Le chiffre qui m'a arrêté n'était pas le billion de paramètres. Ce n'était pas non plus le prix, même si nous allons creuser le prix en profondeur. C'était un chiffre beaucoup plus petit, beaucoup plus ennuyeux, enfoui dans la fiche du modèle que Moonshot AI a publiée sur Hugging Face le 12 juin 2026.
256K.
C'est la fenêtre de contexte de Kimi K2.7 Code — le tout nouveau modèle de code open-weight que tout le monde a passé le week-end à qualifier de "mise à jour majeure". Et c'est exactement la même fenêtre de contexte, à un artefact d'arrondi près, que celle livrée avec Kimi K2.6 en avril. Deux mois. Un saut de version de point sept. Un modèle avec un billion de paramètres. Et la mémoire de travail n'a pas bougé.
J'ai laissé cette information décanter un moment, parce qu'elle me disait quelque chose que les tweets de lancement ne disaient pas à voix haute : cette version n'est pas le bond que le numéro de version implique. C'est un affûtage. Un vrai — le genre qui compte si vous faites réellement tourner des agents pour gagner votre vie — mais un affûtage, pas un bond. Et l'écart entre "bond" et "affûtage" est exactement là où la plupart des analyses que j'ai lues cette semaine se sont effondrées.
Voici donc mon bilan honnête de ce que Kimi K2.7 Code a réellement changé, de ce qu'il n'a pas changé, et — la partie que personne ne semble prêt à faire — le vrai calcul de coût pour le faire tourner face à Opus 4.8 sur le type de travail que je livre chaque semaine. J'ai testé K2.6 intensément à sa sortie ; cette session de 12 heures a réorganisé mes attentes pour les open weights. K2.7 est un autre type d'histoire, et vous avez besoin d'un autre prisme pour la lire. Laissez-moi vous donner ce prisme.
Ce Qui a Changé dans Kimi K2.7 Code (Et Ce Qui N'a Pas Changé)
Voici le problème avec un saut de version de 0.1 venant d'un laboratoire chinois travaillant sur un calendrier compressé : les fonctionnalités phares et les fonctionnalités réelles sont rarement la même liste. Permettez-moi de les séparer.
Ce qui a véritablement changé — et compte :
L'amélioration la plus importante est une que vous ne pouvez pas capturer en screenshot. Moonshot a réduit la surcharge des "tokens de réflexion" d'environ 30% par rapport à K2.6. En termes simples : le modèle a cessé de se remettre en question. K2.6, malgré toute son endurance, avait l'habitude de trop réfléchir aux tâches simples — il brûlait mille tokens de raisonnement pour délibérer sur une décision CSS flexbox qu'un développeur junior prend en quatre secondes. K2.7 freine cela. Pour le travail agentique où le modèle prend des centaines de petites décisions en séquence, une réduction de 30% de la surcharge de délibération s'accumule en des exécutions matériellement plus rapides et moins coûteuses.
Le deuxième vrai changement est la compétence agentique. Moonshot rapporte une amélioration de +21,8% sur Kimi Code Bench v2 par rapport à K2.6, et le changement qualitatif correspond à environ un gain de 10% en performance d'agents multi-étapes — meilleur séquençage des appels d'outils, édition de code plus propre entre les fichiers, et meilleure rétention du contexte du projet quand une session s'étend sur de nombreux tours. Si vous avez déjà vu un agent perdre le fil autour de l'appel d'outil numéro quarante et commencer à relire des fichiers qu'il avait déjà compris, c'est le mode de défaillance que K2.7 cible.
Ce qui n'a pas changé — et c'est la partie que les posts de lancement omettent :
La fenêtre de contexte. 256K tokens, essentiellement stable par rapport à K2.6. Pour un modèle portant un billion de paramètres en 2026 — en compétition sur un marché où le prochain Kimi est annoncé avec une fenêtre d'1M de tokens — 256K est décevant, et je ne vais pas prétendre le contraire. C'est suffisant pour la plupart des constructions d'une seule fonctionnalité. Ce n'est pas suffisant pour maintenir un monorepo véritablement grand en mémoire de travail, et ce plafond vous mordra sur de vraies bases de code d'entreprise.
