Bumagsak na ng Kimi-K2.7-Code ang Moonshot AI, isang open-source na coding model na nais gawing mas maliit ang pagkawala at mas kahusayan ang AI-assisted na programming. Ayon sa kumpanya na base sa Beijing, ang model ay nagbabawas ng 30% sa paggamit ng reasoning tokens kumpara sa nakaraan nito, na sa praktikal na termino ay nangangahulugan na mas kaunti ang mga developer na gumagamit ng compute resources habang nakakakuha ng mas mahusay na resulta.
Nakapagpapagana na ang modelo sa mga API ng platform na Kimi ng Moonshot AI at nakahost sa Hugging Face ilalim ng Modified MIT License. Pinapayagan ng lisensyang ito ang komersyal na paggamit kasama ang pagkilala para sa malalaking pagpapalaganap, isang detalye na mahalaga para sa anumang kumpanya na isipin ang pagbuo ng mga produkto sa itaas nito.
Ang mga numero sa likod ng upgrade
Ang Kimi-K2.7-Code ay isang Mixture-of-Experts arkitektura na naglalaman ng kabuuang 1 trilyon na parameter na may 32 bilyon na aktibong parameter.
Ang mga pagpapabuti sa benchmark kumpara sa nakaraang K2.6 model ay mahirap ikalimutan. Ikinokomento ng Moonshot AI ang 21.8% na pagtaas sa Kimi Code Bench v2, 11.0% na pagpapabuti sa Program Bench, at 31.5% na paglakas sa MLS Bench Lite.
Lalo na nakakatutok ang huling bilang. Sinusubok ng MLS Bench Lite ang kakayahan sa suporta sa maraming wika, kaya ang modelo ay nakakahandle ng mga gawain sa iba’t ibang programming languages tulad ng Python, Rust, at Go na may mas makabuluhang mas mataas na akurasye kaysa dati.
Ang 30% pagbawas sa mga token ng pag-iisip ay tumutugon sa ano ang tinatawag ng mga siyentipiko bilang “overthinking,” isang karaniwang problema sa automated na mga kapaligiran ng pagkakodigo. Kapag ang isang AI model ay naglalagay ng masyadong maraming token sa pag-iisip sa isang problema, ito ay nagpapabaya ng compute, nagpapataas ng latency, at nagpapataas ng mga gastos sa API para sa mga developer.
Mula sa chatbot startup hanggang sa makapangyarihang open-source
Itinatag ng Moonshot AI noong 2023 si Zhilin Yang, isang alumnus ng Tsinghua University, na nagtatayo ng kumpanya sa paligid ng kanyang Kimi chatbot. Ang paglipat patungo sa paglalabas ng open-weight model ay nagsimula sa K2 series sa gitna ng 2025, at ang bilis ng pagpapalit mula noon ay patuloy at walang pagtitigil.
Ipinakilala ang K2 base model noong Hulyo 2025. Sumunod ang K2 Thinking noong Nobyembre 2025, na nagdagdag ng mga pinabuting kakayahan sa pag-iisip. Dumating ang K2.5 noong Enero 2026, at ang K2.6 naman noong Abril 2026. Ngayon, dumating ang K2.7-Code noong Hunyo 2026, gawing ika-limang pangunahing paglabas sa ilalim ng isang taon.
Ang kumpanya ay isinagawa ang mga modelo nito sa paligid ng tatlong pilare: agentic capabilities, extended context handling, at multimodal inputs. Ang K2.7-Code ay malakas na nakatuon sa dalawang unang pilare, na disenyo para sa mga skenaryo kung де kailangan ng isang AI agent na magplano, magpapatupad, at mag-debug ng code sa mahabang mga serye.