Laster katalogen …
Laster katalogen …
Moonshot AIs mixture-of-experts-modell for koding og agentiske oppgaver med åpne vekter, 1 billion parametere, obligatorisk utvidet resonnering og et kontekstvindu på 262 144 token.
Oversikt. Kimi K2.7 Code er Moonshot AIs kodingsfokuserte agentiske modell, bygget på Kimi K2.6-arkitekturen og utgitt med åpne vekter under en Modified-MIT-lisens. Det er en mixture-of-experts-modell med 1 billion parametere, 384 eksperter og 32 milliarder aktive parametere per token, kombinert med et kontekstvindu på 262 144 token. Utviklere som jobber med agentiske oppgaver med mange steg og kodingsoppgaver som krever mye kontekst å resonnere over, vil finne denne modellen nyttig.
Viktigste styrker. Kodingsegenskapene er det tydeligste fortrinnet: Moonshot AI posisjonerer den eksplisitt som en kodingsfokusert agentisk modell, og den målte kodingsbenchmarkskåren er merkbart sterkere enn den generelle kvalitetsskåren. Den har også en verktøykallsløkke tilpasset agentiske arbeidsflyter og aksepterer bilder som inndata i tillegg til tekst. Utvidet resonnering kjører på alle svar, noe som gir modellen et obligatorisk resonneringssteg før den svarer – nyttig for krevende kodingsoppgaver og oppgaver med mange steg, men det betyr at funksjonen alltid er på.
Når du bør bruke den. Bruk Kimi K2.7 Code til agentiske kodingsoppgaver som drar nytte av et stort kontekstvindu – arbeid på tvers av mange filer, lange samtalehistorikker eller lange verktøykallskjeder. Den alltid-på utvidede resonneringen og det store MoE-fotavtrykket gjør den bedre egnet til asynkrone arbeidsflyter eller batchbaserte arbeidsflyter enn til svartidssensitiv sanntidschat. Den passer godt når oppgaven er kodingsorientert eller resonneringskrevende, snarere enn generell samtale, skriving eller domènespesifikt arbeid som juridisk eller medisinsk analyse, der den ikke har noen særlig styrke.
Begrensninger. Utvidet resonnering kan ikke slås av, så alle forespørsler inneholder et resonneringsspor og den økte svartiden det medfører. Moonshot AI har ikke oppgitt når treningsdataene slutter for denne modellen, og den generelle kvalitetsbenchmarken er beskjeden sammenlignet med kodingsstyrken, så den er ikke et godt valg for brede oppgaver utenfor koding. Det er ikke dokumentert noen innholdssikkerhets- eller modereringsoptimalisering for denne modellen.
Suverenitetsnotat. Kimi K2.7 Code er utviklet av Moonshot AI, som er basert i Kina; modellskaperen er ikke eksponert for CLOUD Act. Det finnes foreløpig ingen Stav-endepunkt for denne modellen, og datalokasjon på endepunktnivå er derfor ikke fastslått ennå.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L1 | 1,15 / 4,05€ | Tilkoblet |
29 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
MoE-kodingsmodell med 1T parametere, 262K kontekstvindu og obligatorisk utvidet resonnering passer godt til agentiske arbeidsflyter med mange steg i store kodebaser, men utkast-status og en kvalitetsindeks på 43,0 gjør at den henger etter validerte produksjonskodingsmodeller.
Kodingsspesialisering strekker seg naturlig til analytiske skript og kvantitativ resonnering; utvidet resonnering støtter flertrinns kvantitativ analyse, men visjonsbasert diagramanalyse er mindre validert.
Visjonsstøtte og et 262K kontekstvindu kan håndtere OCR av lange skannede dokumenter, men dette er primært en kodingsmodell uten OCR-spesifikke referanseskår.
Kodingsfokusert MoE med utvidet resonnering støtter sporing av feil på tvers av flere filer i et 262K kontekstvindu, men utkast-status betyr at den ikke er validert for feildiagnose der pålitelighet er kritisk.
Visjonsegenskap kombinert med analytisk resonnering fra kodingsbakgrunnen støtter diagramtolkning; det finnes ingen diagramspesifikke referanseskår som bekrefter ytelse på toppnivå.
Visjonsegenskap muliggjør skjermbildeanalyse relevant for koding og feilsøkingsarbeidsflyter (f.eks. feilrapporter for brukergrensesnitt), i tråd med det agentiske kodingsfokuset.
Ingen eksplisitt verktøykall-egenskap er dokumentert for denne varianten, og utkast-status kombinert med en kvalitetsindeks på 43,0 gjør den til et dårlig standardvalg for applikasjoner med funksjonskall.
Kodingsspesialisert modell med en kvalitetsindeks på 41,9; generering av løpende tekst er ikke den dokumenterte styrken til denne varianten.
Ingen verktøykall eller nettleserhandlinger er dokumentert; modellens profil er rettet mot koding og tekst, ikke agentiske netthandlinger.
Arkitektur og treningsfokus rettet mot koding gjør denne til et dårlig standardvalg for oversettingsoppgaver; det finnes ingen flerspråklig benchmarkdokumentasjon.
Modellfamilien er kodingsfokusert med lav generell kvalitetsindeks (41,9); ikke optimalisert for bred syntese av forskningsinnhold.
Semantisk søk krever vanligvis innbyggingsmodeller eller lette rangeringsmodeller; en MoE med 1T parametere og obligatorisk utvidet resonnering er for tung og gir for lang svartid til dette bruksområdet.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet 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",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level – nivået forespørselen ble betjent på