Kimi K2.7 Code : le modèle de Moonshot
Le dernier modèle à poids ouverts de Moonshot. Des performances de référence sur les benchmarks agentiques à la frontière de l'open source, avec une interface compatible Claude.
256K tokens · Text / Vision / Code · Prompt cache
Okou n'exécute plus Kimi K2.7 Code. Cette page est conservée comme référence pour ses caractéristiques, ses tarifs et ses benchmarks. Pour le même type de travail, utilisez GPT 5.6 Luna.
Voir GPT 5.6 LunaKimi K2.7 Code est le modèle phare à poids ouverts de Moonshot et, à ce jour, le modèle agentique open source le plus performant sur plusieurs benchmarks publics. Il maintient des exécutions très longues sans perdre le fil (Moonshot a documenté des sessions autonomes de plus de 12 heures et de plus de 4 000 appels d'outils) et accepte nativement les entrées image et vidéo. Le SWE-bench Pro annoncé par l'éditeur atteint 58,6 (devant Claude Opus 4.6 et GPT-5.4 sur ce benchmark), et le taux d'hallucination est passé d'environ 65 % pour K2.6 à environ 39 %.
Le prix catalogue de l'éditeur est de 1,14 $ / 4,80 $ par million de tokens, les poids ouverts sont publiés sous une licence MIT modifiée, et l'API est compatible Anthropic. Optez pour Sonnet 4.6 lorsque la fiabilité du routage d'outils en production prime sur les scores de benchmark, et pour Kimi K2.7 Code lorsque la latence est déterminante.
Qu'est-ce que Kimi K2.7 Code ?
Juin 2026 · Au sommet de la série Kimi K2 à poids ouverts de Moonshot. Successeur de K2.6 et de K2 Thinking.
Kimi K2.7 Code est le modèle agentique à poids ouverts de Moonshot AI sorti en juin 2026. C'est un modèle Mixture-of-Experts (MoE) de 1 000 milliards de paramètres, dont 32 milliards actifs par token. Il appartient à la même famille architecturale que K2.6 et K2 Thinking, avec des gains substantiels en codage agentique et en raisonnement à long horizon.
K2.7 a fait sensation sur les classements indépendants. Les scores annoncés par l'éditeur le placent devant GPT-5.4 (xhigh) et Claude Opus 4.6 (effort maximal) sur SWE-bench Pro, avec un taux d'hallucination de 39 % (contre 65 % pour K2.6). Artificial Analysis le classe 4e de son Intelligence Index. La meilleure option à poids ouverts.
Ce qui distingue Kimi K2.7 Code
Principales caractéristiques d'architecture et de capacités.
K2.7 est un modèle Mixture-of-Experts comptant 1 000 milliards de paramètres au total et 32 milliards actifs par token, avec une fenêtre de contexte de 256K tokens et une entrée multimodale couvrant l'image et la vidéo (sortie en texte uniquement). Moonshot l'associe à un runtime Agent Swarm qui passe à l'échelle horizontalement jusqu'à 300 sous-agents et 4 000 étapes coordonnées, et a documenté des sessions de codage à long horizon de 12 heures ou plus. Les poids ouverts sont publiés sur Hugging Face sous une licence MIT modifiée.
Spécifications en un coup d'œil
Benchmarks de Kimi K2.7 Code
Scores annoncés par l'éditeur, issus du blog de lancement de K2.7 par Moonshot. Des tiers indépendants (Artificial Analysis, TokenMix) corroborent l'ordre relatif. Le taux d'hallucination de K2.7 est tombé à 39 % contre 65 % pour K2.6. Une amélioration notable en matière de sûreté et de fiabilité.
Tarification de Kimi K2.7 Code
Prix catalogue fournisseur, par million de tokens.
Comment Kimi K2.7 Code se comporte en pratique
Comportement observé lors d'exécutions d'agents en production.
Rappel sur contexte long
Le meilleur rappel sur contexte long de notre évaluation interne, sur l'ensemble de la gamme intégrée. Conserve sa cohérence sur de longues transcriptions d'agent là où Anthropic Sonnet commence à dériver.
Benchmarks agentiques
Le SWE-bench Pro de 58,6 annoncé par l'éditeur est le plus élevé de la gamme à l'heure où nous écrivons. Bat GPT-5.4 et Opus 4.6.
Codage à long horizon
Sessions autonomes documentées de plus de 12 heures, réalisant plus de 4 000 appels d'outils. Le modèle maintient réellement ses performances sur des exécutions très longues.
