Sind die Gewichte offen und kann ich Kimi K2.7 Code lokal ausführen?

Ja, die Gewichte sind öffentlich auf Hugging Face unter moonshotai/Kimi-K2.7-Code verfügbar. Mit 1 Billion Parametern benötigen Sie jedoch erhebliche Hardware; siehe VRAM-Leitfaden vor dem Download.

Was kostet Kimi K2.7 Code und wie lang ist sein Kontext?

Per API kostet es 0,67 $ pro Million Eingabetokens und 3,35 $ pro Million Ausgabetokens, mit einem Kontextfenster von 262.144 Tokens.

Worin unterscheidet sich K2.7 Code von K2.6?

K2.7 Code basiert auf K2.6 mit Fokus auf reale, langfristige Codieraufgaben und verbesserte Token-Effizienz, reduziert den Denk-Token-Verbrauch um etwa 30 % gegenüber K2.6.

Kimi K2.7 Code

5848°

#llm #moonshotai #vision #logik #programmieren #agenten

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

MoonshotAI | 262.144 Token-Kontext | $0,67/M Eingabe, $3,35/M Ausgabe. MoonshotAI: Kimi K2.7 Code ist ein auf Programmierung fokussiertes Modell aus der Kimi K2-Familie von Moonshot AI, entwickelt, um End-to-End-Programmieraufgaben zuverlässig über lange Kontexte hinweg zu erledigen. Es verwendet eine native multimodale Mixture-of-Experts-Architektur, die Text- und Bildeingaben akzeptiert, und arbeitet stets im Denkmodus, wobei der vollständige Begründungsinhalt über mehrstufige Gespräche erhalten bleibt. Mit einem 256K-Token-Kontextfenster zielt es auf langfristiges Programmieren, agentische Aufgabenzerlegung und mehrstufige Dialoge ab. Das Modell aktiviert 32 Milliarden Parameter von insgesamt etwa 1 Billion.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Kimi K2.7 Code ist Moonshot AIs auf Codierung spezialisiertes Modell, basierend auf einer Mixture-of-Experts-Architektur mit 1 Billion Parametern, die pro Token 32 Milliarden aktivierte Parameter nutzt. Es läuft immer im Denkmodus, bewahrt Reasoning über mehrstufige Gespräche hinweg und zielt mit einem 256K-Tokens-Kontextfenster auf langfristige Software-Engineering-Aufgaben ab. Offene Gewichte und multimodal, eignet es sich für Entwickler, die ein fähiges agentisches Codiermodell selbst betreiben wollen.

Bekannt für

End-to-End agentisches Codieren über komplexe, mehrstufige Software-Engineering-Workflows
Immer aktiver Denkmodus mit vollständigem Reasoning über mehrstufige Sitzungen hinweg
256K-Tokens-Kontextfenster, geeignet für große Codebasen und lange Aufgaben
Ungefähr 30 % weniger Denk-Tokens als Vorgänger K2.6
Akzeptiert Bildeingaben über einen nativen MoonViT-Vision-Encoder

Achte auf

Mit 1 Billion Parametern erfordert Selbsthosting ernsthafte Hardware; prüfen Sie VRAM-Anforderungen vor Nutzung.
Gezeigte Benchmarks sind Moonshot AIs eigene interne Bewertungen neben Drittanbieter-Benchmarks; entsprechend gewichten.
Ausgabepreise von 3,35 $ pro Million Tokens summieren sich bei langen Denkmodus-Antworten schnell.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Legacy-Service refaktorisieren

Ich habe einen Python-Flask-Service, der Benutzer-Authentifizierung mit rohen SQL-Abfragen handhabt und Sessions in einem globalen Dictionary speichert. Refaktoriere ihn, um SQLAlchemy ORM, einen richtigen Session-Store und Eingabevalidierung zu verwenden. Erkläre deine Überlegungen vor dem Code, dann liefere die vollständigen refaktorierten Dateien.

Debugging anhand eines Binärprogramms

Ich habe ein kompiliertes CLI-Tool, das CSV-Dateien parst und einen Zusammenfassungsbericht ausgibt. Ich habe keinen Quellcode. Basierend auf diesem Dokumentationsausschnitt, der Flags und Ausgabeformat beschreibt, schreibe eine Python-Neuimplementierung, die das Verhalten einschließlich Randfälle für leere Dateien und fehlerhafte Zeilen abdeckt.

Agentischer Bauplan

Plane und implementiere eine minimale REST-API in Go, die CRUD-Endpunkte für eine Aufgabenliste bereitstellt, Daten in SQLite speichert, grundlegende JWT-Authentifizierung enthält und eine Dockerfile hat. Teile die Arbeit in Schritte, begründe jede Designentscheidung und schreibe dann alle Dateien, die zum Ausführen nötig sind.

Vergleichen mit

Kimi Latest
Nur API-Modell
1,048,576 Token Kontext · $0.29/M Eingabe, $24.00/M Ausgabe
Kimi K3
Modell mit offenen Gewichten
1,048,576 Token Kontext · $0.30/M Eingabe, $11.94/M Ausgabe
Kimi K2 Thinking
Modell mit offenen Gewichten
262,144 Token Kontext · $0.60/M Eingabe, $2.50/M Ausgabe
Kimi K2.5
Modell mit offenen Gewichten
262,144 Token Kontext · $0.50/M Eingabe, $2.50/M Ausgabe

Mehr Textmodelle von moonshotai

Häufig gestellte Fragen

Sind die Gewichte offen und kann ich Kimi K2.7 Code lokal ausführen?: Ja, die Gewichte sind öffentlich auf Hugging Face unter moonshotai/Kimi-K2.7-Code verfügbar. Mit 1 Billion Parametern benötigen Sie jedoch erhebliche Hardware; siehe VRAM-Leitfaden vor dem Download.
Was kostet Kimi K2.7 Code und wie lang ist sein Kontext?: Per API kostet es 0,67 $ pro Million Eingabetokens und 3,35 $ pro Million Ausgabetokens, mit einem Kontextfenster von 262.144 Tokens.
Worin unterscheidet sich K2.7 Code von K2.6?: K2.7 Code basiert auf K2.6 mit Fokus auf reale, langfristige Codieraufgaben und verbesserte Token-Effizienz, reduziert den Denk-Token-Verbrauch um etwa 30 % gegenüber K2.6.

Captain's Urteil
Ein ernstzunehmender Open-Weights-Codieragent mit langem Kontext und immer aktivem Reasoning – die Hardwarekosten lohnen sich, wenn agentisches Software-Engineering Ihr tatsächlicher Anwendungsfall ist.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

KI-Modelle für Bild-, Video- und Texterzeugung

Kimi K2.7 Code ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm moonshotai vision logik programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern