月之暗面发布 Kimi K2.7 Code 编码智能体模型

1. 模型简介

Kimi K2.7 Code 是一款基于 Kimi K2.6 构建、专注于编程的智能体模型。它在真实世界的长周期编程任务上取得了显著提升，增强了复杂软件工程工作流中的端到端任务完成能力，同时提高了 token 效率，与 Kimi K2.6 相比，思考 token 用量减少约 30%。

2. 模型概要

3. 评测结果

脚注

1. General Testing Details
   • 除非另有说明，Kimi K2.7 Code 和 K2.6 均通过 Kimi Code CLI 在 thinking 模式下测试，temperature = 1.0，top-p = 0.95，上下文长度为 262,144 个 token；GPT-5.5 在 Codex 中以 xhigh 模式运行，Opus 4.8 在 Claude Code 中以 xhigh 模式运行。除上述差异外，所有基准测试均在相同条件下评测。
2. Coding Benchmarks
   • Kimi Code Bench V2 是我们自研的基准测试，旨在评估编程智能体在真实任务上的表现。它涵盖 10 多种主流编程语言的多样化软件工程任务，以及覆盖内部工程用例、生产事故和真实开源项目的完整生产技术栈，重点包括后端服务、基础设施、性能工程、系统编程、安全、前端开发以及 ML/数据工程。
   • Program Bench 通过要求代码生成智能体仅依据编译后的二进制文件及其文档来复现程序行为，从而对其进行评估。它涵盖 200 项任务，从简单的 CLI 工具到 FFmpeg、SQLite 等大型系统。提交结果将对照超过 248,000 个模糊测试生成的行为测试进行评判。在每项任务中，智能体会获得一个可执行文件及其文档，但没有源代码、反编译结果或互联网访问权限。它必须自行选择实现语言，从零构建完整程序，并通过将其输出与原始二进制文件进行对比的行为测试套件。
   • MLS-Bench 评估 AI 系统能否发明可泛化且可扩展的机器学习方法。MLS-Bench-Lite 是 MLS-Bench 官方的 30 项任务子集，涵盖 LLM 预训练与后训练、机器人、世界模型、计算机视觉、强化学习、优化、ML 系统、AI for Science 等。智能体有 5 小时时间进行探索，然后提交解决方案。Opus 4.8 在 Claude Code 中以 max effort 设置进行评估。
3. Agentic Benchmarks
   • Kimi Claw 24/7 Bench 是我们内部的基准测试，用于评估在持久、多天的协同工作场景中的长时程智能体性能。它涵盖 17 个专业场景、共 610 个评估点，覆盖软件工程、机器学习研究、招聘、交易、市场营销等领域。所有任务均通过 OpenClaw 测试框架执行。最终得分为所有评估点的平均通过率，并取 3 次运行的平均值。
   • MCP-Atlas 通过可扩展的 MCP 评估 LLM 在真实工具使用任务上的表现。我们遵循官方 MCP-Atlas 评估配置，工具调用预算为 100 次，每步最大 token 数为 32k。最终结果取 3 次运行的平均值。
   • MCPMark-Verified 是经人工核验的 MCPMark 版本，该基准用于在五个真实服务器环境——Notion、GitHub、Filesystem、Postgres 和 Playwright——中评估 MCP 工具使用。每个任务均已由我们团队与基准官方重新核查，并将很快开源。我们遵循官方 MCPMark 评估配置，工具调用预算为 100 步，每步最大 token 数为 32k。最终结果取 3 次运行的平均值。

4. 原生 INT4 量化

Kimi-K2.7-Code 采用与 Kimi-K2-Thinking 相同的原生 int4 量化方法。

5. 部署

你可以在 https://platform.moonshot.ai 上访问 Kimi-K2.7-Code 的 API，我们为你提供兼容 OpenAI/Anthropic 的 API。 目前，建议在以下推理引擎上运行 Kimi-K2.7-Code：

• vLLM
• SGLang
• KTransformers

Kimi-K2.7-Code 与 Kimi-K2.5/Kimi-K2.6 架构相同，部署方法可直接复用。

transformers 的版本要求为 >=4.57.1, <5.0.0。

部署示例可参见 模型部署指南。

6. 模型使用

以下使用示例演示如何调用我们的官方 API。请注意，Kimi-K2.7-Code 强制将 thinking 和 preserve_thinking 设为 True。

