Moonshot AI 發布了 Kimi K2.7-Code,一個採用 Modified MIT 許可的 open-weight 編程模型。規格表是前沿形狀的:一個 1 兆參數的專家混合模型,每 token 激活約 320 億參數(從總共 384 個專家中選 8 個加 1 個共享),61 層,帶 SwiGLU 前饋的 MLA 注意力,一個為圖像與影片輸入增加 4 億參數的 MoonViT 視覺編碼器,原生 INT4 量化,以及 256K token 的上下文窗口。權重約 595GB,在 Hugging Face 上,可通過 vLLM、SGLang 或 KTransformers 自託管,外加一個 OpenAI 兼容的 Kimi API。它是昨天 Kimi Work 的模型兄弟,後者跑在上一代 K2.6 上。
頭條數字是在 Moonshot 自家的 Kimi Code Bench v2 上比 K2.6 提升 21.8%,從 50.9 到 62.0,而圍繞它的基準表比大多數廠商表更坦誠。K2.7-Code 在所展示的全部六個基準上都優於 K2.6,但大多仍落後於封閉前沿:在那個頭條基準上它是 62.0,對比 GPT-5.5 的 69.0 和 Claude Opus 4.8 的 67.4。Moonshot 標註了它領先的唯一之處,MCP Mark Verified,一個工具使用基準,K2.7-Code 得 81.1,對比 Opus 4.8 的 76.4。該模型還報告比 K2.6 少用約 30% 的推理 token,框定為「更少過度思考」,這種效率在推理 token 主導帳單的長 agentic 循環裡會複利。而價格相對前沿大幅壓低:每百萬輸入 token 緩存 0.19 美元、未命中 0.95 美元,輸出 4.00 美元,對比 Opus 4.8 的 5 和 25 美元。
注意事項是 open-weights 發布的常見那些,而值得肯定的是 Moonshot 大體把它們寫明了。每個頭條數字都是第一方的,獨立驗證仍待定;競爭者在不同環境中被基準測試,而 Kimi 跑在它自己的 CLI 裡;595GB 的權重意味著伺服器級硬體,不是筆記本。兩個操作上的怪癖值得在接入前了解:思考模式是強制的,試圖禁用會報錯;採樣參數在伺服器端被鎖定。對於我們持續追蹤的那條線,這是中國實驗室 open-weights 壓力沿編程車道繼續:一個前沿形狀、MCP 原生的編程模型,價格是封閉模型的一小部分,權重你真能託管。它落後於最頂端,但賣點是那個一直奏效的,足夠好、開放且便宜,而它也悄悄升級了昨天的故事,因為 Kimi Work 的引擎不再是一個被報導的 K2.6,而是一個你可以自己運行的、公開發布的 K2.7-Code。