Meilleures tâches d'agent pour Kimi K2.7 Code
L'enquête qui doit lire chaque ancien fil
Fouiller six mois de conversations Slack pour comprendre pourquoi un client est parti, passer au crible l'arriéré de tickets de support pour repérer un motif de bug récurrent, ou recouper des informations à travers une centaine de RFC. Le rappel sur contexte long de K2.7 tient là où Anthropic Sonnet commence à laisser tomber les premiers tours, ce qui correspond exactement aux besoins des workflows « lire toute la pile ».
Le refactoring autonome qui tourne toute la nuit
Moonshot a documenté un refactoring autonome de 13 heures d'un moteur de matching vieux de huit ans, K2.7 soutenant plus de 4 000 appels d'outils sans s'écarter de sa tâche. C'est le genre d'exécution où la plupart des modèles perdent l'objectif vers la deuxième heure ; la stabilité à long horizon de K2.7 est ce qui fait que « le lancer vendredi soir, vérifier lundi matin » fonctionne réellement.
L'agent multimodal qui gère captures d'écran et clips
K2.7 accepte les entrées image et vidéo via MoonViT, ce qui est rare en dehors de la famille Claude. Utile pour les agents de QA pilotés par capture d'écran, les pipelines de vision documentaire, et tout déploiement où il faudrait sinon intégrer un modèle de vision distinct rien que pour lire des images.
Quand éviter Kimi K2.7 Code
Évitez K2.7 sur les cas limites les plus difficiles de routage d'outils, où Sonnet 4.6 conserve l'avantage en fiabilité de production, et sur les workflows historiques figés où le multiplicateur plus bas de K2.6 suffit déjà.
Kimi K2.7 Code vs autres modèles
Kimi K2.7 Code vs GLM-5.2
Tous deux sont des options actuelles à contexte long et à coût réduit. Kimi K2.7 Code est le modèle Moonshot par défaut, avec une meilleure adéquation au codage multimodal ; GLM-5.2 est le modèle Z.AI par défaut actuel, avec une fenêtre de contexte plus large de 1 million de tokens.
Kimi K2.7 Code vs Claude Sonnet 4.6
Sonnet (×1) est en tête sur la fiabilité du routage multi-outils en anglais. K2.7 (×0,3) l'emporte sur le coût et sur les benchmarks agentiques (SWE-bench Pro). Associez-les : Sonnet pour le routage d'outils complexe, K2.7 pour le travail d'agent sensible au coût.
Kimi K2.7 Code vs DeepSeek V4 Pro
DeepSeek V4 Pro est moins cher et dispose d'une fenêtre de contexte plus large de 1 million de tokens. Kimi K2.7 Code est la voie de codage native Moonshot la plus performante et inclut l'entrée vision. Choisissez selon l'adéquation au fournisseur et la forme de la charge de travail.
En résumé : devriez-vous utiliser Kimi K2.7 Code ?
Le choix à poids ouverts par défaut pour le travail d'agent sérieux — contexte long, rentable. Les écarts restants face à Sonnet 4.6 portent sur la fiabilité du routage d'outils et le support entreprise.
Questions fréquentes
Quand Kimi K2.7 Code est-il sorti ?
Moonshot AI a publié Kimi K2.7 Code en juin 2026. Les poids ouverts sont publiés sur Hugging Face sous une licence MIT modifiée.
Quelle est la fenêtre de contexte ?
256K tokens. K2.7 se démarque par la qualité du rappel à cette taille, et non par la taille brute de la fenêtre. Le rappel commence à se dégrader au-delà d'environ 180K (comme pour les autres modèles à 256K).
Comment Kimi K2.7 Code se compare-t-il à Claude Opus 4.6 ?
Sur les benchmarks agentiques (annoncés par l'éditeur), K2.7 est en tête. SWE-bench Pro 58,6 contre 53,4 pour Opus 4.6, HLE avec outils 54,0 contre 53,0. Opus 4.6 conserve un avantage sur le profil de sûreté et la fiabilité du routage d'outils en anglais en production.
K2.7 prend-il en charge l'entrée image ?
Oui. K2.7 accepte les entrées image et vidéo. Sortie en texte uniquement. Les agents multimodaux fonctionnent nativement.
Disponibilité de Kimi K2.7 Code sur Okou
Kimi K2.7 Code a été retiré de l'offre Okou : il ne peut plus être sélectionné dans le chat ni dans un workflow, et il n'est pas disponible avec votre propre clé API. GPT 5.6 Luna couvre le même palier économique.