Moonshot AI представила Kimi K2.7 Code — новая флагманская модель для агентной разработки

Введение

Moonshot AI выпустила Kimi K2.7 Code — свою новую специализированную агентную ИИ-модель для задач программирования, построенную на базе предыдущей нейросети компании Kimi K2.6 и нацеленную на долгосрочное планирование в практических задачах кодинга. По заявлениям Moonshot AI, Kimi K2.7 Code расходует токены на 30% экономичнее, чем предыдущие модели китайского ИИ-стартапа. Модель базируется на архитектуре MoE с 1 триллионом общих параметров и 32 миллиардами активных параметров и добавляет новый функционал, в частности, возможность принудительного сохранения полного контекста рассуждений во всех агентных интерациях.

Подробнее о Kimi K2.7 Code

Kimi K2.7 Code наследует архитектуру своей предшественницы в лице K2.6: один плотный нейронный слой и 61 MoE-слоев, механизм внимания Multi-Head Latent Attention, а также функцию активации SwiGLU. Архитектура MoE использует 384 эксперта, из которых на каждом токене активируются 8 плюс 1 общий эксперт. Компания значительно увеличила словарь Kimi K2.7 Code, расширив его до 160 тысяч токенов, а длина контекстного окна достигает 256 тысяч токенов. Благодаря интеграции визуального кодировщика Moonlight с 400 миллионами параметров, агентная ИИ-модель Kimi K2.7 Code может принимать как текстовые запросы, так и визуальный контент, включая видеоролики, что также способствует выстраиванию сложных агентных пайплайнов.

Несмотря на то, что количество параметров не прибавилось в сравнении с K2.6, сохранившись на уровне 1 триллиона, разработчики Kimi K2.7 Code провели масштабную работу по оптимизации для выполнения длинных последовательностей действий. Новая нейросеть принудительно включает режим preserve_thinking, который не дает обрезать или забывать промежуточные рассуждения при многошаговых сессиях — в агентных сценариях это напрямую поднимает качество, однако отключить модификацию невозможно. Собственное квантование весов INT4, отработанное на Kimi-K2-Thinking, позволяет эффективно разворачивать модель через vLLM, SGLang и KTransformers. Также пользователи, успевшие опробовать Kimi K2.7 Code на практике, отмечают, что модель стала значительно реже совершать ошибки, галлюцинировать и вдаваться в бесконечные циклы рассуждения.

В бенчмарках Kimi K2.7 Code показывает значительный прирост в сравнении предыдущих моделей Moonshot AI и проприетарных моделей OpenAI и Anthropic. На Kimi Code Bench v2 новинка набирает 62,0 балла при 50,9 у K2.6, 69,0 у GPT-5.5 и 67,4 у Claude Opus 4.8. В программном тесте Software Bench модель улучшила результат с 48,3 до 53,6, но отстает от 69,1 и 63,8 у закрытых моделей соответственно. В MLS Light Bench Kimi K2.7 Code набирает 35,1 баллов, тогда как GPT-5.5 держит 35,5, а Opus 4.8 — 42,8. В агентном тесте Kimi Claw 24/7 Bench модель демонстрирует рост с 42,9 до 46,9 (у GPT-5.5 — 52,8, у Opus 4.8 — 50,4). В тесте MCP Kimi K2.7 Code поднимается с 69,4 до 76,0, отставая от GPT-5.5 с 79,4 и Opus 4.8 с 81,3. В прочих бенчмарках Kimi K2.7 Code показывает аналогичную тенденцию.

Выводы

K2.7 Code не становится абсолютным лидером бенчмарков, но ее отрыв от предшественницы достигает в отдельных тестах более 8 пунктов, а экономия токенов в 30% делает модель особенно привлекательной для длительных автономных сессий, где важна не только точность, но и стоимость инференса. Один триллион общих параметров, из которых работают только 32 миллиарда, поддержка ввода визуальных данных и возможность принудительного сохранения цепочки рассуждений делают модель отличным решением для длительных сессией разработки. А открытая лицензия MIT и совместимость с тремя основными инференс-фреймворками позволяют энтузиастам эффективно использовать K2.7 Code на собственной локальной инфраструктуре без подключения к облаку. Компания также пообещала, что в ближайшее время K2.7 Code получит обновление с новым высокоскоростным режимом, который ускорит вывод ответов более чем в 6 раз, что еще больше увеличит эффективность передовой китайской нейросети для агентного кодинга.