Kimi K2.7 Code: Agent kodujący open source Moonshot AI o 1T parametrów, który zmniejsza liczbę tokenów rozumowania o 30%

Większość modeli kodujących AI jest nadal oceniana na podstawie jednorazowych ukończeń. Kimi K2.7 Code został zbudowany do trudniejszego zadania: długiego horyzontu inżynierii oprogramowania, w którym o poprawności i koszcie decydują planowanie i orkiestracja, a nie autouzupełnianie. To najnowszy model kodujący open source od Moonshot AI — Mixture-of-Experts (MoE) o 1 bilionie parametrów, dostrojony specjalnie pod autonomiczne agenty — i według doniesień osiąga 21,8% wzrost na Kimi Code Bench v2 względem K2.6, zużywając przy tym około 30% mniej tokenów rozumowania. Jest udostępniany na liberalnej licencji Modified MIT, a wagi są dostępne na Hugging Face. (MarkTechPost)

Ten przewodnik wyjaśnia, czym dokładnie jest K2.7 Code, jak ulepsza K2.6, gdzie znajduje się w rodzinie K2, jakie ma licencjonowanie i ceny oraz jakie wzorce wykorzystują twórcy, aby wdrażać go w platformach agentowych takich jak Eigent.

Czym jest Kimi K2.7 Code?

Kimi K2.7 Code to model językowy dużej skali z otwartymi wagami, wyspecjalizowany w kodowaniu, od Moonshot AI, zbudowany na architekturze K2.6, ale dostrojony explicite do generowania kodu, workflowów inżynierii oprogramowania oraz agentowego użycia narzędzi. Zamiast być ogólnym modelem konwersacyjnym, Moonshot opisuje go jako agenta kodującego długiego horyzontu, zaprojektowanego do obsługi „real work” w edytorach, terminalach i środowiskach orkiestracji wielu narzędzi. (Kimi)

Pod maską K2.7 Code korzysta z architektury Mixture-of-Experts z 1 bilionem parametrów łącznie i około 32 miliardami aktywnych parametrów na token — w tej samej skali strukturalnej co K2.6, ale z zaktualizowanymi ekspertami i routingiem dostrojonym pod kodowanie. Wersja ta ma okno kontekstu 256k tokenów, co pozwala agentom utrzymywać w kontekście duże bazy kodu, logi i wieloetapowe plany bez agresywnego dzielenia na fragmenty. (FAQ.com)

Wagi są udostępnione jako open source na licencji Modified MIT, a artefakty znajdują się na Hugging Face; K2.7 Code jest też dostępny przez Kimi API i produkt Kimi Code. To połączenie — wydajność kodowania z najwyższej półki oraz liberalne licencjonowanie — czyni go natychmiast istotnym dla zespołów budujących własnościowych developerów AI, code copilots i autonomiczne platformy agentowe. To kodowy kuzyn innych flagowych modeli open-weight, o których pisaliśmy, takich jak GLM-5.2 od Zhipu i DeepSeek V4 Pro. (Flowtivity)

Kluczowe ulepszenia względem K2.6 w kodowaniu i agentach

Własne benchmarki Moonshot oraz opisy zewnętrzne podkreślają trzy najważniejsze zmiany: lepszą dokładność kodowania, wyższą skuteczność agentową i niższe zużycie tokenów rozumowania. (Noqta)

• +21,8% na Kimi Code Bench v2 względem K2.6 — K2.7 Code poprawia wynik na wewnętrznym benchmarku kodowania Kimi względem K2.6, który już wcześniej wyprzedzał wiele zamkniętych modeli w trudnych publicznych zadaniach kodowania. (MarkTechPost)
• +11,0% na Program Bench i +31,5% na MLS Bench Lite — w wątku premierowym Kimi podano, że K2.7 Code wyprzedza K2.6 na obu, celując w program synthesis i wieloetapowe rozumowanie wokół kodu. (Moonshot)
• ~30% mniej tokenów rozumowania — model jest wyraźnie zoptymalizowany pod „less overthinking”, zużywając około 30% mniej tokenów rozumowania niż K2.6 przy porównywalnych zadaniach, a jednocześnie osiągając lepsze wyniki. (FAQ.com)

Dla zespołów uruchamiających głębokie agentów tree-of-thought lub mocno korzystających z narzędzi, ten ostatni punkt ma kluczowe znaczenie: redukcja tokenów rozumowania o 30% bezpośrednio obniża koszt i opóźnienie przy takim samym lub lepszym wskaźniku skuteczności zadania. Zamiast wymieniać głębokość łańcucha na koszt, K2.7 Code ma dostarczać zarówno bardziej efektywne rozumowanie, jak i wyższe wyniki w benchmarkach. (Noqta)

Jak K2.7 Code wpisuje się w rodzinę K2

Najlepiej myśleć o K2.7 Code jako o najnowszej specjalizacji „code agent” na bazie szybko ewoluującej linii K2.