Et voici la partie inconfortable : l'efficacité des tokens s'est dégradée. La profondeur de raisonnement ajoutée qui alimente les gains agentiques signifie que K2.7 génère plus de tokens au total pour de nombreuses tâches que K2.6. Vous échangez l'économie brute de tokens contre des décisions plus intelligentes. Que ce soit un bon échange dépend entièrement de ce que vous construisez — et la plupart des reviews ne mentionnent même pas que l'échange existe.
Cette tension — plus intelligent mais plus gourmand — est toute l'histoire de ce modèle. Gardez-la en tête, car elle va décider si K2.7 vous fait économiser de l'argent ou vous coûte silencieusement plus cher.
La Fiche Technique, Décodée
Permettez-moi de mettre les chiffres bruts sur la table pour que le reste ait du sens, puis de traduire les parties qui comptent vraiment.
Kimi K2.7 Code est un modèle Mixture-of-Experts d'1 billion de paramètres avec 32 milliards de paramètres actifs par token, répartis entre 384 experts, publié sous licence Modified MIT le 12 juin 2026. L'ID du modèle dans l'API est kimi-k2.7-code. Il est nativement multimodal — il accepte du texte et des images en entrée, ce qui vaut la peine d'être mentionné car certains de ses rivaux directs en open-weight, comme GLM 5.2, ne le font pas.
Ce chiffre de "32 milliards actifs" est celui qui contrôle votre facture. Vous ne payez jamais pour activer tous les billion de paramètres sur un seul token — le routeur active une tranche étroite d'experts par prompt, donc le coût d'inférence suit les 32B actifs, pas le 1T complet. C'est le même astuce architecturale qui rend possible la tarification de DeepSeek V4 Pro, et c'est pourquoi les modèles MoE open-weight peuvent sous-coter les prix de frontière d'un ordre de grandeur.
Maintenant la partie qui sépare un déversement de spécifications d'une review utile : qu'est-ce qui est réellement téléchargeable, et pouvez-vous le faire tourner ?
Techniquement oui — les poids sont ouverts. Pratiquement, le modèle complet pèse plus d'1 To sur disque. Ce n'est pas une exigence de "station de travail sérieuse" ; c'est une exigence de "petit centre de données". Pour le rendre un tant soit peu accessible, Moonshot fournit une variante quantifiée d'environ 325 Go. Mieux. Toujours fermement hors de portée pour quiconque sans un rig multi-GPU et une tolérance pour la perte de précision que la quantification introduit. Pour l'écrasante majorité des développeurs qui lisent ceci — moi y compris — "open weight" signifie ici "sous licence ouverte et servi par API," pas "tourne sur mon Mac." Cette distinction compte, et le marketing la brouille.
La façon réaliste dont vous toucherez K2.7 est donc via l'API ou un front-end chatbot, de la même façon que vous touchez Opus. Ce qui signifie que la pureté de l'open-weight est principalement une victoire philosophique, pas pratique — sauf si vous êtes une entreprise avec le matériel pour l'auto-héberger pour des raisons de souveraineté des données, auquel cas c'est un vrai différenciateur.
Voilà pour l'architecture. Parlons maintenant de ce qui décide réellement si vous l'adoptez : l'argent.
Kimi K2.7 Code Est-il Moins Cher Qu'Opus 4.8 ?
Oui — dramatiquement, mais seulement si vous lisez la structure tarifaire correctement, car il y a maintenant deux grilles de prix et la plupart des gens citent la mauvaise.
