Kimi K2.7 Code

Fiche modèle · Moonshot AI · kimi-k2.7-code

Kimi K2.7 Code is Moonshot AI's coding-focused agentic model built on Kimi K2.6. It improves real-world long-horizon coding task completion, instruction following, and token efficiency while reducing thinking-token usage by approximately 30% versus Kimi K2.6. The model uses a native multimodal Mixture-of-Experts architecture with 1T total parameters, 32B activated parameters, a 256K-token context window, image and video input support, and forced thinking with preserve_thinking enabled for multi-turn coding agent workflows.

Fiches modèles

Identité

Organisation	Moonshot AI
Pays	—
Famille	—
Type	llm
Date de sortie	2026-06-12
Licence	modified mit license
Licence commerciale	non
Licence open source	non
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 1e+03 Md > 107 Md
Modalités	image\|text\|video
Fenêtre de contexte	262 144
KV cache / token (Q8)	874.5 ko/token
Paramètres totaux	1 T
Paramètres actifs (session)	32 B
Source des paramètres actifs	web : https://huggingface.co/moonshotai/Kimi-K2.7-Code
Curation des paramètres actifs	2026-11-04
Prix par session	1.36 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	11.42 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-06-12T23:25:40.477266Z
Mis à jour le	2026-11-04T06:05:14.954284Z
Source	LLM Stats
URL	https://llm-stats.com/models/kimi-k2.7-code

Tokens/tâche

IA Act — preuves fournisseur

ICA 2/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	0,0	35 %
Conformité droit d'auteur	0,0	35 %
Code of Practice GPAI	0,0	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-21.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : souverain — via GreenPT (eurouter), Inceptron (cortecs, eurouter), Lyceum Technology GmbH (eurouter), Tensorix (cortecs, eurouter).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
GreenPT	eurouter	souverain	—	—	—	262 144	—	—	—
Inceptron	cortecs, eurouter	souverain	0.66 $	3.32 $	int4	256 000 / 262 144	—	—	—
Lyceum Technology GmbH	eurouter	souverain	—	—	—	262 144	—	—	—
Tensorix	cortecs, eurouter	souverain	1.25 $	4.48 $	int4	262 144	—	—	—
DeepInfra	llm-stats	non	0.68 $	3.40 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
math	0.70
reasoning	0.50
general	0.60
agents	0.50
code	0.50
tool_calling	0.80

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
deepswe-1.1	code	0.31	1.00	0.31	non	non	2026-11-04T06:05:14.978179Z
frontiercode-1.1	reasoning	0.30	1.00	0.30	non	non	2026-11-04T06:05:14.981141Z
kimi-claw-24-7-bench	agents	0.47	1.00	0.47	non	oui	2026-11-04T06:05:14.966227Z
kimi-code-bench-v2	agents	0.62	1.00	0.62	non	oui	2026-11-04T06:05:14.957402Z
livebench	math	0.72	1.00	0.72	non	non	2026-11-04T06:05:14.975105Z
mcp-atlas	reasoning	0.76	1.00	0.76	non	oui	2026-11-04T06:05:14.969146Z
mcp-mark	agents	0.81	1.00	0.81	non	oui	2026-11-04T06:05:14.972124Z
mls-bench-lite	agents	0.35	1.00	0.35	non	oui	2026-11-04T06:05:14.963216Z
program-bench	agents	0.54	1.00	0.54	non	oui	2026-11-04T06:05:14.960262Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	59	—	25.80	6	trueskill	2026-10-19	model_history
code	65	—	29.25	5	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04