6
14
月之暗面发布 Kimi K2.7 Code: 开源1万亿参数、思考量省30%
2026-06-14 11:32:21
0点赞
1收藏
0评论
月之暗面（Moonshot AI）在 Hugging Face 发布 Kimi K2.7 Code。这是 K2 系列的第五个模型，也是第一个明确以"Code"命名的版本——月之暗面在官方文档中将其定位为"至今最强的编程模型"。
K2.7 Code 采用 Modified MIT 许可证开源，权重公开在 Hugging Face（moonshotai/Kimi-K2.7-Code），可下载、审查、微调和私有部署。
图片
图片架构：万亿参数但只激活 320 亿
K2.7 Code 延续了 K2 系列的 Mixture of Experts（MoE）架构：
参数
数值
总参数量
约 1 万亿
每 token 激活参数
320 亿
专家数量
384（每 token 选 8 个 + 1 个共享专家）
层数
61 层（含 1 个 dense 层）
注意力机制
MLA（Multi-Latent Attention），KV-cache 压缩
上下文窗口
256K tokens
视觉编码器
MoonViT（4 亿参数），支持图片和视频输入
MLA 注意力机制是 K2 系列的关键设计——通过学习到的潜在投影压缩 KV-cache，使得 256K 上下文窗口在实际推理中不会占用过多显存。本地部署时，K2.7 Code 提供原生 INT4 量化版本，进一步降低显存需求。
对比 K2.6：思考量省 30%，所有基准全面提升
K2.7 Code 是在 K2.6 基础上针对编程任务专门优化的变体。月之暗面官方公布的基准对比：
基准测试
K2.6
K2.7 Code
提升
Kimi Code Bench v2
50.9
62.0
+21.8%
Program Bench
48.3
53.6
+11.0%
MLS Bench Lite
26.7
35.1
+31.5%
MCP Atlas
69.4
76.0
+9.5%
MCP Mark Verified
72.8
81.1
+11.4%
最值得关注的是 MCP Atlas 和 MCP Mark Verified 两项——这两个基准测试的是模型在 MCP（Model Context Protocol）工具调用场景下的表现。K2.7 Code 在 MCP Mark Verified 上拿到 81.1 分，高于 Claude Opus 4.8 在同口径下的表现。
另一个关键改进是 token 效率：K2.7 Code 完成相同任务所使用的思考 token 比 K2.6 减少了约 30%。对于依赖 API 计费的开发者来说，这意味着每次调用的成本直接降低近三分之一。
"Code" 不是营销标签
K2.7 Code 的名字里带"Code"，是因为月之暗面对这个模型的定位做了取舍——它不是通用聊天模型，而是专门为软件工程场景训练的变体。
官方文档中明确了几个核心能力方向：
长周期编程任务：跨 Rust、Go、Python 等语言的复杂工程任务，包括前端开发、DevOps、性能优化
代码库理解：256K 上下文窗口可以容纳中等规模代码库的完整上下文
工具调用：支持 MCP 工具、JSON 模式、多步推理，适合 agent 工作流
强制思考模式：K2.7 Code 默认开启思考，且不支持关闭——月之暗面认为这对编程任务的准确性至关重要
在兼容性方面，K2.7 Code 的 API 完全兼容 OpenAI 格式，可直接通过 OpenAI SDK 调用，也能无缝接入 Aider、Claude Code、OpenCode 等主流编程工具。
API 定价和部署选项
API 定价：
输入：$0.95 / 百万 tokens
输出：$4.00 / 百万 tokens
模型 ID：kimi-k2.7-code
对比 Claude Fable 5 的 $10/$50 定价，K2.7 Code 的 API 成本大约是其十分之一。
本地部署：
推荐引擎：vLLM、SGLang、KTransformers
INT4 量化版可用（unsloth/Kimi-K2.7-Code-GGUF）
Q4 量化需要约 639GB 显存，推荐 DGX H100 级别硬件
值得注意的限制
强制思考模式无法关闭，对简单任务来说可能产生不必要的延迟和成本
Modified MIT 许可证包含非商业限制，商用需要额外授权
本地部署的显存门槛较高，Q4 量化仍需 639GB 显存
月之暗面尚未将 K2.7 Code 提交到 SWE-bench、GPQA 等独立基准测试，目前的数字来自官方自测
竞争格局
K2.7 Code 的发布让开源编程模型的竞争进入新阶段。在这个赛道上：
Kimi K2.7 Code：1T MoE，256K 上下文，开源，思考量省 30%，MCP 工具调用领先
Claude Fable 5（闭源）：SWE-bench 95%，100 万 token 上下文，但 API 成本高出一个数量级
GPT-5.5（闭源）：通用能力强，但编程专精程度不如 K2.7 Code
小米 MiMo Code（开源）：基于 OpenCode fork，终端工具定位，模型层与 K2.7 Code 互补
K2.7 Code 的差异化在于：用开源的方式提供了接近闭源前沿模型的编程能力，同时将 API 成本压到后者的十分之一。对于需要在生产环境中大规模部署编程 agent 的团队来说，这是一个值得认真评估的选项。
