Indlæser kataloget…
Indlæser kataloget…
Moonshot AIs MoE-model til kodning og agentiske opgaver med 1 billion parametre, åbne vægte, obligatorisk udvidet tænkning og et kontekstvindue på 262.144 tokens.
Oversigt. Kimi K2.7 Code er Moonshot AIs model til kodegenerering og agentiske opgaver. Den er bygget på Kimi K2.6-arkitekturen og udgivet med åbne vægte under en modificeret MIT-licens. Det er en mixture-of-experts-model med 1 billion parametre, 384 eksperter og 32 milliarder aktive parametre per token, kombineret med et kontekstvindue på 262.144 tokens. Udviklere, der arbejder med kodegenerering i mange trin og agentiske opgaver med værktøjskald, som kræver meget kontekst til ræsonnering, vil vælge denne model.
Vigtigste styrker. Egenskaberne inden for kodegenerering er det tydeligste signal: Moonshot AI positionerer den eksplicit som en agentisk model til kodning, og dens målte score i benchmarks for kodning er markant stærkere end dens generelle kvalitetsscore. Den har også en løkke til værktøjskald, der er velegnet til agentiske arbejdsflow, og den accepterer billeder som inddata sammen med tekst. Der køres udvidet tænkning på hvert svar, hvilket giver modellen en obligatorisk ræsonneringsrunde, før den svarer — nyttigt til sværere kodning og problemer med mange trin, selvom det sker på bekostning af, at funktionen altid er slået til.
Anvendelsesområder. Brug Kimi K2.7 Code til agentiske opgaver med kodning, der har gavn af et stort kontekstvindue — arbejde på tværs af mange filer, lange samtalehistorikker eller omfattende kæder af værktøjskald. Dens altid aktive udvidede tænkning og store MoE-aftryk gør den bedre egnet til asynkrone arbejdsbelastninger eller batch-kørsler end til realtidschat med korte krav til svartid. Den er et fornuftigt valg, når opgaven er tung på kodning eller ræsonnering frem for generel samtale, skrivning eller domænespecifikt arbejde som juridisk eller medicinsk analyse, hvor den ikke har særlige styrker.
Begrænsninger. Udvidet tænkning kan ikke slås fra, så hver forespørgsel indeholder et ræsonneringsspor og den ekstra svartid, der følger med. Moonshot AI har ikke oplyst, hvor træningsdataene slutter for denne model, og dens benchmark for generel kvalitet er beskeden i forhold til dens styrke inden for kodning, så den er ikke et stærkt valg til brede opgaver uden for kodning. Der er ikke dokumenteret nogen finjustering af indholdssikkerhed eller moderering for denne model.
Bemærkning om suverænitet. Kimi K2.7 Code er bygget af Moonshot AI, som er baseret i Kina; modelskaberen er ikke underlagt CLOUD Act. Der findes i øjeblikket intet Stav-endepunkt for denne model, så dataplacering på endepunktsniveau er endnu ikke fastlagt.
| Inferensleverandør | Suverænitet | Kører i | Ind / ud per 1 mio. | Status | Fastgør |
|---|---|---|---|---|---|
| L1 | 1,15 / 4,05€ | Online |
13 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
MoE-kodningsmodel med 1 billion parametre, 262k kontekstvindue og obligatorisk udvidet ræsonnering er velegnet til agentiske arbejdsflow i store arkiver, men kladdestatus og et kvalitetsindeks på 43,0 betyder, at den halter efter validerede produktionsmodeller.
Understøttelse af billedforståelse plus et 262k kontekstvindue kan håndtere OCR af lange scannede dokumenter, selvom dette er en model med fokus på kodning uden OCR-specifikke benchmarks.
Kodningsfokuseret MoE med udvidet ræsonnering understøtter fejlsporing i flere filer på tværs af et 262k kontekstvindue, men kladdestatus betyder, at den ikke er valideret til driftskritisk diagnosticering.
Billedforståelse muliggør analyse af screenshots relevant for kodnings- og fejlfindingsarbejdsflow (f.eks. fejlrapporter i brugerfladen), hvilket stemmer overens med dens fokus på agentisk koding.
Obligatorisk udvidet ræsonnering og specialisering i kodning understøtter trinvis forklaring af kode, selvom den endnu ikke er valideret på et kvalitetsniveau svarende til en endelig udgivelse.
Specialbygget kodningsarkitektur med 262k kontekstvindue håndterer lange kontekster til færdiggørelse, selvom kladdestatus og lav benchmark-score kræver forsigtighed før brug i drift.
Ingen eksplicit egenskab for værktøjskald er dokumenteret for denne variant, og kladdestatus samt et kvalitetsindeks på 43,0 gør den til et dårligt standardvalg til applikationer med funktionskald.
Billedforståelse er til stede, men modellens design og beskrivelse er centreret om kodning uden dokumentation for ydeevne inden for ekstraktion af diagrammer eller datavisualisering.
Listen over egenskaber inkluderer billedforståelse og promptcaching, men ingen bekræftet understøttelse af værktøjskald, og kladdestatus betyder, at den agentiske pålidelighed er uverificeret til orkestreringsarbejdsflow.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod hele Stav-kataloget.
Beregnet ud fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "moonshotai/kimi-k2-7-code",
"reasoning_effort": "high",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på