Är vikterna öppna och kan jag köra Kimi K2.7 Code lokalt?

Ja, vikterna finns offentligt på Hugging Face under moonshotai/Kimi-K2.7-Code. Med 1 biljon parametrar behöver du betydande hårdvara; se en VRAM-guide innan du laddar ner.

Vad kostar Kimi K2.7 Code och hur lång är dess kontext?

Via API kostar den $0,67 per miljon inmatningstoken och $3,35 per miljon utmatningstoken, med ett kontextfönster på 262 144 token.

Hur skiljer sig K2.7 Code från K2.6?

K2.7 Code är byggd på K2.6 med fokus på verkliga långsiktiga kodningsuppgifter och förbättrad token-effektivitet, vilket minskar användningen av tänktoken med cirka 30 % jämfört med K2.6.

Kimi K2.7 Code

5848°

#llm #moonshotai #vision #resonemang #kodning #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

MoonshotAI | 262,144 token context | $0.67/M input, $3.35/M output. MoonshotAI: Kimi K2.7 Code är en kodningsfokuserad modell i Moonshot AI:s Kimi K2-familj, byggd för att pålitligt slutföra programmeringsuppgifter från början till slut över långa kontexter. Den använder en inbyggd multimodal mixture-of-experts-arkitektur som accepterar text- och bildinmatning, och den arbetar alltid i ett tänkande läge, vilket bevarar full resonemangsinnehåll över flerstegs-konversationer. Med ett 256K-token kontextfönster riktar den sig mot långsiktig kodning, agentisk uppgiftsnedbrytning och flerstegsdialog. Modellen aktiverar 32B parametrar av totalt cirka 1T.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Kimi K2.7 Code är Moonshot AIs kodningsspecialistmodell, byggd på en mixture-of-experts-arkitektur med 1 biljon parametrar som aktiverar 32 miljarder parametrar per token. Den körs alltid i tänk-läge, bevarar resonemang över flerstegssamtal och riktar sig mot långsiktiga mjukvaruingenjörsuppgifter med ett kontextfönster på 256K token. Öppna vikter och multimodal, den passar utvecklare som behöver en kapabel agentbaserad kodningsmodell de kan köra själva.

Känd för

Agentbaserad kodning från början till slut över komplexa, flerstegs mjukvaruingenjörsflöden
Alltid på tänk-läge med full resonemangsbevarande över flerstegssessioner
256K token kontextfönster anpassat för stora kodbaser och långa uppgifter
Cirka 30 % färre tänktoken än föregångaren K2.6
Accepterar bildinmatning via en inbyggd MoonViT-visionskodare

Se upp för

Med 1 biljon totala parametrar krävs seriös hårdvara för självhosting; kontrollera VRAM-krav innan du bestämmer dig.
Benchmarks som visas är Moonshot AIs egna interna utvärderingar tillsammans med tredjeparts; värdera dem därefter.
Utgående prissättning på $3,35/M token blir snabbt dyrt vid långa tänk-läges-svar.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Lång kontext

Kör lokalt

Promptar att prova

Refaktorera en legacy-tjänst

Jag har en Python Flask-tjänst som hanterar användarautentisering med råa SQL-frågor och lagrar sessioner i en global ordbok. Refaktorera den för att använda SQLAlchemy ORM, en riktig sessionshanterare och lägg till inmatningsvalidering. Gå igenom din resonemang innan du skriver koden, och producera sedan de fullständiga refaktoriserade filerna.

Debugga från en binär fil

Jag har ett kompilerat CLI-verktyg som parser CSV-filer och ger en sammanfattande rapport. Jag har ingen källkod. Baserat på detta dokumentationsutdrag som beskriver flaggor och utdataformat, skriv en Python-återimplementation som matchar beteendet, inklusive kantfall för tomma filer och felaktiga rader.

Agentbaserad byggplan

Planera och implementera ett minimalt REST API i Go som exponerar CRUD-endpoints för en uppgiftslista, lagrar data i SQLite, inkluderar grundläggande JWT-autentisering och har en Dockerfile. Dela upp arbetet i steg, resonera kring varje designbeslut, och skriv sedan alla filer som behövs för att köra det.

Jämför med

Kimi Latest
Endast API-modell
1,048,576 tokens kontext · $0.29/M indata, $24.00/M utdata
Kimi K3
Öppen vikt-modell
1,048,576 tokens kontext · $0.30/M indata, $11.94/M utdata
Kimi K2 Thinking
Öppen vikt-modell
262,144 tokens kontext · $0.60/M indata, $2.50/M utdata
Kimi K2.5
Öppen vikt-modell
262,144 tokens kontext · $0.50/M indata, $2.50/M utdata

Fler textmodeller från moonshotai

Vanliga frågor

Är vikterna öppna och kan jag köra Kimi K2.7 Code lokalt?: Ja, vikterna finns offentligt på Hugging Face under moonshotai/Kimi-K2.7-Code. Med 1 biljon parametrar behöver du betydande hårdvara; se en VRAM-guide innan du laddar ner.
Vad kostar Kimi K2.7 Code och hur lång är dess kontext?: Via API kostar den $0,67 per miljon inmatningstoken och $3,35 per miljon utmatningstoken, med ett kontextfönster på 262 144 token.
Hur skiljer sig K2.7 Code från K2.6?: K2.7 Code är byggd på K2.6 med fokus på verkliga långsiktiga kodningsuppgifter och förbättrad token-effektivitet, vilket minskar användningen av tänktoken med cirka 30 % jämfört med K2.6.

Kaptens omdöme
En seriös öppen-vikts kodningsagent med lång kontext och alltid på resonemang — värd hårdvarukostnaden om agentbaserad mjukvaruingenjör är din verkliga arbetsbörda.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

GPT 6.1 Sol Pro

TEXT / LLM

GPT 3.5 Turbo (older v0613)

TEXT / LLM

Gemini 3.1 Pro Preview

TEXT / LLM

GPT 6 Luna Pro

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Kimi K2.7 Code är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm moonshotai vision resonemang kodning agenter lång kontext lokal

Bläddra efter modellfamilj