Physical Address
304 North Cardinal St.
Dorchester Center, MA 02124
Moonshot AI ha rilasciato Kimi K2.7 Code, modello open-source pensato per task di programmazione complessi e workflow basati su agenti. Sui benchmark di coding puro resta dietro a GPT-5.5 e Claude Opus 4.8, ma su un fronte non lascia margine: con $4,00 per milione di token in output contro i $30,00 di GPT-5.5 (7,5×) e i $50,00 di Claude Fable 5 (12,5×) — l'ultimo modello Anthropic, attualmente sospeso — lo stesso budget consente di eseguire il modello di Moonshot molte più volte. La domanda rilevante per chi lo valuta in produzione non è se sia il migliore in assoluto, ma se sia abbastanza buono per il caso specifico.
Architettura MoE: un trilione di parametri, 32 miliardi attivi
K2.7 Code adotta un'architettura Mixture-of-Experts con 1 trilione di parametri totali: a ogni inferenza ne vengono attivati soltanto 32 miliardi, selezionando 8 esperti su un pool di 384. La context window arriva a 256.000 token. Il modello è multimodale — processa immagini e video tramite il vision encoder proprietario MoonViT da 400 milioni di parametri — e condivide la stessa architettura dei predecessori K2.5 e K2.6, permettendo di riutilizzare le configurazioni di deploy esistenti.
Rispetto a K2.6, K2.7 Code usa circa il 30% di thinking token in meno, riducendo il fenomeno dell'"overthinking". Il nuovo "preserve_thinking" mode mantiene il contenuto del ragionamento attraverso più turni consecutivi, un vantaggio specifico nei workflow agentici multi-step.
Benchmark: avanti sugli agenti, ancora indietro sul coding puro
K2.7 Code migliora su tutti i test rispetto a K2.6, ma mantiene un divario con GPT-5.5 sulle prove di coding puro. Su Kimi Code Bench v2 sale da 50,9 a 62,0; su Program Bench da 48,3 a 53,6; su MLS Bench Lite da 26,7 a 35,1.
| Modello | Kimi Code Bench v2 | Program Bench | MCPMark Verified |
|---|---|---|---|
| Kimi K2.7 Code | 62,0 | 53,6 | 81,1 |
| GPT-5.5 | 69,0 | 69,1 | 92,9 |
| Claude Opus 4.8 | — | — | 76,4 |
Su Program Bench — dove gli agenti devono riprodurre il comportamento di un programma dal solo binario compilato, senza accesso al codice sorgente — il divario con GPT-5.5 è netto: 53,6 contro 69,1. L'eccezione è MCPMark Verified, che valuta agenti su ambienti reali come Notion, GitHub, filesystem, database Postgres e automazione browser: K2.7 Code supera Claude Opus 4.8 (81,1 contro 76,4), pur restando distante dal 92,9 di GPT-5.5.
Il prezzo che ribalta il calcolo
| Modello | Input / MTok | Output / MTok |
|---|---|---|
| Kimi K2.7 Code | $0,95 | $4,00 |
| Claude Opus 4.8 | $5,00 | $25,00 |
| GPT-5.5 | $5,00 | $30,00 |
| Claude Fable 5 | $10,00 | $50,00 |
A $0,95 per milione di token in input e $4,00 in output, K2.7 Code si posiziona su prezzi identici al predecessore K2.6 e drasticamente inferiori ai concorrenti. Con cache hit, il costo in input scende ulteriormente a $0,19 per milione di token. Sull'output, il rapporto è esplicito: GPT-5.5 costa 7,5 volte di più ($30,00/$4,00); Fable 5, prima della sospensione, supera le 12 volte ($50,00/$4,00 = 12,5×).
Il modello è distribuito sotto una licenza MIT modificata: chi supera i 100 milioni di utenti attivi mensili o i $20 milioni di ricavi mensili deve esporre la dicitura "Kimi K2.7 Code" in modo prominente nell'interfaccia. I pesi sono scaricabili su Hugging Face con quantizzazione nativa INT4; Moonshot AI ha annunciato un "6x High-Speed Mode" in arrivo.
Con un divario di prezzo di questa portata, la vera decisione non è scegliere il modello migliore in assoluto, ma stabilire dove si trova la soglia di qualità sufficiente per ogni pipeline — e a quale costo è raggiungibile.
Fonti