Kimi K2.5: wizualna inteligencja agentowa z wykonaniem w swarmie

K2.5 wprowadził historię „visual agentic intelligence” Kimi — natywny model multimodalny łączący język, kod i wizję. Trenowany na około 15 bilionach mieszanych tokenów wizualnych i tekstowych z dedykowanym enkoderem wizji MoonViT (~400M parametrów), świetnie radził sobie z zamienianiem zrzutów ekranu, projektów UI i dokumentów w działające interfejsy i ustrukturyzowane wyniki. (Hugging Face)

Dostarczono także Agent Swarm, runtime koordynujący do ~100 podagentów i ~1,500 wywołań narzędzi na zadanie, zapewniający około 4,5× szybsze wykonanie niż konfiguracja z jednym agentem przy szerokich zadaniach wyszukiwania. Wśród HLE, BrowseComp, MMMU Pro, VideoMMMU i SWE-Bench Verified K2.5 osiągnął wyniki state-of-the-art wśród modeli open-weight. (InfoQ)

Kimi K2.6: model open-weight 1T dla długiego horyzontu swarmów agentowych

K2.6 rozwinął te pomysły dzięki backbone MoE o 1T parametrów (32B aktywnych) i oknu kontekstu 256k, celując bezpośrednio w długohoryzontalne kodowanie i wielkoskalowe swarmy agentowe. Jest open-weight na licencji Modified MIT, obsługuje wejście multimodalne i jest przeznaczony do refaktoryzacji na poziomie repozytorium, projektowania opartego na kodzie oraz automatyzacji badań trwającej wiele godzin. (MyAIGuide)

Moonshot i analizy partnerskie podają, że K2.6:

• Przewyższa GPT-5.4 i modele klasy Claude Opus w SWE-Bench Pro oraz Humanity's Last Exam — jako pierwszy model open-weight, który rości sobie prawo do jednoczesnego zajęcia najwyższego miejsca w obu. (API易)
• Może wykonywać autonomiczne zadania trwające ponad 12 godzin z nawet ~300 równoległymi podagentami i ~4,000 skoordynowanych wywołań narzędzi w jednym przebiegu, zachowując spójny plan i stan w całym swarmie. (Halmob)
• Może być wdrażany na sprzęcie klasy H100 z vLLM lub SGLang, wykorzystując natywne wagi INT4 i otwarte licencjonowanie do ekonomicznego self-hostingu. (AllThings.how)

Kimi K2.7 Code: specjalista od kodowania na bazie K2.6

K2.7 Code opiera się na tym fundamencie jako następca K2.6 wyspecjalizowany w kodowaniu, zachowując skalę 1T MoE i kontekst 256k, ale ponownie optymalizując się pod kod długiego horyzontu i rozumowanie agentowe. Zamiast próbować być najlepszym ogólnym rozmówcą, stawia na „coding agent” jako swoją podstawową tożsamość. (MarkTechPost)

Dla zespołów już badających K2.5/K2.6 jako open-weight alternatywy dla API klasy GPT i Claude, K2.7 Code to mniej nowa architektura, a bardziej lepsza wydajność kodowania na token.

Licencjonowanie, ceny i opcje wdrożenia

Dużą częścią atrakcyjności K2.7 Code jest połączenie otwartych wag i względnie liberalnego licencjonowania.

• Licencja Modified MIT — umożliwia komercyjne użycie na dużą skalę, a głównym ograniczeniem jest podanie autorstwa. Dla przedsiębiorstw i startupów oznacza to znacznie większą elastyczność niż wiele „otwartych” licencji, które ograniczają konkurencję lub skalę. (Flowtivity)
• Dystrybucja open-weight na Hugging Face — wagi i przewodniki wdrożeniowe są tam dostępne, podobnie jak w K2.5 i K2.6, co ułatwia podłączenie do vLLM, SGLang lub własnych stosów inference. (Kimi)
• Cennik API — w przypadku hostowanego dostępu Kimi API wycenia K2.7 Code na około $0.95 za milion tokenów wejściowych i $4.00 za milion tokenów wyjściowych, co jest konkurencyjne dla dużych obciążeń kodujących z dużym kontekstem. (FAQ.com)