Tarification standard de l'API Kimi K2.7 Code détaillée :
- 0,19 $ par 1M de tokens d'entrée sur cache hit
- 0,95 $ par 1M de tokens d'entrée sur cache miss
- 4,00 $ par 1M de tokens de sortie
Le chiffre du cache hit est celui à internaliser. Quand votre agent relit le même prompt système, les mêmes fichiers, le même contexte de projet au fil d'une longue session — et le codage agentique fait cela constamment — la plupart de ces tokens d'entrée touchent le cache. C'est de là que vient le titre "moins cher". Le prix de cache miss de 0,95 $ est ce que vous payez pour un contexte véritablement nouveau, et même cela est une fraction des tarifs de frontière.
Dans un test direct de construction web référencé dans les propres documents de Moonshot, une charge de travail qui coûtait environ 17 $ sur Kimi K2.7 revenait à environ 145 $ sur Opus 4.8 pour une sortie comparable. Ce n'est pas une erreur de frappe et ce n'est pas plus sélectionné que l'optimisme habituel du jour de lancement — c'est dans le bon ordre de grandeur pour ce que l'économie des tokens prédit. Environ un écart de 8x en coût sur une vraie construction.
Mais — et c'est la partie honnête — souvenez-vous de la régression d'efficacité des tokens. K2.7 génère plus de tokens que K2.6 pour de nombreuses tâches parce qu'il raisonne davantage. Votre tarif par million est donc bas, mais votre nombre de tokens par tâche a augmenté. Le net reste moins cher qu'Opus avec une marge large, mais ce n'est pas "gratuit," et si vous aviez budgété sur la base de la sortie plus frugale de K2.6, vous verrez votre facture K2.7 sortir plus élevée que ne le suggère une comparaison naïve par token. Exécutez une charge de travail réelle avant de migrer le budget de toute une équipe en supposant que plus récent signifie moins cher. C'est moins cher qu'Opus. Ce n'est pas automatiquement moins cher que son propre prédécesseur.
Si vous voulez la version brutale en une ligne de la proposition de valeur : K2.7 vous achète 80-90% de la capacité de codage d'Opus pour environ 10-15% du coût, et vous renoncez à un peu de polish d'UI et à une part d'espace de contexte pour l'obtenir. Pour une énorme tranche de travail réel, c'est un échange que je ferais sans ciller. Pour du travail de production orienté client où les derniers 10% de finition sont tout l'enjeu, je ne le ferais pas.
Si vous préférez ne pas exécuter cette comparaison vous-même — choisir les modèles, monter le harnais d'agent, et benchmarker le coût par construction sur votre charge de travail réelle — c'est exactement le type d'ingénierie de stack que je prends en charge. Vous pouvez voir ce que j'ai construit sur fiverr.com/s/EgxYmWD.
Maintenant, la nouvelle fonctionnalité qui complique tout ce tableau.
Mode HighSpeed : 6x Plus Rapide, Mais Lisez les Petits Caractères
Moonshot a livré une seconde variante aux côtés du modèle standard : Kimi K2.7 Code HighSpeed. Et c'est véritablement impressionnant — jusqu'à ce que vous regardiez ce que cela vous coûte.
HighSpeed délivre environ 180 tokens par seconde sur des entrées de codage de longueur médiane, et jusqu'à 260 tokens par seconde sur des tâches de contexte plus court — environ 6x plus rapide que la version standard. Si vous avez déjà été assis à regarder un agent de codage dégouliner un fichier à vitesse de lecture pendant que votre état de flow s'évapore, vous comprenez pourquoi cela compte. L'inférence rapide n'est pas une métrique de vanité pour le travail agentique ; c'est la différence entre un agent qui ressemble à un collaborateur et un qui ressemble à un traitement par lots.
Voici les petits caractères que personne ne met dans le titre. Les tarifs HighSpeed sont d'environ 1,90 $ par 1M de tokens d'entrée et 8,00 $ par 1M de tokens de sortie, avec des lectures de cache à 0,38 $ par 1M — le double du tarif standard de sortie. Et parce que HighSpeed s'appuie sur le même raisonnement étendu qui a nui à l'efficacité des tokens dans le modèle de base, vous payez ce tarif plus élevé sur plus de tokens. La vitesse est réelle. La facture évolue avec.
