Kimi K2.7 Code ist Moonshot AIs coding-fokussiertes agentisches Modell, aufgebaut auf Kimi K2.6, abgestimmt auf reale Softwareentwicklung und von Moonshot als sein dediziertes Coding-Modell beschrieben, das Anweisungen in langen Kontexten zuverlässiger befolgt und Coding-Aufgaben mit höheren Erfolgsraten abschließt.
- Eingabe
- Text Bild Video $0.95/M
- Ausgabe
- Text $4/M
- Cache-Lesen
- $0.19/M
- Kontext
- 256K
- vs. GPT-4o
- ~81% günstiger
Benchmarks
Anbieterangaben: Alibaba (Qwen) Moonshot OpenAI Z.ai
Preis im Vergleich
Der Preis im Feld von 68 vergleichbaren Modellen
Der Balken zeigt, wo der Preis dieses Modells unter allen Modellen derselben Art auf Synthorai liegt. An beiden Enden stehen das günstigste und das teuerste Modell. Angegeben sind Grundpreise; Rabatte für Batch, Region und Cache-Schreibzugriffe stehen auf der Preisseite.
Spezifikationen & Limits
Tokens
| Kontextfenster (laut Anbieter) | 256.000 |
|---|---|
| Max. Ausgabe (laut Anbieter) | 32.768 |
Prompt-Caching
| Modus | automatisch |
|---|
Thinking
| Anbieter-Parameter | thinking.type + thinking.keep |
|---|---|
| Zulässige Werte | type accepts only enabled; keep accepts only all |
| Standardwert | Thinking an, mit aktiviertem Preserved Thinking gilt, wenn die Anfrage nichts angibt |
| Abschaltbar | Nein |
| Thinking-Verhalten | Die Übergabe von type disabled gibt einen Fehler zurück; da Preserved Thinking serverseitig erzwungen wird, muss das reasoning_content jeder historischen Assistant-Nachricht unverändert zurückgegeben werden. |
| Parameter | reasoning_effort |
| Werte | minimal · low · medium · high Parameter des Gateways; maßgeblich ist das Anbieter-Mapping oben |
Modell
| Modalitäten | Text + Bild + Video → Text |
|---|---|
| Parameter | 1T gesamt · 32B aktiv MoE |
| Lizenz | Modified-MIT |
- Auf Coding ausgerichtetes Agent-Modell auf Basis von K2.6: MoE mit 1T/32B aktiven Parametern, 256K Kontext
- Thinking dauerhaft aktiv, mit über Turns hinweg erhaltenem Reasoning
- ~30% weniger Thinking-Token als K2.6
Ein Prompt, gemessen über das Gateway
Kimi K2.7 Code bestanden · 3 sentences
Enabling reasoning mode causes the model to generate an internal chain-of-thought before producing each answer, and that hidden reasoning text is billed like any other output. Those extra reasoning tokens typically add up to much more than the final response itself, so every API call now costs significantly more than before. Because our overall usage volume did not change, the doubled bill reflects that each query consumes roughly twice as many billable tokens.
Ausgabe 259 tok (+174 Thinking) Latenz 5.4 s
Befolgen der Anweisung (genau drei Sätze, das lässt sich zählen), Zuschnitt auf die Zielgruppe (Tonfall für einen CFO) und die Abrechnungslücke durch nicht sichtbares Thinking, die die Token-Zähler unten offenlegen.
Kimi K2.7 Code bestanden · 8/8 cases
```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 best = max(best, cur) else: cur = 1 return best ``` The bug is that the function counts *transitions* between equal neighbors instead of counting the items themselves, so a single-element list never enters the loop and returns `0` instead of `1`. Likewise, resetting `cur` to `0` on a mismatch forgets the current item that starts a new run, which causes runs that end at the last index to be undercounted. Initializing both `best` and `cur` to `1` and resetting `cur` to `1` fixes both issues.