K2.6 jest już hostowany przez wielu zewnętrznych dostawców (Novita, Baseten, Fireworks, Parasail), a K2.7 Code prawdopodobnie pójdzie tą samą drogą — zmniejszając tarcie przy eksperymentach i hybrydowych wdrożeniach self-hosted/hosted. W środowiskach regulowanych możliwość rozpoczęcia od API i późniejszej migracji do self-hostingu w ramach tej samej rodziny modeli to mocny argument za adopcją. (MyAIGuide)

Dlaczego K2.7 Code ma znaczenie dla agentów kodujących AI

Większość dotychczasowych narzędzi do kodowania AI była jednosesyjnymi copilots: autouzupełnianie, wyjaśnienia inline, okazjonalne refaktoryzacje. K2.7 Code został zaprojektowany explicite pod długotrwałe workflowy wielonarzędziowe w stylu agentowym, gdzie koszt i poprawność zależą bardziej od horyzontu planowania niż od jednorazowych ukończeń. (Kimi) Na uwagę zasługują trzy aspekty:

1. Planowanie długiego horyzontu z kontekstem 256k. Okno 256k pozwala agentom utrzymywać stan całego projektu — migawki bazy kodu, dokumenty projektowe, logi, wyniki testów — w jednym promptcie, zamiast agresywnie dzielić wszystko na fragmenty i polegać na kruchych heurystykach wyszukiwania. Dzięki temu zadania end-to-end, takie jak „przenieś ten serwis z Node do Rust wraz z testami i CI” albo „przepisz tę aplikację mobilną na nowy system projektowy”, stają się wykonalne w jednym skoordynowanym przebiegu. (Halmob)
2. Efektywne rozumowanie dla głębokich łańcuchów. Około 30% redukcji tokenów rozumowania względem K2.6 sprawia, że głębsze łańcuchy są mniej kosztowne — można pozwolić sobie na więcej wywołań narzędzi, więcej introspekcji i więcej eksploracji typu branch-and-bound bez eksplozji kosztu i opóźnienia. Dla autonomicznych developerów, którzy myślą w drzewach, a nie liniach, ten zysk efektywności ma strategiczne znaczenie. (Moonshot)
3. Otwarte wagi w segmencie klasy frontier. K2.6 już dorównywał modelom klasy GPT-5 lub je przewyższał w SWE-Bench Pro i HLE, pozostając modelem open-weight; K2.7 Code dziedziczy to rodowód, jednocześnie celując konkretnie w zadania kodowania i agentowe. Zespoły nie muszą już akceptować dużej luki możliwości, aby uzyskać elastyczność open source. (API易)

W praktyce czyni to K2.7 Code atrakcyjnym fundamentem dla:

• Autonomicznych agentów „AI dev”, którzy przez tygodnie, a nie minuty, opiekują się repozytorium.
• Agentów zintegrowanych z CI/CD, którzy triage’ują, naprawiają i walidują problemy w wielu usługach.
• Wewnętrznych agentów platformowych, którzy tworzą szkielety nowych produktów, wykonują migracje lub egzekwują przekrojowe kwestie, takie jak obserwowalność i bezpieczeństwo.

Jak zacząć oceniać Kimi K2.7 Code

Jeśli już eksperymentujesz z modelami kodującymi open-weight, integracja K2.7 Code może być skupionym sprintem ewaluacyjnym, a nie pełnym przeprojektowaniem.

1. Zamień K2.6 ↔ K2.7 Code w istniejących pipeline’ach. Jeśli już używasz K2.6 do długiego kodowania lub eksperymentów agentowych, podmień K2.7 Code w tych samych przepływach (wieloetapowe refaktoryzacje, code review z wieloma agentami, generowanie dokumentacji i testów) i zmierz skuteczność zadań, liczbę wywołań narzędzi oraz zużycie tokenów. (Noqta)
2. Testuj realistyczne scenariusze „12-godzinnego agenta”, a nie zabawkowe zadania. Wykorzystaj projekt swarmowy zgodnie z jego przeznaczeniem: wielogodzinne zadania obejmujące planowanie, kodowanie, uruchamianie i debugowanie w wielu usługach i repozytoriach. Im bardziej ewaluacja przypomina realną pracę, tym bardziej ujawniają się korzyści z długiego horyzontu i efektywności. (i-SCOOP)
3. Ustal strategię hostingu na wczesnym etapie. Zacznij od Kimi API dla szybkiej iteracji, a następnie zaplanuj ścieżkę migracji do self-hostingu na sprzęcie klasy H100, jeśli potrzebujesz ścisłej suwerenności danych lub kontroli kosztów na dużą skalę. Licencja Modified MIT i dystrybucja na Hugging Face są celowo dopasowane do takiej trajektorii. (AllThings.how)

