Kimi K2.7 Code：Moonshot AI 的 1T 开源编码 Agent，让推理 token 减少 30%

大多数 AI 编码模型至今仍主要按一次性生成结果来评分。Kimi K2.7 Code 解决的是更难的问题：长周期软件工程，其正确性和成本主要由规划与编排决定，而不是自动补全。它是 Moonshot AI 最新的开源编码模型——一个专为自主 agents 调优的 1 万亿参数专家混合模型（MoE）——据称在 Kimi Code Bench v2 上相比 K2.6 提升 21.8%，同时使用大约 30% 更少的推理 token。它采用宽松的 Modified MIT 许可发布，权重已上线 Hugging Face。(MarkTechPost)

本指南将拆解 K2.7 Code 的实际含义、它如何在 K2.6 的基础上改进、它在 K2 家族中的位置、许可与定价，以及构建者如何把它用于 Eigent 这类 agent 平台中。

什么是 Kimi K2.7 Code？

Kimi K2.7 Code 是 Moonshot AI 推出的一个开源权重、代码专精的大语言模型，建立在 K2.6 架构之上，但专门针对代码生成、软件工程工作流和 agent 式工具使用进行了调优。Moonshot 并不把它描述为通用对话模型，而是一个面向长周期编码任务的 agent，旨在驱动编辑器、终端以及多工具编排运行时中的“真实工作”。(Kimi)

在底层，K2.7 Code 采用专家混合架构，拥有 1 万亿总参数和每个 token 约 320 亿激活参数——与 K2.6 处于同一结构规模，但专家和路由机制针对编码进行了更新。它提供 256k token 上下文窗口，让 agents 能在上下文中保留大型代码库、日志和多步计划，而无需激进切分。(FAQ.com)

这些权重以 Modified MIT 许可 开源，并在 Hugging Face 上提供，同时 K2.7 Code 也可通过 Kimi API 和 Kimi Code 产品访问。这种组合——前沿级编码性能加上宽松许可——使它对构建专有 AI 开发者、代码副驾驶和自主 agent 平台的团队尤其有吸引力。它是我们之前介绍过的其他开源权重旗舰模型的代码专精近亲，例如 智谱 GLM-5.2 和 DeepSeek V4 Pro。(Flowtivity)

K2.7 Code 相比 K2.6 在编码和 agents 方面的关键改进

Moonshot 自己的基准测试和第三方解读突出展示了三项核心变化：更好的编码准确率、更高的 agent 成功率，以及更低的推理 token 用量。(Noqta)

• 相比 K2.6，在 Kimi Code Bench v2 上提升 21.8% — K2.7 Code 在 Kimi 的内部编码基准上优于 K2.6，而 K2.6 本身已经在许多困难的公开编码任务中领先不少闭源模型。(MarkTechPost)
• Program Bench 提升 11.0%，MLS Bench Lite 提升 31.5% — 在 Kimi 的发布线程中，K2.7 Code 被报告在这两项上均超过 K2.6，目标直指程序合成以及围绕代码的多步推理。(Moonshot)
• 推理 token 约减少 30% — 该模型明确针对“少过度思考”进行优化，在类似任务上相较 K2.6 约消耗少 30% 的推理 token，同时取得更好的结果。(FAQ.com)

对于运行深度树状思考或重工具调用 agents 的团队来说，最后这一点至关重要：推理 token 减少 30% 会直接降低相同或更高任务成功率下的成本和延迟。K2.7 Code 的目标不是在链路深度和成本之间二选一，而是同时提供更高效的推理和更高的基准分数。(Noqta)

K2.7 Code 在 K2 家族中的位置

把 K2.7 Code 看作快速演进的 K2 线路上最新的“代码 agent”专精版本会更容易理解。

Kimi K2.5：具备 swarm 执行能力的视觉 agent 智能

K2.5 引入了 Kimi 的“视觉 agent 智能”叙事——一个原生多模态模型，融合语言、代码和视觉。它使用约 15 万亿混合视觉与文本 token 训练，并配备专门的 MoonViT 视觉编码器（约 4 亿参数），擅长将截图、UI 设计和文档转化为可工作的界面和结构化输出。(Hugging Face)

它还发布了 Agent Swarm，一个运行时可协调多达约 100 个子 agents 和每个任务约 1,500 次工具调用，在广泛搜索类工作负载上比单 agent 方案快约 4.5 倍。在 HLE、BrowseComp、MMMU Pro、VideoMMMU 和 SWE-Bench Verified 上，K2.5 在开源权重模型中拿到了 SOTA 级别成绩。(InfoQ)