L'arbre de décision réel ressemble donc à ceci :
- Exécutions longues, autonomes, nocturnes où vous ne regardez pas ? Mode standard. La vitesse n'a pas d'importance quand vous dormez ; le coût, si.
- Codage interactif, in-the-loop, où la latence tue votre flow ? HighSpeed gagne son premium.
- Génération par lots à haut volume ? Standard, à chaque fois. Le multiplicateur de nombre de tokens sur HighSpeed détruira votre économie unitaire.
C'est un cadrage plus utile que "HighSpeed est la mise à jour," car pour au moins la moitié des charges de travail réelles, le modèle standard est le choix correct, pas un compromis. La vitesse est un outil, pas un niveau.
Bien — assez de méta. Parlons de ce qu'il construit réellement, car un modèle de codage vit ou meurt par sa sortie, pas par des fiches techniques.
Ce Que Kimi K2.7 Code Construit Réellement
Je veux être précis sur la base de preuves ici, car le seuil d'Expérience compte et je ne vais pas le truquer : mon jugement sur la qualité de construction de K2.7 vient des démonstrations de lancement documentées et des données de coût/benchmark que j'ai vérifiées ci-dessus, croisées avec ma propre histoire pratique avec K2.6. Je n'ai pas personnellement auto-hébergé les poids quantifiés de 325 Go — presque personne ne l'a fait — donc là où je raisonne à partir de démos plutôt que de mon propre terminal, je le dirai clairement.
Le clone macOS. Chargé de cloner le bureau macOS, K2.7 a produit l'échafaudage central proprement : un écran de démarrage, une barre d'outils fonctionnelle, une application Finder fonctionnelle, et une personnalisation de thème sombre/clair qui basculait réellement. C'est une construction légitimement difficile — elle exige de maintenir un système visuel cohérent à travers de nombreux composants — et K2.7 l'a tenu ensemble. Là où il a péché, c'est dans la finition. Le polish niveau Opus, l'espacement parfait au pixel et les petites subtilités d'interaction qui font qu'une interface semble conçue plutôt qu'assemblée, n'étaient pas là. Les fondations étaient bonnes ; la surface était plus brute.
Le SVG de lampe à lave. Celle-ci m'a véritablement surpris. K2.7 a répliqué une animation dynamique de lampe à lave — des bulles qui montent et fusionnent — avec une simulation physique en dessous et un contrôle de vitesse de flux ajustable. La génération SVG avec de la vraie physique est un test de stress notoirement bon parce qu'il exige que le modèle maintienne des dizaines de petites décisions de géométrie et de timing en relation cohérente les unes avec les autres. Obtenir la physique et une surface de contrôle fonctionnelle est nettement au-dessus de la barre que j'attendais. C'est là que la force multimodale et de raisonnement visuel de K2.7 se manifeste concrètement.
La page d'atterrissage SaaS. Sur le travail frontend, K2.7 a généré une page d'atterrissage complexe et interactive avec des animations déclenchées au scroll qui se sont exécutées correctement. C'est le point fort. Sur les tâches de développement web spécifiquement, K2.7 rivalise notablement avec Opus 4.8 et GPT-5.5, et c'est un net pas en avant par rapport à K2.6. Si votre travail est "construire des sites marketing et des frontends interactifs rapidement et à moindre coût," c'est la meilleure voie du modèle de loin.
Le fil conducteur à travers les trois : K2.7 cloue la structure et la logique, puis laisse le polish sur la table. Il construit la bonne chose. Opus construit la bonne chose magnifiquement. Si cet écart compte est une question sur votre sortie, pas sur le modèle — et j'y reviendrai, car c'est le nœud de toute la décision d'adoption.