Ausgabe 410 tok (+222 Thinking) Latenz 9.4 s
Ob der Fix wirklich korrekt ist (er lässt sich ausführen), wie dicht die Erklärung ist und wie sparsam das Modell bei einer klar begrenzten Aufgabe mit Tokens umgeht.
Kimi K2.7 Code bestanden · 5/5 fields, guidance "withheld pending the Q4 close"
```json { "company": "Meridian Robotics", "quarter": "September quarter", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "withheld pending the Q4 close" } ```
Ausgabe 721 tok (+663 Thinking) Latenz 13.2 s
Schema-Treue (keine erfundenen Felder), Anreiz zum Halluzinieren (der Text nennt ausdrücklich keine guidance) und Unterschiede zwischen den Wegen zur strukturierten Ausgabe.
Kimi K2.7 Code bestanden · 120 words, 0 banned, 1 question
We're introducing Prompt Cache for our API Gateway, a new capability that stores prompt responses across multiple AI providers. By caching replies, you reduce redundant calls, lower latency, and cut costs without changing how you build. Teams using several model providers can now reuse identical prompt results instantly, keeping traffic consistent and budgets predictable. Responses are keyed by provider, model, and exact prompt, so you always get the right result. Configure TTL, hit thresholds, and eviction rules from a single dashboard. It fits into your existing routing and requires no code changes. Setup takes minutes and works with your current endpoints. Want to see how much latency and spend you can trim? Check the docs to enable Prompt Cache today.
Ausgabe 2375 tok (+2235 Thinking) Latenz 38.6 s
Einhaltung der Vorgaben (Wortbudget, Liste verbotener Wörter, genau eine Frage), stilistische Handschrift und Kontrolle über die Länge.
Kimi K2.7 Code in 30 Sekunden nutzen
OpenAI-kompatibel: base_url austauschen, SDK behalten. POST /v1/chat/completions
from openai import OpenAI
client = OpenAI(
base_url="https://synthorai.io/v1",
api_key="sk-syn-...",
)
resp = client.chat.completions.create(
model="kimi-k2.7-code",
messages=[{"role": "user", "content": "Summarize this diff"}],
reasoning_effort="medium",
)
print(resp.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.chat.completions.create({
model: "kimi-k2.7-code",
messages: [{ role: "user", content: "Summarize this diff" }],
reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);curl https://synthorai.io/v1/chat/completions \
-H "Authorization: Bearer sk-syn-..." \
-H "Content-Type: application/json" \
-d '{
"model": "kimi-k2.7-code",
"messages": [{"role": "user", "content": "Hello"}],
"reasoning_effort": "medium"
}'package main
import (
"context"
"fmt"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
Model: "kimi-k2.7-code",
Messages: []openai.ChatCompletionMessageParamUnion{
openai.UserMessage("Summarize this diff"),
},
ReasoningEffort: openai.ReasoningEffortMedium,
})
fmt.Println(resp.Choices[0].Message.Content)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
ChatCompletion resp = client.chat().completions().create(
ChatCompletionCreateParams.builder()
.model("kimi-k2.7-code")
.addUserMessage("Summarize this diff")
.reasoningEffort(ReasoningEffort.MEDIUM)
.build());
System.out.println(resp.choices().get(0).message().content().orElse(""));Über Kimi K2.7 Code
- Es behält die Mixture-of-Experts-Architektur mit 1T Parametern und 32B pro Token aktivierten (384 Experten, acht pro Token plus einer geteilt) sowie einen Kontext von 256K, akzeptiert neben Text auch Bildeingabe und läuft stets im Thinking-Modus, wobei Reasoning-Inhalte über mehrstufige Konversationen hinweg erhalten bleiben.
- Vom Non-Thinking-Modus wird nicht bloß abgeraten, er wird abgelehnt: Die Dokumentation stellt fest, dass das Modell ihn nicht unterstützt und dass das Deaktivieren von Thinking einen Fehler zurückgibt, wobei erhaltenes Thinking serverseitig erzwungen wird.
