Kimi K2.7-Code 现已在 TheRouter.ai 上线

Moonshot AI 于 2026 年 6 月 12 日发布了 Kimi K2.7-Code。这是一款面向代码场景的 MoE 模型，总参数规模约 1 万亿（每次推理激活 320 亿），上下文窗口达 256,144 Token，在多项基准测试上较前代模型有显著提升，同时推理 Token 消耗减少约 30%，直接降低了每次任务的使用成本。现已在 TheRouter.ai 上线，模型 ID 为 moonshot/kimi-k2.7-code。

Kimi K2.7-Code 是什么？

K2.7-Code 是 Moonshot Kimi K2 编程专项系列的第三代产品。与前代相同，它采用混合专家（MoE）架构：总参数量约 1 万亿，但每次前向传播仅激活 320 亿参数。这使得该模型在推理成本上接近中等规模密集模型，同时保持顶级的编程能力。

核心规格一览：

256K 的上下文窗口非常适合大规模 Agentic 编程工作流——在单次推理中读取完整代码库、处理长工具调用链，或执行多步骤的软件工程任务，无需分块处理。

三代对比：K2.5 → K2.6 → K2.7

在 Moonshot 三项标准编程基准上，历代提升趋势稳定且显著：

MLS Bench Lite 的提升幅度（+31.5%）最为突出：该基准专门评估长流程软件工程任务，直接对应 Agentic 场景——模型需要规划并执行跨文件的多步骤变更。

Token 效率：推理 Token 减少约 30%

除基准分数外，K2.7-Code 在达到相同输出质量时，相比 K2.6 约少产生 30% 的推理 Token。实际影响如下：

• 每次任务成本更低：在精度不变的前提下，尤其适合需要多轮迭代的 Agentic 流水线。
• 首 Token 延迟更短：内部思维链更简洁，复杂推理步骤的响应速度更快。
• 更多上下文预算留给实际内容：代码、测试用例和工具调用结果能占用更多窗口，而非被推理轨迹填满。

如果你之前使用 K2.6 主要是出于成本考量，K2.7-Code 在精度提升的同时降低了 Token 开销，升级理由充分。

典型编程使用场景

K2.7-Code 专为以下场景设计——这些场景对上下文长度和持续推理质量要求最高：

长流程 Agentic 软件工程 — 多步骤任务：读取现有代码、规划跨文件变更、编写实现、运行测试、观察失败并迭代。256K 窗口让 Agent 在单次传递中保留完整上下文（代码库、工具输出、对话历史）。

大型代码库理解 — 将完整模块树、完整测试套件或大型 API 规范一次性加载，在生成响应前进行整体推理。

全上下文代码审查 — 将完整 diff 与周边代码库同时输入，生成详尽、有上下文感知的审查，而非孤立地分析代码片段。

自动测试生成 — 在理解完整模块实现后编写测试用例，能捕捉到仅依赖代码片段生成测试时容易遗漏的边界情况。

大规模迁移与重构 — 在感知完整依赖图的前提下，规划并执行跨文件的重构。

在 TheRouter.ai 的定价

缓存命中价格 $0.19/M 对 Agentic 工作流尤为重要。当 Agent 的多个步骤反复引用相同的代码库前缀时，Prompt 缓存可将该固定上下文的成本降低 80%，而 32B 激活参数的架构则保证了长上下文下的输出生成成本依然可控。

通过 TheRouter.ai 快速上手

TheRouter.ai 为所有模型提供统一的 OpenAI 兼容接入点。将模型 ID 替换为 moonshot/kimi-k2.7-code，沿用现有 API Key 即可，无需额外配置。

from openai import OpenAI

client = OpenAI(
    api_key="your-therouter-api-key",
    base_url="https://api.therouter.ai/v1",
)

response = client.chat.completions.create(
    model="moonshot/kimi-k2.7-code",
    messages=[
        {
            "role": "system",
            "content": (
                "你是一名资深软件工程师。"
                "请分析提供的代码，识别问题并实现修复方案。"
            ),
        },
        {
            "role": "user",
            "content": "请审查以下 Python 模块，并将其重构为全程使用 async/await 的异步风格：\n\n[在此粘贴您的代码]",
        },
    ],
    max_tokens=4096,
)

print(response.choices[0].message.content)

对于需要长上下文的 Agentic 编程流水线，256K 窗口支持直接加载完整代码库：

import pathlib

codebase = {}
for path in pathlib.Path("./src").rglob("*.py"):
    codebase[str(path)] = path.read_text()

context = "\n\n".join(
    f"# {filepath}\n```python\n{content}\n```"
    for filepath, content in codebase.items()
)

response = client.chat.completions.create(
    model="moonshot/kimi-k2.7-code",
    messages=[
        {"role": "system", "content": "你是一名资深软件架构师。"},
        {
            "role": "user",
            "content": f"以下是完整代码库：\n\n{context}\n\n请识别所有循环依赖并提出重构方案。",
        },
    ],
    max_tokens=8192,
)

何时选择 K2.7-Code，何时选择其他模型

TheRouter.ai 上有多款出色的编程模型。以下是选型参考：

推荐使用 K2.7-Code 的场景：

• 需要 256K+ 上下文的大型 Agentic 任务
• 已在使用 K2.6，希望在成本和质量上同步提升
• 工作负载属于长流程软件工程（跨文件、多步骤）
• 需要开放权重（可通过 Hugging Face 本地部署）

可考虑其他模型的场景：

• 追求极低延迟的短代码自动补全——更小、更快的模型可能更合适
• 任务以指令跟随或非编程推理为主——通用模型可能表现更优
• 需要视觉或多模态输入——K2.7-Code 仅支持文本输入

K2.7-Code 位于前沿编程专项模型的同一梯队。对于任何基于 Moonshot 的编程流水线，它是强力的默认选择；推理 Token 减少 30% 也意味着执行相同任务时，运行成本明显低于 K2.6。

---

Kimi K2.7-Code 现已可用。模型 ID：moonshot/kimi-k2.7-code。完整 API 文档请访问 api.therouter.ai。