Schermata di codice con intelligenza artificiale, rappresentazione del modello Kimi K2.7-Code per coding

Moonshot AI lancia Kimi K2.7-Code: modello AI per coding con prestazioni record

DiFabrizio Martini

Kimi K2.7-Code è il nuovo modello di Moonshot AI focalizzato sul coding. Non è un chatbot generalista: è pensato per progetti software engineering complessi, in cui deve pianificare, modificare file, eseguire strumenti e correggere bug in sequenze lunghe di passaggi. I pesi del modello sono disponibili su Hugging Face con licenza Modified MIT.

A livello architetturale, K2.7-Code è un modello Mixture-of-Experts da 1 trilione di parametri totali, di cui 32 miliardi attivi per token. Usa 384 esperti, con 8 selezionati per token più uno condiviso. Ha 61 layer, di cui uno denso. L’attenzione è basata su MLA (Multi-head Latent Attention), il feed-forward su SwiGLU. Un encoder visione MoonViT aggiunge 400 milioni di parametri per elaborare immagini e video. Il contesto arriva a 256.000 token (262.144 esatti).

Due vincoli importanti: la modalità di ragionamento è obbligatoria (disabilitarla restituisce errore API) e il campionamento è fisso con temperatura 1.0, top_p 0.95, n 1 e penalty a 0. L’output massimo predefinito è 32.768 token. Il modello supporta quantizzazione INT4 nativa e può essere auto-ospitato con vLLM, SGLang o KTransformers. La repository pesa circa 595 GB: è un modello da server, non da laptop.

Prestazioni: K2.7-Code supera K2.6 su tutti i benchmark

Moonshot ha pubblicato sei benchmark di confronto tra K2.7-Code, K2.6, GPT-5.5 e Claude Opus 4.8. Su tutti K2.7-Code batte il predecessore. I miglioramenti più significativi:

  • Kimi Code Bench v2: da 50,9 a 62,0 (+21,8%)
  • MLS Bench Lite: da 26,7 a 35,1 (+31,5%)
  • MCP Mark Verified: da 72,8 a 81,1 (+11,4%) — qui supera anche Claude Opus 4.8 (76,4)
  • Program Bench: da 48,3 a 53,6 (+11,0%)
  • Kimi Claw 24/7 Bench: da 42,9 a 46,9 (+9,3%)
  • MCP Atlas: da 69,4 a 76,0 (+9,5%)

Nel test MLS Bench Lite, K2.7-Code si avvicina a GPT-5.5 (35,1 vs 35,5). I benchmark sono stati eseguiti con K2.7-Code in Kimi Code CLI, GPT-5.5 in Codex xhigh e Claude Opus 4.8 in Claude Code xhigh.

Meno token di ragionamento, più efficienza

Moonshot riporta un calo del 30% nei token di ragionamento rispetto a K2.6, chiamandolo ‘meno overthinking’. I token di ragionamento vengono fatturati come output nella maggior parte dei piani. In un workflow di coding agentico con centinaia o migliaia di passaggi, un taglio del 30% si traduce in tre vantaggi: costo inferiore per task, passaggi più veloci nelle sessioni CLI, e più spazio prima di raggiungere i limiti di contesto.

Casi d’uso concreti

  • Refactoring su larga scala: punti l’agente su una suite di test che fallisce, lui legge i file, modifica attraverso i moduli, rilancia i test fino al verde.
  • Code review: carichi il diff di una pull request e chiedi un’analisi dei rischi. La finestra da 256K gestisce diff grandi, log e file correlati.
  • Workflow con strumenti MCP: K2.7-Code ha ottenuto 81,1 su MCP Mark Verified, che testa l’invocazione corretta di strumenti via Model Context Protocol. Adatto per CI, aggiornamento ticket e modifiche file in un unico ciclo.
  • Analisi di contesto lungo: il modello accetta testo, immagini e video. Documentazione, screenshot e un video di riproduzione possono condividere lo stesso prompt.

Articoli simili