对于使用 vLLM 或 SGLang 部署的第三方 API，请注意：

• 视频内容对话是一项实验性功能，目前仅在我们的官方 API 中支持。

• Thinking 模式下推荐的 temperature 为 1.0。

• 推荐的 top_p 为 0.95。

• 不支持 Instant 模式。

聊天补全

这是一个简单的聊天补全脚本，演示如何在 Thinking 模式下调用 K2.7-Code API。

import openai
import base64
import requests
def simple_chat(client: openai.OpenAI, model_name: str):
    messages = [
        {'role': 'system', 'content': 'You are Kimi, an AI assistant created by Moonshot AI.'},
        {
            'role': 'user',
            'content': [
                {'type': 'text', 'text': 'which one is bigger, 9.11 or 9.9? think carefully.'}
            ],
        },
    ]
    response = client.chat.completions.create(
        model=model_name, messages=messages, stream=False, max_tokens=4096
    )
    print('====== Below is reasoning content in Thinking Mode ======')
    print(f'reasoning content: {response.choices[0].message.reasoning}')
    print('====== Below is response in Thinking Mode ======')
    print(f'response: {response.choices[0].message.content}')

带视觉内容的聊天补全

K2.7-Code 支持图像和视频输入。

以下示例演示如何以图像输入调用 K2.7-Code API：

import openai
import base64
import requests

def chat_with_image(client: openai.OpenAI, model_name: str):
    url = 'https://hf-mirror.com/moonshotai/Kimi-K2.7-Code/resolve/main/figures/kimi-logo.png'
    image_base64 = base64.b64encode(requests.get(url).content).decode()
    messages = [
        {
            'role': 'user',
            'content': [
                {'type': 'text', 'text': 'Describe this image in detail.'},
                {
                    'type': 'image_url',
                    'image_url': {'url': f'data:image/png;base64,{image_base64}'},
                },
            ],
        }
    ]

    response = client.chat.completions.create(
        model=model_name, messages=messages, stream=False, max_tokens=8192
    )
    print('====== Below is reasoning content in Thinking Mode ======')
    print(f'reasoning content: {response.choices[0].message.reasoning}')
    print('====== Below is response in Thinking Mode ======')
    print(f'response: {response.choices[0].message.content}')

以下示例演示如何以视频输入调用 K2.7-Code API：

import openai
import base64
import requests

def chat_with_video(client: openai.OpenAI, model_name:str):
    url = 'https://hf-mirror.com/moonshotai/Kimi-K2.7-Code/resolve/main/figures/demo_video.mp4'
    video_base64 = base64.b64encode(requests.get(url).content).decode()
    messages = [
        {
            "role": "user",
            "content": [
                {"type": "text","text": "Describe the video in detail."},
                {
                    "type": "video_url",
                    "video_url": {"url": f"data:video/mp4;base64,{video_base64}"},
                },
            ],
        }
    ]

    response = client.chat.completions.create(model=model_name, messages=messages)
    print('====== Below is reasoning content in Thinking Mode ======')
    print(f'reasoning content: {response.choices[0].message.reasoning}')
    print('====== Below is response in Thinking Mode ======')
    print(f'response: {response.choices[0].message.content}')

保留思考

Kimi K2.7 Code 强制启用 preserve_thinking 模式，该模式在多轮交互中保留完整推理内容，并提升编码智能体场景中的表现。

此功能默认启用且无法禁用。以下示例演示如何在 preserve_thinking 模式下调用 K2.7-Code API：

def chat_with_preserve_thinking(client: openai.OpenAI, model_name: str):
    messages = [
        {
            "role": "user",
            "content": "Tell me three random numbers."
        },
        {
            "role": "assistant",
            "reasoning_content": "I'll start by listing five numbers: 473, 921, 235, 215, 222, and I'll tell you the first three.",
            # Some API (e.g. vLLM) may not support reasoning_content, you can try reasoning instead
            "content": "473, 921, 235"
        },
        {
            "role": "user",
            "content": "What are the other two numbers you have in mind?"
        }
    ]

    response = client.chat.completions.create(
        model=model_name,
        messages=messages,
        stream=False,
        max_tokens=4096,
    )
    # the assistant should mention 215 and 222 that appear in the prior reasoning content
    print(f"response: {response.choices[0].message.reasoning}")
    return response.choices[0].message.content

交错思考与多步工具调用

K2.7-Code 与 K2 Thinking 采用相同的交错思考与多步工具调用设计。使用示例请参阅 K2 Thinking 文档。

编码智能体框架

Kimi K2.7-Code 与 Kimi Code CLI 作为其智能体框架配合使用时效果最佳——欢迎在 https://www.kimi.com/code 试用。

7. 许可证

代码仓库和模型权重均在 Modified MIT License 下发布。

8. 第三方声明

参见 THIRD PARTY NOTICES

9. 联系我们

如有任何问题，请通过 [email protected] 联系我们。