Mais d'abord, la situation des benchmarks, car il y a un problème avec les chiffres que tout le monde cite.
Le Problème de Benchmark Que Vous Devez Connaître
Voici quelque chose que la couverture de lancement a largement survolé, et c'est la mise en garde la plus importante de toute cette review.
Chaque benchmark publié pour Kimi K2.7 Code jusqu'à présent est l'un des benchmarks propriétaires de Moonshot. Ce +21,8% sur Kimi Code Bench v2 ? Le bench de Moonshot. À la date du lancement du 12 juin, il n'y avait aucun chiffre indépendant de tiers pour K2.7 sur les suites publiques standard. Le modèle a ajouté le mode HighSpeed mais a sauté la soumission indépendante de benchmarks.
Je n'accuse personne de truquer les chiffres. Mais on ne peut pas évaluer un modèle sur des benchmarks que les propres créateurs du modèle ont conçus, point final. Ce n'est pas comme ça que la confiance fonctionne. Et il y a un schéma spécifique qui mérite d'être nommé : des benchmarks comme MCP Atlas et MLS Bench Light — ceux où K2.7 affiche ses résultats les plus flatteurs — se penchent par hasard directement sur les forces du modèle. Quand la suite de tests est sélectionnée par la même équipe qui a construit le modèle, "en tête du classement" vous dit quelque chose sur l'alignement entre test et modèle, pas sur le modèle en termes absolus.
Il y a un point de données semi-indépendant qui mérite d'être signalé. Dans l'Aeros Smoke Test, K2.7 s'est classé deuxième derrière Fable 5 et devant GPT-5 dans une exécution spécifique. C'est un signal plus crédible que les benchs propres — mais c'est une seule exécution sur un seul test, et "devant GPT-5 dans une exécution spécifique" fait beaucoup de travail prudent dans cette phrase. Traitez-le comme encourageant, pas comme concluant.
La position honnête : K2.7 est clairement fort, le ratio coût-capacité est véritablement excellent, et vous devriez suspendre votre jugement final sur les revendications de classement jusqu'à ce que les suites indépendantes rapportent. Si les seuls chiffres d'un fournisseur sont les siens, votre cadran de scepticisme devrait être monté, peu importe à quel point les démos sont belles. Ce n'est pas propre à Moonshot — c'est juste inhabituellement visible ici parce qu'ils ont livré sans la soumission indépendante qui est devenue la norme.
Alors où cela nous laisse-t-il quand vous devez réellement choisir ? Permettez-moi de mettre tout le champ en ordre.
Où Kimi K2.7 Se Situe dans le Stack de Modèles 2026
Arrêtez de chercher le "meilleur" modèle. Cette question est morte depuis que les open weights ont rattrapé les autres. La vraie question est quel modèle pour quel travail — et K2.7 a une place spécifique et défendable.
Kimi K2.7 Code est votre choix quand vous voulez un codage agentique fort avec long contexte et une sortie frontend solide à des prix open-weight, et que vous pouvez vivre avec un polish d'UI plus brut et un plafond de 256K. Son support multimodal est un vrai avantage sur les rivaux uniquement texte. C'est le leader prix-performance dans sa catégorie.
Kimi K2.6, que j'ai couvert en profondeur dans mon deep dive Kimi K2.6, est toujours le modèle le plus efficace en tokens. Si votre charge de travail est à haut volume et que les gains agentiques de K2.7 ne font pas bouger l'aiguille pour vous, K2.6 peut véritablement être le choix le moins cher par tâche. N'upgradez pas automatiquement. Mesurez.
Opus 4.8 reste le roi du polish. Mieux ingéniéré, plus structuré, sortie plus belle — à environ 8x le coût dans les tests auxquels je fais confiance. Quand les derniers 10% de finition sont le livrable, vous payez pour Opus. Mon avis complet sur la façon d'en tirer le maximum est dans la review des niveaux d'effort d'Opus 4.8.
