Kimi K2.7 Code: il modello di Moonshot
L'ultimo modello open-weight di Moonshot. Benchmark agentici al vertice della frontiera open-source e un'interfaccia compatibile con Claude.
256K tokens · Text / Vision / Code · Prompt cache
Okou non esegue più Kimi K2.7 Code. Questa pagina resta come riferimento per specifiche, prezzi e benchmark. Per lo stesso tipo di lavoro, usa GPT 5.6 Luna.
Vedi GPT 5.6 LunaKimi K2.7 Code è il modello di punta open-weight di Moonshot e attualmente il modello agentico open-source più forte su diversi benchmark pubblici. Sostiene esecuzioni molto lunghe senza perdere il filo (Moonshot ha documentato sessioni autonome di oltre 12 ore e più di 4.000 chiamate a strumenti) e accetta input di immagini e video in modo nativo. Il punteggio SWE-bench Pro riportato dal vendor raggiunge 58,6 (sopra Claude Opus 4.6 e GPT-5.4 su quel benchmark) e il tasso di allucinazione è sceso dal ~65% di K2.6 al ~39%.
Il prezzo di listino del vendor è di $1,14 / $4,80 per 1M di token, i pesi open vengono distribuiti con una licenza Modified MIT e l'API è compatibile con Anthropic. Affidati a Sonnet 4.6 quando l'affidabilità del routing degli strumenti in produzione conta più dei punteggi nei benchmark, e a Kimi K2.7 Code quando domina la latenza.
Cos'è Kimi K2.7 Code?
Giugno 2026 · Al vertice della serie open-weight Kimi K2 di Moonshot. Successore di K2.6 e K2 Thinking.
Kimi K2.7 Code è il modello agentico open-weight di Moonshot AI, rilasciato a giugno 2026. È un modello Mixture-of-Experts (MoE) da 1 trilione di parametri con 32B di parametri attivi per token. La stessa famiglia architetturale di K2.6 e K2 Thinking, con guadagni sostanziali nella programmazione agentica e nel ragionamento a lungo orizzonte.
K2.7 ha fatto davvero scalpore nelle classifiche indipendenti. I punteggi riportati dal vendor lo collocano davanti a GPT-5.4 (xhigh) e Claude Opus 4.6 (max effort) su SWE-bench Pro, con un tasso di allucinazione del 39% (in calo dal 65% di K2.6). Artificial Analysis lo posiziona al 4° posto nel suo Intelligence Index. L'opzione open-weight di riferimento.
Cosa rende notevole Kimi K2.7 Code
Caratteristiche principali di architettura e capacità.
K2.7 è un modello Mixture-of-Experts con 1T di parametri totali e 32B attivi per token, dotato di una finestra di contesto da 256K token e input multimodale tra immagini e video (output solo testuale). Moonshot lo abbina a un runtime Agent Swarm che scala orizzontalmente fino a 300 sotto-agenti e 4.000 passi coordinati, e ha documentato sessioni di programmazione a lungo orizzonte di 12 ore o più. I pesi open sono pubblicati su Hugging Face con una licenza Modified MIT.
Specifiche in breve
Benchmark di Kimi K2.7 Code
Punteggi riportati dal vendor tratti dal blog di rilascio di K2.7 di Moonshot. Parti terze indipendenti (Artificial Analysis, TokenMix) confermano l'ordinamento relativo. Il tasso di allucinazione di K2.7 è sceso al 39% dal 65% di K2.6. Un miglioramento significativo in termini di sicurezza/affidabilità.
Prezzi di Kimi K2.7 Code
Prezzo di listino del provider, per 1M di token.
Come si comporta Kimi K2.7 Code nella pratica
Comportamento osservato dalle esecuzioni di agenti in produzione.
Richiamo a contesto lungo
Il miglior richiamo a contesto lungo nella nostra valutazione interna su tutta la gamma Built-in. Mantiene la coerenza su trascrizioni di agenti molto lunghe dove Anthropic Sonnet inizia a perdere il filo.
Benchmark agentici
Il punteggio SWE-bench Pro riportato dal vendor di 58,6 è il più alto della gamma al momento della stesura. Batte GPT-5.4 e Opus 4.6.
Programmazione a lungo orizzonte
Sessioni autonome documentate di oltre 12 ore che completano più di 4.000 chiamate a strumenti. Il modello sostiene davvero le prestazioni su esecuzioni molto lunghe.
I migliori task per agenti con Kimi K2.7 Code
L'indagine che deve leggere ogni vecchia conversazione
Scavare tra sei mesi di conversazioni Slack per scoprire perché un cliente ha abbandonato, setacciare l'arretrato di ticket di supporto alla ricerca di un pattern ricorrente di bug, o ricucire insieme spunti tratti da un centinaio di RFC. Il richiamo a contesto lungo di K2.7 regge su trascrizioni dove Anthropic Sonnet inizia a perdere i turni precedenti, che è esattamente ciò di cui hanno bisogno i flussi di lavoro del tipo "leggere l'intera pila".
Il refactoring autonomo che gira di notte
Moonshot ha documentato un refactoring autonomo di 13 ore su un matching engine vecchio di otto anni, con K2.7 che sostiene oltre 4.000 chiamate a strumenti senza deviare dal compito. È il tipo di esecuzione in cui la maggior parte dei modelli perde l'obiettivo intorno alla seconda ora; la stabilità a lungo orizzonte di K2.7 è ciò che rende davvero possibile il "avvialo venerdì sera, controlla lunedì mattina".
L'agente multimodale che gestisce screenshot e clip
K2.7 accetta input sia di immagini sia di video tramite MoonViT, cosa insolita al di fuori della famiglia Claude. Utile per agenti di QA guidati da screenshot, pipeline di document-vision e qualsiasi deployment in cui altrimenti dovresti integrare un modello di visione separato solo per leggere le immagini.
Quando evitare Kimi K2.7 Code
Evita K2.7 sui casi limite più difficili di routing degli strumenti, dove Sonnet 4.6 resta in testa per affidabilità in produzione, e sui flussi di lavoro legacy fissati a una versione dove il moltiplicatore più basso di K2.6 è già sufficiente.
Kimi K2.7 Code vs altri modelli
Kimi K2.7 Code vs GLM-5.2
Entrambe sono attuali opzioni a contesto lungo per il risparmio sui costi. Kimi K2.7 Code è il predefinito di Moonshot con una maggiore adattabilità alla programmazione multimodale; GLM-5.2 è l'attuale predefinito di Z.AI con una finestra di contesto più ampia da 1M di token.
Kimi K2.7 Code vs Claude Sonnet 4.6
Sonnet (×1) è in testa per affidabilità del routing multi-strumento in lingua inglese. K2.7 (×0,3) vince sui costi e sui benchmark agentici (SWE-bench Pro). Abbinali: Sonnet per il routing complesso degli strumenti, K2.7 per il lavoro agentico sensibile ai costi.
Kimi K2.7 Code vs DeepSeek V4 Pro
DeepSeek V4 Pro è più economico e ha una finestra di contesto più ampia da 1M di token. Kimi K2.7 Code è la rotta di programmazione nativa Moonshot più forte e include input visivo. Scegli in base all'affinità con il provider e alla forma del carico di lavoro.
In sintesi: dovresti usare Kimi K2.7 Code?
Il predefinito open-weight per il lavoro agentico serio: contesto lungo, conveniente. Le lacune residue rispetto a Sonnet 4.6 sono l'affidabilità del routing degli strumenti e il supporto enterprise.
Domande frequenti
Quando è stato rilasciato Kimi K2.7 Code?
Moonshot AI ha rilasciato Kimi K2.7 Code a giugno 2026. I pesi open sono pubblicati su Hugging Face con una licenza Modified MIT.
Qual è la finestra di contesto?
256K token. K2.7 si differenzia per la qualità del richiamo a quella dimensione, non per la dimensione grezza della finestra. Il richiamo inizia a degradare oltre i ~180K (in modo simile ad altri modelli da 256K).
Come si confronta Kimi K2.7 Code con Claude Opus 4.6?
Sui benchmark agentici (riportati dal vendor), K2.7 è in testa. SWE-bench Pro 58,6 contro il 53,4 di Opus 4.6, HLE con strumenti 54,0 contro 53,0. Opus 4.6 mantiene un vantaggio sul profilo di sicurezza e sull'affidabilità del routing degli strumenti in lingua inglese in produzione.
K2.7 supporta l'input di immagini?
Sì. K2.7 accetta input di immagini e video. Output solo testuale. Gli agenti multimodali funzionano in modo nativo.
Disponibilità di Kimi K2.7 Code su Okou
Kimi K2.7 Code è stato rimosso dalla lineup di Okou, quindi non può più essere selezionato in chat né in un workflow, e non è disponibile con la tua chiave API. GPT 5.6 Luna copre lo stesso livello di risparmio.