Kimi K2.6：面向长周期 agent swarm 的 1T 开源权重模型

K2.6 进一步推进了这些想法，采用 1T 参数 MoE 主干（32B 激活）和 256k 上下文窗口，明确面向长周期编码和大规模 agent swarm。它以 Modified MIT 许可提供开源权重，支持多模态输入，并面向仓库级重构、代码驱动设计和持续数小时的研究自动化。(MyAIGuide)

Moonshot 和合作方分析报告称，K2.6：

• 在 SWE-Bench Pro 和 Humanity's Last Exam 上超过 GPT-5.4 和 Claude Opus 级模型——成为首个同时在这两项上都宣称领先的开源权重模型。(API易)
• 可在单次运行中执行 12 小时以上的自主任务，并协调多达约 300 个并行子 agents 和约 4,000 次工具调用，在整个 swarm 中保持一致的计划和状态。(Halmob)
• 可在 H100 级硬件上通过 vLLM 或 SGLang 部署，利用原生 INT4 权重和开源许可实现高性价比自托管。(AllThings.how)

Kimi K2.7 Code：建立在 K2.6 之上的代码专精模型

K2.7 Code 建立在这一基础上，作为 K2.6 的代码专精继任者，保留了 1T MoE 规模和 256k 上下文，但针对长周期代码与 agent 推理重新优化。它不再试图成为最强的通用对话模型，而是将“编码 agent”作为核心身份。(MarkTechPost)

对于已经将 K2.5/K2.6 视为 GPT 和 Claude 级 API 开源权重替代方案的团队来说，K2.7 Code 的意义不在于全新的架构，而在于 更高的单 token 编码性能。

许可、定价与部署选项

K2.7 Code 的一个重要吸引力在于开源权重与相对宽松许可的结合。

• Modified MIT 许可——允许大规模商业用途，主要限制是需要署名。对企业和初创公司来说，这比许多限制竞争或规模的“开源”许可灵活得多。(Flowtivity)
• Hugging Face 上的开源权重分发——权重和部署指南都可在那里获取，类似 K2.5 和 K2.6，使其很容易接入 vLLM、SGLang 或自定义推理栈。(Kimi)
• API 定价——对于托管访问，Kimi API 将 K2.7 Code 定价为每百万输入 token 约 $0.95、每百万输出 token 约 $4.00，对于大上下文编码工作负载具有竞争力。(FAQ.com)

K2.6 已经被多家第三方服务商（Novita、Baseten、Fireworks、Parasail）托管，而 K2.7 Code 预计也会跟进——这将降低实验和混合自托管/托管部署的门槛。对于受监管环境来说，先从 API 开始，再在同一模型家族下过渡到自托管，是一个很强的采用路径。(MyAIGuide)

为什么 K2.7 Code 对 AI 编码 agents 很重要

迄今为止，大多数 AI 编码工具都还是单会话副驾驶：自动补全、行内解释、偶尔重构。K2.7 Code 则明确面向 长时间运行、多工具、agent 风格工作流，其中成本和正确性主要由规划视野决定，而不是一次性生成结果。(Kimi) 有三个方面尤为突出：

1. 借助 256k 上下文进行长周期规划。 256k 窗口让 agents 能在单个 prompt 中保留完整项目状态——代码库快照、设计文档、日志、测试输出——而不是激进切块并依赖脆弱的检索启发式。这使诸如“把这个服务从 Node 迁移到 Rust，包括测试和 CI”或“用新的设计系统重写这个移动应用”之类端到端任务，能够在一次编排运行中完成。(Halmob)
2. 面向深层链路的高效推理。 相比 K2.6，推理 token 约减少 30%，让更深的链路不再那么昂贵——你可以负担更多工具调用、更多自省和更多分支界限探索，而不会让成本和延迟失控。对于像树一样思考而不是像直线一样思考的自主开发者来说，这种效率提升具有战略意义。(Moonshot)
3. 处于前沿级别的开源权重。 K2.6 已经在保持开源权重的同时，在 SWE-Bench Pro 和 HLE 上与 GPT-5 级模型打平甚至超越；K2.7 Code 继承了这一脉络，并专注于编码和 agent 任务。团队不再需要为了获得开源灵活性而接受巨大的能力差距。(API易)

在实践中，这使 K2.7 Code 成为以下场景的有吸引力骨干：

• 可在数周而不是数分钟内持续负责一个仓库的自主“AI 开发者”agents。
• 集成到 CI/CD 的 agents，用于跨多个服务分诊、修复和验证问题。
• 内部平台 agents，用于搭建新产品、执行迁移，或强制落实可观测性和安全性等横切关注点。

