Kimi K2.7-Code 发布并开源：主打的不是"更聪明"，是"少想废话"

月之暗面前两天（2026 年 6 月 12 日）发布并开源了 Kimi K2.7-Code。

一句话先说清楚定位：

这是一个编程专用模型，开源权重，挂的是 Modified MIT，免费商用。

权重已经传上 Hugging Face（moonshotai/Kimi-K2.7-Code），在线直接用是 kimi.com/code。

但这次发布真正让卡哥觉得值得说一句的，不是又开源了一个编程模型。

而是它的卖点很反常。

一、别人卷"想得更多"，Kimi 卷"少想废话"

这两年模型发布的主旋律，基本是一个词：更聪明。

更长的思维链，更多的 reasoning token，遇到难题先哗哗想个几千 token 再动手。

Kimi K2.7-Code 这次反过来了。

官方主打的一句话是：

同样的活，thinking token 比上一代 K2.6 砍掉约 30%，效果还更好。

别小看这"少想 30%"。

写过 Agent、用 CLI 跑过大任务的录友都有体感：很多模型不是不会，是想太多。

一个简单的改名重构，它先给你分析半天架构、列三套方案、再自我反思一轮，token 哗哗烧，时间哗哗等。

我们在 Claude Opus 4.8 那篇就聊过这个事——"想得多"不等于"做得对"，过度思考既慢又贵。

Kimi 这次等于直接把这点拎出来当卖点：

该想的时候想，不该想的时候别磨叽。

对真实开发来说，这个方向其实比"再涨两个点跑分"更实在。

因为你在 CLI 里等模型，等的不是它聪明，是它快、稳、不啰嗦。

二、先泼盆冷水：跑分目前全是它自家的

话又说回来，"砍 30%、效果更好"这话，现在只能听个意向，还不能当结论。

为什么？

因为 K2.7-Code 发布到现在，放出来的跑分，清一色是月之暗面自己的 benchmark：

• Kimi Code Bench v2：62.0，比 K2.6 涨 21.8%
• Program Bench：53.6，涨 11.0%
• MLS Bench Lite：35.1，涨 31.5%
• MCP Mark Verified：81.1，涨 11.4%（这项官方说超过了 Claude Opus 4.8 的 76.4）

数字都挺漂亮。

但你注意到没有——SWE-bench Verified、SWE-bench Pro、Terminal-Bench 这些大家公认的第三方编程榜单，一个都没有。

我们写 GLM-5.2 那篇反复强调过一句话：自家 benchmark 负责传播，第三方榜单负责真相。

自己出题、自己考、自己打分，涨多少都不奇怪。

尤其是"超过 Opus 4.8"这种话，是在它自己的 MCP Mark 上超的，换个 harness、换条赛道，结论可能就不一样了。

所以卡哥的态度跟上次一样：

这次发布值得关注，省 token 的方向也对，但"超过谁"先别急着信。

等第三方上 SWE-bench 实测，才有真东西可聊。

三、真正硬的差异化：开源 + 1T 的家底

跑分可以等，但有两件事是 K2.7-Code 实打实的底牌。

第一，它是开源的，Modified MIT，免费商用。

这条线的意义，我们在 GLM-5.2 那篇讲透过，这里再点一句：

Claude Opus 4.8、GPT-5.5 再强，你也只能调接口，数据出门、按 token 付费、权重永远摸不到。

开源不一样——代码不能外传的金融政企、想私有化部署的团队、想自己微调蒸馏的研究，闭源模型再强也进不来，开源是硬需求。

第二，1 万亿参数的 MoE 家底。

K2.7-Code 是 1T 总参数的 MoE，激活 32B，384 个专家（每次选 8 个，含 1 个共享专家），256K 上下文，还支持文本、图像、视频输入。

这个体量，在开源编程模型里是头部。

一个 1T 的开源模型，还专门为"省 token"调过，这个组合是有杀伤力的。

四、怎么用，多少钱

入口有三个：

• 在线直接用：kimi.com/code
• API：platform.moonshot.ai，模型 ID 是 kimi-k2.7-code
• 命令行：Kimi Code，月之暗面自己的终端编程 Agent（terminal-first 的 CLI）

API 价格（每百万 token）：

项目	价格
输入（cache 未命中）	$0.95
输入（cache 命中）	$0.19
输出	$4.00

这个定价不算便宜，但也不贵，属于中间档。

而且要结合它"省 token"的卖点一起看：

单价中等，但如果它真能把 thinking token 砍掉 30%，一整个任务跑下来的实际花费，可能比单价更低的模型还省。

这是 Kimi 这次想讲的账：别只看每百万多少钱，看跑完一个活到底花了多少。

有一点要注意：K2.7-Code 默认开思考模式（thinking 是强制的），temperature 固定 1.0、top_p 固定 0.95，接入的时候别去乱调这几个参数。

五、和 Opus 4.8、GLM-5.2、DeepSeek V4 怎么选

老问题又来了：模型这么多，到底用哪个。

卡哥的选型逻辑从来没变过：不是站队，是算账。 看三件事——失败成本、能不能自部署、量有多大。

具体到 K2.7-Code，它的位置是这样：

你的处境	推荐	为什么
核心代码、复杂 bug、长链路 Agent，失败成本高	Claude Opus 4.8 / GPT-5.5	第三方实测最稳，会验证，工具调用习惯好
数据不能外传 / 要私有化 / 想自己微调	Kimi K2.7-Code 或 GLM-5.2 开源权重	闭源模型进不来，开源是唯一选项
编程任务量大、又怕 token 烧太狠	Kimi K2.7-Code	专门为省 thinking token 调过，跑量心里有底
批量分析、代码扫描、结果能自动校验	DeepSeek V4-Pro	单价便宜，量大跑得起

这几个不是互斥的，真实开发里我经常混着用。

• 难的地方上 Opus 4.8
• 要本地跑、数据敏感的，Kimi K2.7-Code 和 GLM-5.2 二选一
• 纯跑量、能自动校验的，DeepSeek 兜底

至于 Kimi 和 GLM 这两个开源编程模型怎么选，现在还真不好下死结论——两边都没第三方 SWE-bench，建议你拿自己手头真实的活，各跑一遍再定。

长上下文这块也提一句：K2.7-Code 是 256K，GLM-5.2 喊到 1M。但我们在 MiniMax M3 那篇说过，"能装进去"和"装了还准"是两回事，别只看上下文窗口的数字。

写在最后

Kimi K2.7-Code 这次，最值得记住的不是某个跑分。

是它换了个卷法：

别人比谁想得多，它比谁想得省。

这个方向对天天在 CLI 里等模型的录友来说，其实很对路——你要的不是它表演思考，是它把活干完、还别烧太多 token。

但也别上头。

第三方跑分没出来之前，"省 30%、超 Opus"都还是官方的一面之词。

我的建议很简单：

• 数据敏感、要本地跑的，盯紧它的开源权重，和 GLM-5.2 各测一遍
• 编程量大、心疼 token 的，拿真实任务上手试试它"省"的本事到底真不真
• 没特殊需求的，等第三方 SWE-bench 出来再决定也不迟

模型选型从来不是追新，是看哪个在你的活上更稳、更省、更可控。

自己测，按活儿选。

加油。