Moonshot AIがKimi K2.7-Codeを公開──1Tパラメータ・推論トークン30%削減のコーディングモデル

3行まとめ

1. Moonshot AIが2026年6月12日、Kimi K2.7-Codeを公開。1兆パラメータ（32Bアクティブ）のMoEモデルで、256Kコンテキスト窓・ビジョン入力対応
2. 前モデルK2.6から推論トークン使用量を30%削減。ライブラリラッパーではなく直接実装を生成するよう訓練し、Rust/Go/Pythonでの汎化性能を向上
3. 自社ベンチマークでは+21.8%改善を報告。ただしSWE-bench等の独立ベンチマークは未公開。VentureBeatは「実務者はベンチマーク数値に懐疑的」と報道

何が公開されたか

中国のAI企業Moonshot AIが2026年6月12日、コーディング特化モデルKimi K2.7-Codeを公開した（MarkTechPost、Codersera報道）。

Hugging Faceで重みが公開済み（Modified MITライセンス）で、Kimi API経由でも利用可能。

主要スペック

項目	値
総パラメータ	1T（1兆）
アクティブパラメータ/トークン	32B
エキスパート	384（8選択 + 1共有）
レイヤー数	61
アテンション	MLA（Multi-Latent Attention）
コンテキスト窓	256,000トークン
ビジョン	MoonViT（400Mパラメータ）──画像・動画入力対応
ライセンス	Modified MIT

K2.6からの主な改善

推論トークン30%削減

K2.7-Codeは推論チェーン（思考プロセス）のトークン使用量を約30%削減した。エージェント的なタスクではトークン消費がコストに直結するため、実用上の意味は大きい。

実装方式の変更

K2.6はライブラリのラッパーコードを生成する傾向があったが、K2.7は直接実装を生成するよう訓練されている。Moonshot AIによれば、これによりRust・Go・Python間の汎化性能が向上した。

ベンチマーク

Moonshot AIが報告した自社ベンチマーク（いずれもMoonshot独自基準）。

ベンチマーク	K2.6比改善
Kimi Code Bench v2	+21.8%
Program Bench	+11.0%
MLS Bench Lite	+31.5%

SWE-bench Verified、LiveCodeBench、HumanEval等の独立ベンチマークは本記事執筆時点で未公開。

VentureBeatは「実務者の間ではベンチマーク数値が実際の利用感と合わないとの声がある」と報じている。

API料金

	価格（100万トークン）
入力	$0.95
出力	$4.00

GLM-5.2との比較

同じ2026年6月にリリースされた中国発のオープンウェイトモデル同士。

	Kimi K2.7-Code	GLM-5.2
総パラメータ	1T	744B
アクティブ	32B	~40B
コンテキスト	256K	1M
重み公開	公開済み	翌週予定
ビジョン	あり	不明
独立ベンチマーク	なし	なし

K2.7はMCPツール統合の深さ、GLM-5.2は100万トークンのコンテキスト窓でそれぞれ差別化を図っている。

但し書き

• 報告されたベンチマーク数値はすべてMoonshot AI独自の基準であり、独立した第三者検証はない
• VentureBeatが実務者の懐疑的な反応を報じている点を踏まえると、自社ベンチマーク数値は割り引いて読む必要がある
• Modified MITライセンスの具体的な制限事項は、Hugging Faceのモデルカードで確認が必要
• 本記事は2026年6月12-15日の報道に基づく