Co K2.7 Code oznacza dla zespołów inżynieryjnych i produktowych

Kimi K2.7 Code sygnalizuje, że modele kodujące i agentowe klasy frontier nie są już wyłączną domeną zamkniętych API — otwarte wagi z elastycznym licencjonowaniem mogą dziś wiarygodnie konkurować zarówno w benchmarkach, jak i w realnych workflowach. Dla zespołów inżynieryjnych i produktowych otwiera to nową przestrzeń projektową: agenci głęboko osadzeni w infrastrukturze i kulturze, bez przywiązania do jednego dostawcy. (MyAIGuide)

Jeśli budujesz platformy deweloperskie, autonomiczne agenty kodujące albo współpracowników AI, K2.7 Code warto traktować nie jako „kolejny model”, lecz jako potencjalny domyślny backbone — zwłaszcza gdy praca długiego horyzontu, orkiestracja wielu narzędzi oraz wdrożenia on-prem lub w VPC są nie do negocjacji. (Halmob)

To właśnie przypadek dla neutralnej wobec modeli, wieloagentowej infrastruktury. Krajobraz modeli zmienia się szybko, a wygrywają platformy, które potrafią podpiąć specjalistę od kodowania, takiego jak K2.7 Code, do pracy, w której jest najlepszy — bez przebudowy całego stosu. Jeśli budujesz właśnie na takim fundamencie, zobacz, jak open-source’owa, wieloagentowa platforma Eigent pozwala orkiestrujesz specjalistyczne modele w realnych workflowach.

Najczęściej zadawane pytania

Czym jest Kimi K2.7 Code?

Kimi K2.7 Code to otwartowagowy, wyspecjalizowany w kodowaniu duży model językowy Moonshot AI — Mixture-of-Experts o 1 bilionie parametrów (32B aktywnych na token) z oknem kontekstu 256k tokenów, zbudowany na architekturze K2.6, ale dostrojony do generowania kodu, workflowów inżynierii oprogramowania i agentowego użycia narzędzi. Jest wydany na licencji Modified MIT z wagami na Hugging Face.

Czym K2.7 Code różni się na korzyść od K2.6?

K2.7 Code deklaruje 21,8% poprawy na Kimi Code Bench v2 względem K2.6, a także +11,0% na Program Bench i +31,5% na MLS Bench Lite — przy jednoczesnym zużyciu około 30% mniej tokenów rozumowania w porównywalnych zadaniach. Efekt netto to lepsza dokładność kodowania i większa skuteczność agentowa przy niższym koszcie i mniejszym opóźnieniu.

Co w praktyce oznacza „30% mniej tokenów rozumowania”?

K2.7 Code jest zoptymalizowany tak, aby mniej „przemyślać” temat, dzięki czemu dochodzi do lepszych wyników krótszymi łańcuchami rozumowania. W przypadku agentów korzystających intensywnie z narzędzi lub tree-of-thought bezpośrednio przekłada się to na niższy koszt tokenów i mniejsze opóźnienie przy takim samym — lub wyższym — wskaźniku sukcesu zadania, co sprawia, że głębsze łańcuchy i większa liczba wywołań narzędzi stają się opłacalne.

Ile kosztuje Kimi K2.7 Code?

Przez Kimi API K2.7 Code kosztuje około $0.95 za milion tokenów wejściowych i $4.00 za milion tokenów wyjściowych. Ponieważ wagi są otwarte na licencji Modified MIT, zespoły mogą też self-hostować model na sprzęcie klasy H100 z vLLM lub SGLang, aby kontrolować koszty na dużą skalę.

Czy Kimi K2.7 Code jest open source?

Tak. Jest dystrybuowany jako open weights na Hugging Face na licencji Modified MIT, która dopuszcza komercyjne użycie na dużą skalę z atrybucją. Jest też dostępny przez Kimi API i produkt Kimi Code, a hostowanie przez zewnętrznych dostawców ma pojawić się po modelu K2.6.

Czy mogę używać Kimi K2.7 Code z Eigent?

Tak. Architektura Eigent, neutralna wobec modeli i wieloagentowa, pozwala kierować zadania kodujące i długiego horyzontu do K2.7 Code przez jego narzędzia MCP i framework Skills — wykorzystując kontekst 256k i efektywne tokenowo rozumowanie do pracy na poziomie repozytorium, a inne modele pozostawiając do zadań rutynowych.