Китайский стартап Moonshot AI выпустил Kimi K2.7-Code — обновленную версию своей языковой модели для программирования с открытым исходным кодом. Разработчики заявляют об оптимизации процесса рассуждения алгоритма и двузначном росте производительности по сравнению с предыдущим поколением K2.6.
Содержание
Архитектура и технические особенности
Модель K2.7-Code построена на базе архитектуры Mixture-of-Experts (MoE, «смесь экспертов») с триллионом параметров. Она полностью совместима с API OpenAI, что позволяет компаниям легко интегрировать ее в уже существующие рабочие процессы без изменения инфраструктуры.
Новинка распространяется по модифицированной лицензии MIT, а ее веса уже доступны на платформе HuggingFace. Развернуть модель можно с помощью библиотек vLLM или SGLang. Примечательно, что K2.7-Code работает исключительно в режиме рассуждения (thinking mode), а параметр температуры жестко зафиксирован на отметке 1.0. Это означает, что разработчики не смогут настраивать степень креативности или детерминированности ответов, как в других ИИ-моделях.
Экономия ресурсов и прямой синтез кода
Одним из главных улучшений по сравнению с версией K2.6 стало сокращение избыточных рассуждений. По заявлению Moonshot AI, модель использует на 30% меньше «токенов размышления» (thinking tokens). Для компаний, использующих автономных ИИ-агентов, это напрямую конвертируется в снижение затрат на облачные вычисления.
Кроме того, изменился сам подход к генерации низкоуровневого кода. Если предыдущая версия K2.6 часто создавала надстройки над существующими библиотеками и фреймворками, то Kimi K2.7-Code пишет чистый код напрямую. По словам создателей, это обеспечивает более надежную работу программ на языках Rust, Go и Python, а также повышает эффективность во фронтенд-разработке, DevOps и задачах по оптимизации производительности.
Тесты разработчиков против независимой экспертизы
Согласно внутренним тестам Moonshot AI, модель показала значительный прирост эффективности:
- на 21,8% в тесте Kimi Code Bench v2;
- на 11% в бенчмарке Program Bench;
- на 31,5% в испытании MLS Bench Lite.
Тем не менее, все эти тесты являются внутренними разработками компании. Независимые эксперты уже начали сомневаться в заявленных результатах. Например, исследователь Эллиот Арлидж протестировал K2.7-Code на открытом бенчмарке KernelBench-Hard, который оценивает оптимизацию ядер графических процессоров (GPU).
В обзоре отмечается, что новая модель действительно пытается писать код с нуля (в пяти из шести задач она создала полноценные ядра Triton вместо использования готовых библиотек), однако две из этих попыток провалились из-за внутренних багов самой модели. В итоге в некоторых тестах производительность K2.7-Code оказалась даже ниже, чем у предшественницы K2.6.
Другие специалисты ИТ-индустрии также призывают Moonshot AI протестировать модель на независимой платформе DeepSWE, которая считается более объективным показателем для разработчиков ИИ-агентов. На этом бенчмарке предыдущая версия K2.6 набрала 24%, разделив результат с GPT-5.4-mini. Данные по новой версии K2.7-Code на DeepSWE пока отсутствуют.
Что это значит для бизнеса
Для компаний, которые уже используют версию K2.6, переход на K2.7-Code несет минимальные риски благодаря совместимости API. Потенциальное снижение затрат на инфраструктуру на 30% выглядит привлекательно. Тем не менее, эксперты рекомендуют сначала протестировать модель на собственных задачах и сценариях использования, прежде чем полностью переводить на нее коммерческие ИИ-сервисы.
