| Architecture | Mixture-of-Experts (MoE) |
| Total Parameters | 1T |
| Activated Parameters | 32B |
| Number of Layers (Dense layer included) | 61 |
| Number of Dense Layers | 1 |
| Attention Hidden Dimension | 7168 |
| MoE Hidden Dimension (per Expert) | 2048 |
| Number of Attention Heads | 64 |
| Number of Experts | 384 |
| Selected Experts per Token | 8 |
| Number of Shared Experts | 1 |
| Vocabulary Size | 160K |
| Context Length | 256K |
| Attention Mechanism | MLA |
| Activation Function | SwiGLU |
| Vision Encoder | MoonViT |
| Parameters of Vision Encoder | 400M |
| Benchmark | Kimi K2.6 | Kimi K2.7 Code | GPT-5.5 | Claude Opus 4.8 |
|---|---|---|---|---|
| Coding | ||||
| Kimi Code Bench v2 | 50.9 | 62.0 | 69.0 | 67.4 |
| Program Bench | 48.3 | 53.6 | 69.1 | 63.8 |
| MLS Bench Lite | 26.7 | 35.1 | 35.5 | 42.8 |
| Agentic | ||||
| Kimi Claw 24/7 Bench | 42.9 | 46.9 | 52.8 | 50.4 |
| MCP Atlas | 69.4 | 76.0 | 79.4 | 81.3 |
| MCP Mark Verified | 72.8 | 81.1 | 92.9 | 76.4 |
ტექნოლოგიურმა კომპანიამ Moonshot AI პროგრამირებაზე ორიენტირებული ახალი მოდელი, Kimi K2.7-Code გამოუშვა. სიახლე Kimi K2.6-ის ბაზაზეა შექმნილი და მიზნად ისახავს რთული საინჟინრო ამოცანების ავტომატიზაციასა და შესრულებას.
მოდელის მთავარი უპირატესობა ტოკენების ეფექტური მართვაა. Kimi K2.7-Code-მა წინა ვერსიასთან შედარებით 30%-ით შეამცირა ე.წ. „აზროვნების ტოკენების“ (thinking-token) მოხმარება, რაც პროგრამისტებს უფრო სწრაფ და ეკონომიურ მუშაობის საშუალებას აძლევს.
ტექნიკური მახასიათებლები და შეფასება
მოდელი იყენებს Native INT4 კვანტიზაციის მეთოდს, რაც მის ინტეგრაციას ამარტივებს. Kimi K2.7-Code სრულად თავსებადია Kimi K2.5 და K2.6 არქიტექტურებთან, ამიტომ დეველოპერებს არ დასჭირდებათ არსებული ინფრასტრუქტურის რადიკალურად შეცვლა.
სისტემა მხარს უჭერს როგორც ტექსტურ, ისე ვიზუალურ მონაცემებს — მომხმარებლებს შეუძლიათ მოდელს სურათები და ვიდეო მასალებიც გაუზიარონ, რაც კოდის დებაგინგისა და ანალიზისთვის დამატებითი კომფორტია.
დანერგვა და გამოყენება
Kimi K2.7-Code-ის API ხელმისაწვდომია Moonshot-ის პლატფორმაზე და თავსებადია OpenAI-ისა და Anthropic-ის სტანდარტებთან. მოდელის ეფექტურად გასაშვებად რეკომენდებულია შემდეგი ძრავების გამოყენება:
- vLLM
- SGLang
- KTransformers
გასათვალისწინებელია, რომ მოდელი ავტომატურად იყენებს preserve_thinking რეჟიმს. ეს ფუნქცია ინახავს მსჯელობის სრულ პროცესს მრავალეტაპიანი დიალოგის დროს, რაც კრიტიკულად მნიშვნელოვანია რთული პროგრამირების ამოცანების გადასაჭრელად.
ვიდეო კონტენტის ანალიზი ამ ეტაპზე მხოლოდ ოფიციალური API-ს მეშვეობითაა შესაძლებელი. სისტემა მოითხოვს 1.0 ტემპერატურას (Thinking mode-ისთვის) და 0.95 top_p პარამეტრს.
ლიცენზია და მხარდაჭერა
Moonshot AI-მა მოდელი და კოდის რეპოზიტორია Modified MIT ლიცენზიით გაავრცელა, რაც მას დეველოპერებისთვის უფრო ხელმისაწვდომს ხდის. დამატებითი კითხვებისა და ტექნიკური მხარდაჭერისთვის კომპანია მომხმარებლებს support@moonshot.ai-ის საშუალებით უკავშირდება.
პროგრამირების ამოცანების შესასრულებლად მწარმოებელი გვირჩევს Kimi Code CLI-ის გამოყენებას, რომელიც სპეციალურად ამ მოდელისთვისაა ოპტიმიზებული.
დისკუსია
0 კომენტარი
ჯერ კომენტარი არ არის — იყავი პირველი.