Kimi K2.7 Code: modelo de Moonshot
El último modelo de peso abierto de Moonshot. Los mejores benchmarks agénticos de su clase en la frontera de código abierto e interfaz compatible con Claude.
256K tokens · Text / Vision / Code · Prompt cache
Okou ya no ejecuta Kimi K2.7 Code. Esta página se mantiene como referencia de sus especificaciones, precios y benchmarks. Para el mismo tipo de trabajo, usa GPT 5.6 Luna.
Ver GPT 5.6 LunaKimi K2.7 Code es el buque insignia de peso abierto de Moonshot y actualmente el modelo agéntico de código abierto más fuerte en varios benchmarks públicos. Mantiene ejecuciones muy largas sin perder el hilo (Moonshot ha documentado sesiones desatendidas de más de 12 horas y más de 4.000 llamadas a herramientas) y acepta entrada de imagen y video de forma nativa. SWE-bench Pro reportado por el proveedor alcanza 58,6 (por encima de Claude Opus 4.6 y GPT-5.4 en ese benchmark), y la tasa de alucinación bajó del ~65% de K2.6 al ~39%.
El precio de lista del proveedor es $1.14 / $4.80 por 1M tokens, pesos abiertos bajo licencia MIT Modificada, y la API es compatible con Anthropic. Recurre a Sonnet 4.6 cuando la fiabilidad de enrutamiento de herramientas en producción importa más que las puntuaciones de benchmark, y a Kimi K2.7 Code cuando la latencia domina.
¿Qué es Kimi K2.7 Code?
junio de 2026 · Cima de la serie Kimi K2 de peso abierto de Moonshot. Sucesor de K2.6 y K2 Thinking.
Kimi K2.7 Code es el modelo agéntico de peso abierto de Moonshot AI lanzado el junio de 2026. Es un modelo Mixture-of-Experts (MoE) de 1 billón de parámetros con 32B parámetros activos por token. La misma familia de arquitectura que K2.6 y K2 Thinking, con ganancias sustanciales en codificación agéntica y razonamiento de largo horizonte.
K2.7 causó un gran impacto en los rankings independientes. Las puntuaciones reportadas por el proveedor lo sitúan por delante de GPT-5.4 (xhigh) y Claude Opus 4.6 (esfuerzo máximo) en SWE-bench Pro, con una tasa de alucinación del 39% (bajando del 65% de K2.6). Artificial Analysis lo clasifica #4 en su Índice de Inteligencia. La opción líder de peso abierto.
Qué destaca de Kimi K2.7 Code
Características principales de arquitectura y capacidades.
K2.7 es un modelo Mixture-of-Experts con 1B parámetros totales y 32B activos por token, con una ventana de contexto de 256K tokens y entrada multimodal de imagen y video (salida solo texto). Moonshot lo combina con un runtime Agent Swarm que escala horizontalmente a 300 sub-agentes y 4.000 pasos coordinados, y ha documentado sesiones de codificación de largo horizonte de 12 horas o más. Los pesos abiertos están publicados en Hugging Face bajo una Licencia MIT Modificada.
Especificaciones rápidas
Benchmarks de Kimi K2.7 Code
Puntuaciones reportadas por el proveedor del blog de lanzamiento de K2.7 de Moonshot. Terceros independientes (Artificial Analysis, TokenMix) corroboran el orden relativo. La tasa de alucinación de K2.7 bajó al 39% desde el 65% de K2.6. Una mejora significativa en seguridad/fiabilidad.
Precios de Kimi K2.7 Code
Precio de lista del proveedor, por 1M de tokens.
Cómo se comporta Kimi K2.7 Code en la práctica
Comportamiento observado en ejecuciones de agentes en producción.
Recuperación de contexto largo
La recuperación de contexto largo más fuerte en nuestra evaluación interna en todo el catálogo Built-in. Mantiene la coherencia en transcripciones largas de agente donde Anthropic Sonnet empieza a desviarse.
Benchmarks agénticos
SWE-bench Pro 58,6 reportado por el proveedor es el más alto del catálogo al momento de escribir. Supera a GPT-5.4 y Opus 4.6.
Codificación de largo horizonte
Sesiones autónomas documentadas de más de 12 horas completando más de 4.000 llamadas a herramientas. El modelo realmente mantiene el rendimiento en ejecuciones muy largas.
