Kimi K2.7 Code — Moonshot-ის ღია კოდირების მოდელი, რომელიც აზროვნების ტოკენებს ~30%-ით ამცირებს

Moonshot AI-მ გამოაქვეყნა Kimi K2.7 Code — კოდირებაზე ორიენტირებული აგენტური მოდელი, რომელიც Kimi K2.6-ზეა აგებული. წონები და კოდის რეპოზიტორია Modified MIT ლიცენზიით ვრცელდება, ხოლო მოდელის ბარათი გამოშვებას ორ მთავარ მტკიცებაზე ამახვილებს ყურადღებას: გრძელ, რეალურ პროგრამულ ამოცანებზე ბოლომდე მიყვანის გაძლიერება და აზროვნების ტოკენების დაახლოებით 30%-ით შემცირება წინა ვერსიასთან შედარებით.

იგივე არქიტექტურა, მეტი სამუშაო ტოკენზე

სპეციფიკაცია K2.5/K2.6 ხაზის იდენტურია: ექსპერტთა ნარევის ტრანსფორმერი 1 ტრილიონი საერთო პარამეტრით, საიდანაც თითო ტოკენზე 32 მილიარდი აქტიურდება; 384 ექსპერტი, რომელთაგან 8 შეირჩევა პლუს ერთი საერთო; 61 შრე (ერთი მკვრივი) და 256 ათასი ტოკენის კონტექსტი. ყურადღების მექანიზმი MLA-ია, აქტივაციის ფუნქცია — SwiGLU; 400-მილიონპარამეტრიანი MoonViT ენკოდერი სურათისა და ვიდეოს შეყვანას მატებს, თუმცა ვიდეო ჯერ ექსპერიმენტულია და მხოლოდ ოფიციალურ API-ში მუშაობს. რადგან არქიტექტურა წინა ვერსიებს ემთხვევა, Moonshot-ის თქმით არსებული განლაგებები პირდაპირ გამოდგება, და მოდელი ინარჩუნებს ჩაშენებულ INT4 კვანტიზაციას.

რას აჩვენებს ტესტების ცხრილი

კომპანიის შიდა Kimi Code Bench v2-ზე K2.7 Code აგროვებს 62.0 ქულას K2.6-ის 50.9-ის წინააღმდეგ. გაუმჯობესებაა Program Bench-ზეც, სადაც აგენტმა პროგრამის ქცევა მხოლოდ კომპილირებული ბინარისა და დოკუმენტაციის მიხედვით უნდა აღადგინოს — 48.3-დან 53.6-მდე, და MLS Bench Lite-ზე — 26.7-დან 35.1-მდე. აგენტური შედეგებიც იმავე მიმართულებით მოძრაობს: 46.9 გრძელვადიან Kimi Claw 24/7 Bench-ზე (42.9-ის ნაცვლად), 76.0 MCP Atlas-ზე (69.4-ის ნაცვლად) და 81.1 MCPMark-Verified-ზე (72.8-ის ნაცვლად).

იგივე ცხრილი შედარებებს პატიოსნად ინახავს. GPT-5.5 სამ კოდირების ტესტზე 69.0, 69.1 და 35.5 ქულას იღებს, Claude Opus 4.8 კი — 67.4, 63.8 და 42.8; აგენტურ ნაკრებებზე ეს ორი მოდელი შესაბამისად 52.8/79.4/92.9 და 50.4/81.3/76.4 შედეგებს აჩვენებს. K2.7 Code ექვსი სტრიქონიდან არცერთში არ ლიდერობს, მაგრამ ორივე დახურულ მოდელთან მანძილს ნაწილობრივ ამცირებს.

ხელმისაწვდომობა

Moonshot მოდელის გაშვებას vLLM-ზე, SGLang-ზე ან KTransformers-ზე გირჩევთ, transformers-ის 4.57.1–5.0.0 დიაპაზონით, და platform.moonshot.ai-ზე OpenAI-სა და Anthropic-ის თავსებად API-ს სთავაზობს. მოდელი აიძულებს აზროვნების რეჟიმს და preserve_thinking-ს, რაც მსჯელობის შიგთავსს მრავალტურიან საუბრებში ინახავს. Hugging Face-ის გვერდზე გასულ თვეში დაახლოებით 175 000 ჩამოტვირთვა და მოდელზე აგებული 45 Space დაფიქსირდა.