Fable 5 et GPT-5/5.5 mènent la frontière en performance brute de benchmarks et capacité globale — et ils sont fermés. Vous échangez ouverture et prix contre le sommet du classement.
Voici la conclusion à laquelle j'arrive sans cesse, et c'est la recommandation réelle : arrêtez de choisir un modèle et commencez à router. Utilisez K2.7 pour les constructions frontend agentiques bon marché et le travail de contexte long. Utilisez Opus pour la passe de polish orientée client. Gardez K2.6 disponible si votre volume de tokens récompense son efficacité. Les développeurs qui gagnent en 2026 ne sont pas loyaux à un modèle — ils font tourner un ensemble et routent chaque tâche vers le modèle dont les forces correspondent. J'ai déplacé mon propre stack dans cette direction toute l'année, et c'est le changement individuel avec le plus grand effet de levier que j'ai fait.
Encore une chose qui mérite votre attention avant de décider quoi que ce soit, parce qu'elle change la chronologie.
L'Ombre de K3 Planant Sur Ce Lancement
Chaque évaluation de K2.7 doit composer avec un fait : Moonshot annonce ouvertement Kimi K3, et il est attendu dans environ deux mois.
L'objectif de K3, selon les propres teasings de Moonshot et les fuites de la communauté, est 3-4 billions de paramètres, un schéma d'attention Kimi Linear, et — de manière cruciale — une fenêtre de contexte d'1M de tokens. Ce dernier chiffre est celui qui fait que le plafond de 256K de K2.7 ressemble moins à une limitation et plus à un espace réservé. Le temps de retournement K2.5→K2.6 de Moonshot s'est fait en jours, pas en mois, ce qui suggère que K3 pourrait arriver sur le même calendrier compressé.
Voici donc la lecture stratégique. Si votre blocage sur K2.7 est la fenêtre de contexte, vous êtes peut-être à deux mois de voir exactement ce problème résolu par le même laboratoire. Cela ne fait pas de K2.7 un mauvais achat aujourd'hui — on livre avec le modèle qui existe, pas celui qui fait l'objet de rumeurs — mais cela devrait tempérer tout instinct d'architecturer tout votre pipeline autour des limites spécifiques de K2.7. Construisez de manière agnostique au modèle. Routez via une couche d'abstraction. Quand K3 arrive, vous changez une valeur de configuration, pas une base de code.
J'adopterais K2.7 maintenant pour les charges de travail où il gagne déjà, et je garderais mon intégration suffisamment souple pour que K3 soit un échange, pas une migration. C'est le bon mouvement.
Permettez-moi de revenir à notre point de départ.
Le Verdict sur Kimi K2.7 Code
Vous vous souvenez de ce chiffre 256K qui m'a arrêté en haut ? Voici ce qu'il signifie vraiment, maintenant que nous avons fait le travail : K2.7 n'est pas le bond que le numéro de version annonce. C'est un affûtage de K2.6 — significativement plus intelligent dans les décisions agentiques, 30% moins enclin à trop réfléchir, plus fort sur le frontend et le SVG, et toujours absurdement bon marché comparé à Opus. Il est aussi plus gourmand en tokens que son prédécesseur, plafonné en contexte, et porte des revendications de benchmark qui n'ont pas fait l'objet d'un examen indépendant.
Ce n'est pas une critique. C'est simplement la forme honnête de la chose. En tant que modèle de codage open-weight, K2.7 est exceptionnel — sans doute la meilleure option prix-performance dans sa catégorie, avec un support multimodal que certains rivaux ne peuvent pas égaler. Il ne détrônera pas la frontière fermée en capacité brute. Il n'a pas besoin de le faire. Il doit faire 85% du travail pour 12% du prix, et il fait exactement cela.