Mejores tareas para Kimi K2.7 Code
La investigación que tiene que leer cada hilo antiguo
Excava en seis meses de conversaciones de Slack para encontrar por qué un cliente se dio de baja, peina el backlog de tickets de soporte en busca de un patrón de bug recurrente, o une ideas a través de cientos de RFCs. La recuperación de contexto largo de K2.7 se mantiene en transcripciones donde Anthropic Sonnet empieza a olvidar turnos anteriores, que es exactamente lo que necesitan los flujos de trabajo de "leer todo el montón".
La refactorización autónoma que se ejecuta durante la noche
Moonshot ha documentado una refactorización autónoma de 13 horas de un motor de matching de ocho años, con K2.7 manteniendo más de 4.000 llamadas a herramientas sin desviarse de la tarea. Ese es el tipo de ejecución donde la mayoría de los modelos pierden el objetivo alrededor de la segunda hora; la estabilidad de largo horizonte de K2.7 es lo que hace que "empezar el viernes por la noche, revisar el lunes por la mañana" realmente funcione.
El agente multimodal que maneja capturas de pantalla y clips
K2.7 acepta tanto entrada de imagen como de video a través de MoonViT, lo cual es inusual fuera de la familia Claude. Útil para agentes de QA basados en capturas de pantalla, pipelines de visión de documentos y cualquier despliegue donde de otro modo tendrías que incorporar un modelo de visión separado solo para leer imágenes.
Cuándo evitar Kimi K2.7 Code
Evita K2.7 en los casos límite más difíciles de enrutamiento de herramientas donde Sonnet 4.6 aún lidera en fiabilidad de producción, y en flujos legacy fijados donde el multiplicador más bajo de K2.6 ya es suficiente.
Kimi K2.7 Code vs otros modelos
Kimi K2.7 Code vs GLM-5.2
Ambos son opciones actuales de contexto largo que ahorran costos. K2.7 Code es el predeterminado de Moonshot con mejor ajuste para código multimodal; GLM-5.2 es el predeterminado actual de Z.AI con una ventana de contexto mayor de 1M tokens.
Kimi K2.7 Code vs Claude Sonnet 4.6
Sonnet (×1) lidera en fiabilidad de enrutamiento multi-herramienta en inglés. K2.7 (×0,3) gana en costo y en benchmarks agénticos (SWE-bench Pro). Combínalos: Sonnet para enrutamiento complejo de herramientas, K2.7 para trabajo de agente sensible al costo.
Kimi K2.7 Code vs DeepSeek V4 Pro
DeepSeek V4 Pro es más barato y tiene una ventana de contexto mayor de 1M tokens. Kimi K2.7 Code es la ruta de código nativa de Moonshot más fuerte e incluye entrada de visión. Elige según el ajuste del proveedor y la forma de la carga de trabajo.
Conclusión: ¿deberías usar Kimi K2.7 Code?
El predeterminado de peso abierto para trabajo de agente serio — contexto largo, costo-efectivo. Las brechas restantes frente a Sonnet 4.6 son fiabilidad de enrutamiento de herramientas y soporte empresarial.
Preguntas frecuentes
¿Cuándo se lanzó Kimi K2.7 Code?
Moonshot AI lanzó Kimi K2.7 Code el junio de 2026. Los pesos abiertos están publicados en Hugging Face bajo una Licencia MIT Modificada.
¿Cuál es la ventana de contexto?
256K tokens. K2.7 se diferencia por la calidad de recuperación a ese tamaño, no por el tamaño bruto de la ventana. La recuperación empieza a degradarse pasados ~180K (similar a otros modelos de 256K).
¿Cómo se compara Kimi K2.7 Code con Claude Opus 4.6?
En benchmarks agénticos (reportados por el proveedor), K2.7 lidera. SWE-bench Pro 58,6 vs 53,4 de Opus 4.6, HLE con herramientas 54,0 vs 53,0. Opus 4.6 mantiene una ventaja en perfil de seguridad y fiabilidad de enrutamiento de herramientas en inglés en producción.
¿K2.7 soporta entrada de imágenes?
Sí. K2.7 acepta entrada de imagen y video. Salida solo texto. Los agentes multimodales funcionan de forma nativa.
Disponibilidad de Kimi K2.7 Code en Okou
Kimi K2.7 Code se ha retirado del catálogo de Okou, por lo que ya no puede seleccionarse en el chat ni en un workflow, y tampoco está disponible con tu propia clave de API. GPT 5.6 Luna cubre el mismo nivel de ahorro de costes.