如何开始评估 Kimi K2.7 Code

如果你已经在试验开源权重编码模型，那么集成 K2.7 Code 可以是一轮聚焦的评估冲刺，而不必是一次彻底重构。

1. 在现有流水线中替换 K2.6 ↔ K2.7 Code。 如果你已经在长周期编码或 agent 实验中使用 K2.6，就把 K2.7 Code 放入相同流程（多步重构、多 agent 代码审查、文档 + 测试生成），并衡量任务成功率、工具调用次数和 token 使用量。(Noqta)
2. 测试真实的“12 小时 agent”场景，而不是玩具任务。 用 swarm 导向的设计去做它擅长的事：跨服务和仓库，涵盖规划、编码、运行和调试的数小时任务。你的评测越接近真实工作，长周期和效率优势就越明显。(i-SCOOP)
3. 尽早决定你的托管策略。 先用 Kimi API 快速迭代，然后如果你需要严格的数据驻留或大规模成本控制，再规划迁移到 H100 级硬件上的自托管。Modified MIT 许可和 Hugging Face 分发正是有意与这一路径保持一致。(AllThings.how)

K2.7 Code 对工程和产品团队意味着什么

Kimi K2.7 Code 表明，前沿级编码和 agent 模型不再是闭源 API 的专属领域——具备灵活许可的开源权重，现在可以在基准测试和真实工作流两方面都具备有力竞争力。对于工程和产品团队而言，这打开了新的设计空间：agents 可以深度嵌入基础设施和组织文化，而不必被单一供应商锁定。(MyAIGuide)

如果你正在构建开发者平台、自主编码 agents 或 AI 同事，那么 K2.7 Code 值得被视为不仅仅是“又一个模型”，而是一个候选的 默认骨干——尤其是在长周期工作、多工具编排以及本地部署或 VPC 部署不可妥协的情况下。(Halmob)

这正是 模型无关的多 agent 基础设施 的典型场景。模型格局变化很快，而赢家平台是那些能够把像 K2.7 Code 这样的代码专精模型插入到最适合它的工作中的平台——而不需要重新设计整个技术栈。如果这正是你正在构建的基础，欢迎了解开源、多 agent 平台 Eigent 如何让你在真实工作流中编排专用模型。

常见问题

什么是 Kimi K2.7 Code？

Kimi K2.7 Code 是 Moonshot AI 的开源权重、代码专精大语言模型——一个 1 万亿参数的专家混合模型（每个 token 约 320 亿激活），拥有 256k token 上下文窗口，建立在 K2.6 架构之上，但针对代码生成、软件工程工作流和 agent 式工具使用进行了调优。它以 Modified MIT 许可发布，权重托管在 Hugging Face 上。

K2.7 Code 比 K2.6 好在哪里？

K2.7 Code 在 Kimi Code Bench v2 上相较 K2.6 提升 21.8%，在 Program Bench 上提升 11.0%，在 MLS Bench Lite 上提升 31.5%——同时在相近任务上推理 token 约减少 30%。综合效果是在更低成本和更低延迟下获得更好的编码准确率和 agent 成功率。

“推理 token 减少 30%”在实际中意味着什么？

K2.7 Code 被优化为更少“过度思考”，因此能够用更短的推理链获得更好的结果。对于重工具调用或树状思考 agents 来说，这会直接转化为更低的 token 成本和更低延迟，在相同或更高任务成功率下，深层链路和更多工具调用都变得更可负担。

Kimi K2.7 Code 多少钱？

通过 Kimi API，K2.7 Code 的价格大约是每百万输入 token $0.95、每百万输出 token $4.00。由于权重以 Modified MIT 许可开源，团队也可以在 H100 级硬件上通过 vLLM 或 SGLang 自托管，以便在大规模场景下控制成本。

Kimi K2.7 Code 是开源的吗？

是的。它以开源权重形式在 Hugging Face 上分发，采用 Modified MIT 许可，允许在署名条件下进行大规模商业使用。它也可通过 Kimi API 和 Kimi Code 产品使用，第三方托管预计会跟随 K2.6 的服务商模式出现。

我可以在 Eigent 中使用 Kimi K2.7 Code 吗？

可以。Eigent 的模型无关、多 agent 架构可以让你通过其 MCP tools 和 Skills 框架，将编码和长周期任务路由给 K2.7 Code——利用它的 256k 上下文和 token 高效推理来处理仓库级工作，同时把其他模型保留给日常任务。