Voici donc votre seule action pour les prochaines 24 heures : ne migrez rien encore. Prenez une vraie tâche que vous donneriez normalement à Opus — une construction frontend, une refactorisation agentique, quelque chose avec de vrais enjeux — et faites-la tourner sur K2.7 mode standard via l'API. Notez le coût. Notez la qualité. Puis prenez la décision avec vos chiffres plutôt que ceux de Moonshot. Cette seule expérience vous apprendra plus sur la question de savoir si K2.7 a sa place dans votre stack que tous les benchmarks sur internet réunis.
L'ère du seul vrai modèle est terminée. Les développeurs qui comprendront cela en premier — qui construiront une couche de routage et laisseront chaque tâche trouver son foyer compétent le moins cher — sont ceux qui tourneront autour de tous ceux qui se disputent encore sur les classements. Kimi K2.7 Code vient de donner au côté open-weight de cet ensemble une vraie mise à niveau. Utilisez-le en conséquence.
Questions Fréquemment Posées
Kimi K2.7 Code est-il gratuit ?
Kimi K2.7 Code est open-weight sous licence Modified MIT, donc les poids sont gratuits à télécharger — mais le modèle complet dépasse 1 To et même la version quantifiée fait environ 325 Go, mettant l'auto-hébergement hors de portée pour la plupart des développeurs. En pratique, vous paierez par token via l'API : 0,19 $/1M d'entrée en cache hit, 0,95 $ en cache miss, et 4 $/1M de sortie.
Kimi K2.7 Code est-il meilleur que Claude Opus 4.8 ?
Pas en capacité globale ou polish d'UI — Opus 4.8 produit une sortie plus structurée, mieux conçue et plus polie. Kimi K2.7 gagne de manière décisive sur le prix (environ 17 $ vs 145 $ sur une construction web comparable) et rivalise de près sur le frontend et le codage agentique. La bonne réponse est de router : K2.7 pour les constructions agentiques bon marché, Opus pour le polish orienté client. Voir la section stack ci-dessus.
Quelle est la fenêtre de contexte de Kimi K2.7 Code ?
Kimi K2.7 Code a une fenêtre de contexte de 256K tokens — essentiellement inchangée par rapport à K2.6 et décevante pour un modèle d'un billion de paramètres en 2026. Il gère la plupart des constructions d'une seule fonctionnalité mais ne peut pas maintenir un grand monorepo en mémoire. Le prochain K3 de Moonshot est annoncé avec une fenêtre d'1M de tokens, donc cette limitation pourrait être de courte durée.
Quelle est la vitesse du mode HighSpeed de Kimi K2.7 Code ?
Le mode HighSpeed tourne à environ 180 tokens par seconde sur des entrées de codage médianes et jusqu'à 260 tokens par seconde sur des contextes plus courts — environ 6x plus rapide que la version standard. Il coûte plus cher (1,90 $/1M d'entrée, 8 $/1M de sortie) et utilise les tokens moins efficacement, il est donc idéal pour le codage interactif, in-the-loop, plutôt que pour des exécutions par lots nocturnes.
Peut-on faire confiance aux chiffres de benchmark de Kimi K2.7 Code ?
Soyez prudent. À la date du lancement du 12 juin 2026, chaque benchmark publié de K2.7 était l'une des suites propriétaires de Moonshot, sans chiffres indépendants de tiers sur les benchmarks publics standard. Le seul signal semi-indépendant — deuxième derrière Fable 5 dans une exécution de l'Aeros Smoke Test — est encourageant mais c'est une seule exécution. Suspendez le jugement final jusqu'à ce que les suites indépendantes rapportent.
Travaillons Ensemble
Vous cherchez à construire des systèmes d'IA, automatiser des flux de travail ou faire évoluer votre infrastructure technique ? Je serais ravi de vous aider.
- Fiverr (constructions sur mesure et intégrations) : fiverr.com/s/EgxYmWD
- Portfolio : mejba.me
- Ramlit Limited (solutions entreprise) : ramlit.com
- ColorPark (design et branding) : colorpark.io
- xCyberSecurity (services de sécurité) : xcybersecurity.io
