Moonshot AI 发布了 Kimi K2.7-Code,一个采用 Modified MIT 许可的 open-weight 编程模型。规格表是前沿形状的:一个 1 万亿参数的专家混合模型,每 token 激活约 320 亿参数(从总共 384 个专家中选 8 个加 1 个共享),61 层,带 SwiGLU 前馈的 MLA 注意力,一个为图像与视频输入增加 4 亿参数的 MoonViT 视觉编码器,原生 INT4 量化,以及 256K token 的上下文窗口。权重约 595GB,在 Hugging Face 上,可通过 vLLM、SGLang 或 KTransformers 自托管,外加一个 OpenAI 兼容的 Kimi API。它是昨天 Kimi Work 的模型兄弟,后者跑在上一代 K2.6 上。
头条数字是在 Moonshot 自家的 Kimi Code Bench v2 上比 K2.6 提升 21.8%,从 50.9 到 62.0,而围绕它的基准表比大多数厂商表更坦诚。K2.7-Code 在所展示的全部六个基准上都优于 K2.6,但大多仍落后于封闭前沿:在那个头条基准上它是 62.0,对比 GPT-5.5 的 69.0 和 Claude Opus 4.8 的 67.4。Moonshot 标注了它领先的唯一之处,MCP Mark Verified,一个工具使用基准,K2.7-Code 得 81.1,对比 Opus 4.8 的 76.4。该模型还报告比 K2.6 少用约 30% 的推理 token,框定为「更少过度思考」,这种效率在推理 token 主导账单的长 agentic 循环里会复利。而价格相对前沿大幅压低:每百万输入 token 缓存 0.19 美元、未命中 0.95 美元,输出 4.00 美元,对比 Opus 4.8 的 5 和 25 美元。
注意事项是 open-weights 发布的常见那些,而值得肯定的是 Moonshot 大体把它们写明了。每个头条数字都是第一方的,独立验证仍待定;竞争者在不同环境中被基准测试,而 Kimi 跑在它自己的 CLI 里;595GB 的权重意味着服务器级硬件,不是笔记本。两个操作上的怪癖值得在接入前了解:思考模式是强制的,试图禁用会报错;采样参数在服务器端被锁定。对于我们持续追踪的那条线,这是中国实验室 open-weights 压力沿编程车道继续:一个前沿形状、MCP 原生的编程模型,价格是封闭模型的一小部分,权重你真能托管。它落后于最顶端,但卖点是那个一直奏效的,足够好、开放且便宜,而它也悄悄升级了昨天的故事,因为 Kimi Work 的引擎不再是一个被报道的 K2.6,而是一个你可以自己运行的、公开发布的 K2.7-Code。