- Das Reasoning kommt in reasoning_content vor der Antwort an, und der Leitfaden ist ausdrücklich: Bei Tool-Calling-Turns müssen Sie dieses Feld mit der Assistant-Nachricht zurückgeben, sonst schlägt die Anfrage fehl, was der mit Abstand häufigste Integrationsfehler bei diesem Modell ist.
- Offiziell stärkt es die durchgängige Aufgabenerfüllung über komplexe Softwareentwicklungs-Workflows hinweg und verbraucht dabei rund 30% weniger Thinking-Token als K2.6, und es unterstützt agentische Tool-Nutzung über das MCP-Ökosystem mit verschränktem Thinking über mehrstufige Tool-Aufrufe hinweg.
- Moonshot rät, großzügigen max_tokens-Spielraum zu lassen, weil das Reasoning ihn verbraucht.
- Die Gewichte sind offen unter einer Modified-MIT-Lizenz.
- Kimi K2.7 Code ist auf Synthorai über den OpenAI-kompatiblen Endpoint erreichbar.
FAQ
Lässt sich die Kimi K2.7 Code API kostenlos testen?
Ja. Neue Konten erhalten 10 Testaufrufe und bis zu $1 Gratisguthaben, ohne Kreditkarte. Bei $0.95/M für Eingabe-Tokens reicht allein dieses Guthaben für rund 131 Anfragen an Kimi K2.7 Code mit je ~8K Tokens.
Worin ist Kimi K2.7 Code am besten?
Etwa 30% weniger Thinking-Token; Reasoning über mehrstufige Gespräche hinweg erhalten; abgestimmt auf reales Software-Engineering. Mehr dazu im Über-Abschnitt, der auf den offiziellen Release Notes des Anbieters beruht.
Was kostet Kimi K2.7 Code?
Kimi K2.7 Code kostet auf Synthorai $0.95 pro Million Eingabe-Tokens und $4 pro Million Ausgabe-Tokens. Das ist der Listenpreis des Anbieters, ohne Plattformaufschlag. Gecachte Eingabe-Tokens werden mit $0.19/M abgerechnet.
Wie groß ist das Kontextfenster von Kimi K2.7 Code?
Kimi K2.7 Code hat auf Synthorai ein Kontextfenster von 256K Tokens. Eine einzelne Antwort kann bis zu 32,768 Tokens lang sein.
Unterstützt Kimi K2.7 Code Prompt-Caching?
Ja, automatisch: Über Moonshot ausgelieferte Prompts werden ohne Codeänderungen gecacht. Gecachte Eingabe-Tokens werden mit $0.19/M statt $0.95/M (ungecacht) abgerechnet. Leitfaden zum Prompt-Caching →
Wie erhalte ich Zugang zu Kimi K2.7 Code?
Setzen Sie in Ihrem vorhandenen OpenAI SDK base_url="https://synthorai.io/v1" und model="kimi-k2.7-code", mehr ist nicht nötig. Ein API-Schlüssel gilt für alle Modelle im Gateway.
Ist Kimi K2.7 Code Open Source?
Ja, die Gewichte sind unter der Modified-MIT-Lizenz veröffentlicht. Oder Sie sparen sich die GPUs: Die gehostete Version hier läuft mit nutzungsbasierter Abrechnung, ganz ohne eigene Infrastruktur. Open-Weight-Modelle betreiben →
Verwandte Modelle
Vergleichen
Jeder Wert auf dieser Seite stammt aus der oben verlinkten Dokumentation des Anbieters und trägt das Datum, an dem wir ihn geprüft haben. Preise vergleichen wir über den gesamten Katalog. Spezifikationen, die Anbieter unterschiedlich definieren, zeigen wir mit einem Hinweis auf den Unterschied und nicht als Diagramm. Wir messen hier nichts selbst und vergeben keine Bewertungen.