Kimi K2.7 Code
Kimi K2.7 Code est un LLM agentique de Moonshot AI, spécialisé dans le code et les tâches longues d’ingénierie logicielle. Construit sur Kimi K2.6, il repose sur une architecture Mixture-of-Experts de 1000 milliards de paramètres, dont 32 milliards actifs, avec attention MLA, activation…
Kimi K2.7 Code est un LLM agentique de Moonshot AI, spécialisé dans le code et les tâches longues d’ingénierie logicielle. Construit sur Kimi K2.6, il repose sur une architecture Mixture-of-Experts de 1000 milliards de paramètres, dont 32 milliards actifs, avec attention MLA, activation SwiGLU et fenêtre de contexte de 262 144 tokens.
Sorti le 12 juin 2026, il traite le texte, l’image et la vidéo via l’API officielle grâce à l’encodeur MoonViT. Son mode Thinking est forcé et preserve_thinking est activé par défaut. Le déploiement est compatible avec vLLM, SGLang et KTransformers. Sa licence Modified MIT License ne donne pas accès aux poids.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Moonshot AI |
| Poids | 🟢 Poids ouverts · usage commercial restreint (recherche / non commercial) |
| Licence | Modified MIT License |
| Date de sortie | 12 juin 2026 |
| Multimodal | oui |
| Paramètres | 1000 milliards |
| Paramètres actifs | 32 milliards |
| Fenêtre de contexte | 262 144 tokens |
| Modalités (entrée → sortie) | text,image,video → text |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 41.9 | 19ᵉ / 137 |
| Code Index | 60.8 | 16ᵉ / 74 |
| Agentic Index | 29.6 | 22ᵉ / 68 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MCP-Mark | 81,1 % | 1ᵉ / 8 | llm-stats | Auto-déclaré |
| MCP Atlas | 76,0 % | 11ᵉ / 30 | llm-stats | Auto-déclaré |
| LiveBench | 71,9 % | 27ᵉ / 38 | llm-stats | n.d. |
| Program Bench | 53,6 % | 3ᵉ / 5 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.
Intelligence Index
Code Index
Classements Arena (Elo)
Arena Image-to-Code · 31 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Claude Fable 5 | 1627 |
| 2ᵉ | Claude Opus 4.7 | 1581 |
| 3ᵉ | Claude Opus 4.7 | 1567 |
| ⋯ | ⋯ | |
| 9ᵉ | Kimi K2.6 | 1519 |
| 10ᵉ | seed-2.1-pro-preview | 1518 |
| 11ᵉ | Kimi K2.7 Code | 1517 |
| 12ᵉ | GPT-5.5 | 1510 |
| 13ᵉ | GPT-5.5 | 1495 |
Arena Code · 99 modèles classés
| Rang | Modèle | Elo |
|---|---|---|
| 1ᵉ | Kimi K3 | 1679 |
| 2ᵉ | Claude Fable 5 | 1631 |
| 3ᵉ | GPT-5.6 Sol | 1618 |
| ⋯ | ⋯ | |
| 25ᵉ | Qwen: Qwen3.6 Max Preview | 1480 |
| 26ᵉ | MiMo-V2.5-Pro | 1474 |
| 27ᵉ | Kimi K2.7 Code | 1470 |
| 28ᵉ | Claude Opus 4.5 | 1466 |
| 29ᵉ | Qwen3.6 Plus | 1459 |
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Inceptron | 0,72 $ | 3,5 $ | 0,15 $ |
| deepinfra | 0,74 $ | 3,5 $ | n.d. |
| fireworks | 0,95 $ | 4 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 65 % en dessous de la moyenne des LLM similaires, et 7,6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût par exécution agentique — PinchBench (147 tâches) | 10,92 $ |
| Durée d'exécution — PinchBench | 4 h 55 min |
| Indice valeur/coût — PinchBench | 7,77 |
| Coût moyen par benchmark — Benchable | 0,14 $ |
| Latence moyenne par benchmark — Benchable | 18 min 33 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. Kimi K2.7 Code se distingue en mathématiques, avec une place dans le top 11 sur OTIS Mock AIME 2024-2025, consacré aux olympiades de niveau lycée. Son Code Index le situe dans le haut du classement, tandis que son Agentic Index et son résultat en Arena Code le placent dans le premier tiers. À sa sortie, il figurait aussi dans le top 25% des LLM de sa génération sur GPQA diamond. Sa longue fenêtre de contexte, ses modes de raisonnement imposés et sa prise en charge multimodale correspondent à son positionnement sur les workflows complexes de développement. Son tarif est très économique, inférieur de 64% à la moyenne des LLM similaires et environ 7,6 fois moins élevé que celui des modèles frontière.
Limites et points d’attention. Les résultats élevés en valeur absolue sur Email Classification, Hallucinations, Reasoning, General Knowledge et Ethics s’accompagnent de classements plus modestes, parfois proches du bas de tableau. Cette différence invite à privilégier les positions relatives plutôt que les seuls pourcentages. En Arena Code, Kimi K2.7 Code reste nettement derrière le modèle en tête, malgré une place dans le premier tiers. Enfin, les poids ne sont pas ouverts, ce qui limite l’exploitation autonome malgré la compatibilité avec plusieurs moteurs de déploiement. Le modèle cible surtout le codage agentique, les séquences de travail longues et les projets où le coût d’inférence constitue un critère central.
Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · LiveBench (livebench.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · PinchBench (pinchbench.com) · Benchable.ai (benchable.ai).