位でリポジトリを担当する自律的な「AI dev」エージェント。
• 複数サービスにまたがる問題をトリアージ、修正、検証する CI/CD 統合エージェント。
• 新規製品の足場作り、移行作業、可観測性やセキュリティのような横断的要件の適用を行う社内プラットフォームエージェント。

Kimi K2.7 Code の評価を始める方法

すでにオープンウェイトのコーディングモデルを試しているなら、K2.7 Code の導入は全面的な再設計ではなく、焦点を絞った評価スプリントにできます。

1. 既存パイプラインで K2.6 ↔ K2.7 Code を入れ替える。 すでに K2.6 をロングホライズンのコーディングやエージェント実験に使っているなら、K2.7 Code を同じフロー（多段階リファクタリング、マルチエージェントのコードレビュー、ドキュメント + テスト生成）に差し込み、タスク成功率、ツール呼び出し回数、トークン使用量を測定してください。(Noqta)
2. おもちゃのタスクではなく、現実的な「12時間エージェント」シナリオを試す。 スウォーム志向の設計は、意図された用途で使うべきです。つまり、複数サービスや複数リポジトリにまたがる、計画、コーディング、実行、デバッグを含む数時間単位のジョブです。評価が実際の仕事に近いほど、ロングホライズンと効率の恩恵が表れます。(i-SCOOP)
3. ホスティング戦略を早めに決める。 まずは素早く試せる Kimi API から始め、厳格なデータ居住要件や大規模運用でのコスト管理が必要になったら、H100 クラスのハードウェア上のセルフホスティングへ移行する計画を立ててください。Modified MIT ライセンスと Hugging Face 配布は、その移行を前提に設計されています。(AllThings.how)

K2.7 Code がエンジニアリングとプロダクトチームに意味すること

Kimi K2.7 Code は、最先端のコーディングおよびエージェントモデルがもはやクローズドAPIの独占領域ではない ことを示しています。柔軟なライセンスを持つオープンウェイトでも、ベンチマークと実世界のワークフローの両方で十分に競争できる段階に来ています。エンジニアリングチームとプロダクトチームにとって、これは新しい設計空間を開きます。単一ベンダーに縛られることなく、エージェントをインフラや文化に深く組み込めるのです。(MyAIGuide)

開発者プラットフォーム、自律コーディングエージェント、AI同僚を構築しているなら、K2.7 Code は「単なる別モデル」ではなく、特にロングホライズン作業、マルチツールのオーケストレーション、オンプレミスや VPC 展開が必須のときに採用すべき デフォルトのバックボーン候補 として扱う価値があります。(Halmob)

これはまさに モデル非依存のマルチエージェント基盤 に当てはまります。モデル市場は急速に変化しており、勝つのは K2.7 Code のようなコーディング特化モデルを最適な仕事に差し込めるプラットフォームです。スタック全体を再設計する必要はありません。もしそうした基盤を構築しているなら、オープンソースのマルチエージェントプラットフォーム Eigent が、実世界のワークフロー全体で専門モデルをどのようにオーケストレーションできるかをぜひ確認してください。

よくある質問

Kimi K2.7 Code とは何ですか？

Kimi K2.7 Code は Moonshot AI のオープンウェイト・コーディング特化型大規模言語モデルです。1兆パラメータの Mixture-of-Experts（トークンごとに32Bアクティブ）で、256kトークンのコンテキストウィンドウを備え、K2.6 アーキテクチャをベースにしながら、コード生成、ソフトウェアエンジニアリングのワークフロー、エージェント的なツール利用向けに調整されています。Modified MIT ライセンスの下で公開され、Hugging Face に重みがあります。

K2.7 Code は K2.6 よりどう優れていますか？

K2.7 Code は、K2.6 と比べて Kimi Code Bench v2 で21.8%改善、Program Bench で+11.0%、MLS Bench Lite で+31.5%を報告しています。さらに、比較可能なタスクでは推論トークンを約30%少なく使います。結果として、より低いコストとレイテンシで、より高いコーディング精度とエージェント的成功率が得られます。

「推論トークンを30%少なく使う」とは実務上どういう意味ですか？

K2.7 Code は「考えすぎ」を減らすよう最適化されているため、より短い推論チェーンでより良い結果に到達します。ツールを多用するエージェントや tree-of-thought 型エージェントでは、同じ、あるいはより高いタスク成功率を保ちながら、トークンコストとレイテンシを直接下げられます。つまり、より深いチェーンやより多いツール呼び出しを現実的なコストで実行できます。

Kimi K2.7 Code の価格はいくらですか？

Kimi API 経由では、K2.7 Code は入力トークン100万あたり約 $0.95、出力トークン100万あたり $4.00 です。重みは Modified MIT ライセンスでオープンに提供されているため、チームは H100 クラスのハードウェア上で vLLM や SGLang を使ってセルフホストし、大規模運用時のコストを管理することもできます。

Kimi K2.7 Code はオープンソースですか？

はい。Hugging Face 上でオープンウェイトとして配布されており、大規模な商用利用を帰属表示付きで許可する Modified MIT ライセンスの下にあります。Kimi API と Kimi Code 製品でも利用可能で、サードパーティホスティングも K2.6 のプロバイダーに続くと見られています。

Kimi K2.7 Code を Eigent で使えますか？

はい。Eigent のモデル非依存・マルチエージェントアーキテクチャにより、MCP ツールと Skills フレームワークを通じて、K2.7 Code にコーディングやロングホライズンのタスクをルーティングできます。256k コンテキストとトークン効率の高い推論を活かしてリポジトリ規模の作業を行いながら、日常的なタスクには他のモデルを使い続けられます。