Это не универсальная модель, а узкоспециализированный инструмент для реальных и долгих задач разработки.
☝🏻Главное практическое улучшение — экономия.
По сравнению с K2.6 модель тратит примерно на 30% меньше «думающих» токенов, чтобы прийти к тем же выводам.
На фоне конкурентов, которые могут сжигать огромные объёмы токенов в многочасовых прогонах, это напрямую снижает стоимость работы. 💸
☝🏻По бенчмаркам картина неоднозначная, но показательная.
На собственном тесте Moonshot, Kimi Code Bench, модель выросла с 50.9 до 62.0 — скачок на 21.8% относительно K2.6.
При этом на Kimi Code Bench v2 она набирает 62.0 против 69.0 у GPT-5.5 и 67.4 у Opus 4.8 — то есть пока чуть позади флагманов, хотя разрыв с GPT-5.5 сократился с 18 пунктов в эпоху K2.6 до 7.
Но есть и козырь: на тесте MCPMark Verified, который проверяет умение вызывать инструменты через протокол MCP,
K2.7-Code набирает 81.1% и обходит Claude Opus 4.8 с её 76.4%. 🛠
🔻Отдельно стоит новая фишка — режим Preserve Thinking.
В отличие от большинства моделей, которые сбрасывают цепочку рассуждений с каждым новым сообщением, K2.7-Code сохраняет её между ходами диалога — то есть помнит, почему приняла те или иные архитектурные решения в ходе многошаговой задачи.
☝🏻Веса уже выложены на Hugging Face, модель также доступна через API Moonshot и ModelScope, а запускать её можно локально через vLLM, SGLang или Docker Model Runner.
Лучше всего она раскрывается в связке с агентским фреймворком Kimi Code CLI.