Les poids de Kimi K2.7 Code sont-ils ouverts et puis-je l’exécuter localement ?

Oui, les poids sont publiquement disponibles sur Hugging Face à moonshotai/Kimi-K2.7-Code. Avec 1 trillion de paramètres, vous aurez besoin d’un matériel conséquent ; consultez un guide VRAM avant de télécharger.

Quel est le coût de Kimi K2.7 Code et quelle est la taille de son contexte ?

Via API, il est tarifé à 0,67 $ par million de tokens d’entrée et 3,35 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.

En quoi K2.7 Code diffère-t-il de K2.6 ?

K2.7 Code est construit sur K2.6 avec un focus sur les tâches réelles de codage à long terme et une meilleure efficacité en tokens, réduisant l’usage de tokens de réflexion d’environ 30 % par rapport à K2.6.

Kimi K2.7 Code

5848°

#llm #moonshotai #vision #raisonnement #programmation #agents

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

MoonshotAI | contexte de 262 144 tokens | 0,67 $/M en entrée, 3,35 $/M en sortie. MoonshotAI : Kimi K2.7 Code est un modèle axé sur la programmation dans la famille Kimi K2 de Moonshot AI, conçu pour accomplir de manière fiable des tâches de programmation de bout en bout sur de longs contextes. Il utilise une architecture native multimodale mixture-of-experts acceptant du texte et des images en entrée, et fonctionne toujours en mode réflexion, conservant tout le raisonnement sur plusieurs tours de conversation. Avec une fenêtre de contexte de 256K tokens, il cible la programmation à long terme, la décomposition agentique des tâches et le dialogue multi-tours. Le modèle active 32 milliards de paramètres sur environ 1 trillion au total.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Kimi K2.7 Code est le modèle spécialiste du codage de Moonshot AI, construit sur une architecture mixture-of-experts à 1 trillion de paramètres activant 32 milliards de paramètres par token. Il fonctionne toujours en mode réflexion, conservant le raisonnement sur plusieurs tours de conversation, et cible les tâches d’ingénierie logicielle à long terme avec une fenêtre de contexte de 256K tokens. Poids ouverts et multimodal, il convient aux développeurs qui ont besoin d’un modèle agentique performant qu’ils peuvent exécuter eux-mêmes.

Connu pour

Codage agentique de bout en bout sur des workflows logiciels complexes et multi-étapes
Mode réflexion toujours actif avec raisonnement complet conservé sur plusieurs tours
Fenêtre de contexte de 256K tokens adaptée aux gros codes et longues tâches
Environ 30 % de tokens de réflexion en moins que son prédécesseur K2.6
Accepte les entrées images via un encodeur vision natif MoonViT

Attention à

Avec 1 trillion de paramètres, l’auto-hébergement demande un matériel sérieux ; vérifiez les besoins en VRAM avant de vous engager.
Les benchmarks présentés sont des évaluations internes de Moonshot AI en plus de tiers ; pesez-les en conséquence.
Le prix de sortie à 3,35 $/M tokens monte vite sur les longues réponses en mode réflexion.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Contexte long

Fonctionne localement

Prompts à essayer

Refactoriser un service legacy

J’ai un service Python Flask qui gère l’authentification utilisateur avec des requêtes SQL brutes et stocke les sessions dans un dictionnaire global. Refactorez-le pour utiliser SQLAlchemy ORM, un vrai stockage de sessions, et ajoutez une validation des entrées. Expliquez votre raisonnement avant d’écrire le code, puis produisez les fichiers refactorisés complets.

Déboguer à partir d’un binaire

J’ai un outil CLI compilé qui analyse des fichiers CSV et produit un rapport résumé. Je n’ai pas le code source. À partir de cet extrait de documentation décrivant ses flags et format de sortie, écrivez une réimplémentation Python qui correspond à son comportement, y compris les cas limites pour fichiers vides et lignes malformées.

Plan de construction agentique

Planifiez et implémentez une API REST minimale en Go exposant des endpoints CRUD pour une liste de tâches, stockant les données dans SQLite, incluant une authentification JWT basique, et avec un Dockerfile. Découpez le travail en étapes, raisonnez chaque décision de conception, puis écrivez tous les fichiers nécessaires pour l’exécuter.

Comparer avec

Kimi Latest
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.29/M, sortie $24.00/M
Kimi K3
Modèle à poids ouverts
Contexte de 1,048,576 tokens · entrée $0.30/M, sortie $11.94/M
Kimi K2 Thinking
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.60/M, sortie $2.50/M
Kimi K2.5
Modèle à poids ouverts
Contexte de 262,144 tokens · entrée $0.50/M, sortie $2.50/M

Plus de modèles de texte de moonshotai

Questions fréquentes

Les poids de Kimi K2.7 Code sont-ils ouverts et puis-je l’exécuter localement ?: Oui, les poids sont publiquement disponibles sur Hugging Face à moonshotai/Kimi-K2.7-Code. Avec 1 trillion de paramètres, vous aurez besoin d’un matériel conséquent ; consultez un guide VRAM avant de télécharger.
Quel est le coût de Kimi K2.7 Code et quelle est la taille de son contexte ?: Via API, il est tarifé à 0,67 $ par million de tokens d’entrée et 3,35 $ par million de tokens de sortie, avec une fenêtre de contexte de 262 144 tokens.
En quoi K2.7 Code diffère-t-il de K2.6 ?: K2.7 Code est construit sur K2.6 avec un focus sur les tâches réelles de codage à long terme et une meilleure efficacité en tokens, réduisant l’usage de tokens de réflexion d’environ 30 % par rapport à K2.6.

Verdict du capitaine
Un agent de codage sérieux à poids ouverts avec un long contexte et un raisonnement toujours actif — un bon investissement matériel si votre charge de travail est l’ingénierie logicielle agentique.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Qwen3 Coder 480B A35B

TEXT / LLM

gpt oss 120b Ultra

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Kimi K2.7 Code est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm moonshotai vision raisonnement programmation agents contexte long local

Parcourir par famille de modèles