Apakah bobot Kimi K2.7 Code terbuka dan bisa saya jalankan lokal?

Ya, bobotnya tersedia di Hugging Face di moonshotai/Kimi-K2.7-Code. Dengan 1T parameter total Anda butuh perangkat keras besar; lihat panduan VRAM sebelum mengunduh.

Berapa biaya Kimi K2.7 Code dan berapa panjang konteksnya?

Lewat API harganya $0,67 per juta token input dan $3,35 per juta token output, dengan jendela konteks 262.144 token.

Apa perbedaan K2.7 Code dengan K2.6?

K2.7 Code dibangun dari K2.6 dengan fokus pada tugas pemrograman jangka panjang dunia nyata dan efisiensi token yang lebih baik, mengurangi penggunaan token berpikir sekitar 30% dibanding K2.6.

Kimi K2.7 Kode

5848°

#llm #moonshotai #visi #penalaran #pemrograman #agen

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

MoonshotAI | konteks 262.144 token | $0,67/M input, $3,35/M output. MoonshotAI: Kimi K2.7 Code adalah model yang berfokus pada pengkodean dalam keluarga Kimi K2 Moonshot AI, dibangun untuk menyelesaikan tugas pemrograman ujung-ke-ujung secara andal dalam konteks panjang. Model ini menggunakan arsitektur campuran ahli multimodal asli yang menerima input teks dan gambar, dan selalu beroperasi dalam mode berpikir, mempertahankan konten penalaran penuh di seluruh percakapan multi-putaran. Dengan jendela konteks 256K-token, model ini menargetkan pengkodean jangka panjang, dekomposisi tugas agen, dan dialog multi-putaran. Model ini mengaktifkan 32B parameter dari sekitar 1T total.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Kimi K2.7 Code adalah model spesialis pemrograman dari Moonshot AI, dibangun di atas arsitektur mixture-of-experts 1 triliun parameter yang mengaktifkan 32 miliar parameter per token. Selalu berjalan dalam mode berpikir, mempertahankan penalaran sepanjang percakapan multi-giliran, dan menargetkan tugas rekayasa perangkat lunak jangka panjang dengan jendela konteks 256K token. Bobot terbuka dan multimodal, cocok untuk pengembang yang butuh model pemrograman agentik mumpuni yang bisa dijalankan sendiri.

Dikenal untuk

Pemrograman agentik ujung-ke-ujung di alur kerja rekayasa perangkat lunak kompleks multi-langkah
Mode berpikir selalu aktif dengan penalaran penuh terjaga sepanjang sesi multi-giliran
Jendela konteks 256K token cocok untuk basis kode besar dan tugas panjang
Sekitar 30% lebih sedikit token berpikir dibanding pendahulu K2.6
Menerima input gambar lewat encoder visi MoonViT bawaan

Waspadai

Dengan 1T parameter total, menjalankan sendiri butuh perangkat keras serius; periksa kebutuhan VRAM sebelum mengunduh.
Benchmark yang ditampilkan adalah evaluasi internal Moonshot AI bersama evaluasi pihak ketiga; timbang sesuai.
Harga keluaran $3,35/M token cepat bertambah pada respon mode berpikir panjang.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Konteks panjang

Jalankan secara lokal

Prompt untuk dicoba

Refaktor layanan warisan

Saya punya layanan Python Flask yang menangani autentikasi pengguna menggunakan query SQL mentah dan menyimpan sesi di dictionary global. Refaktor agar menggunakan ORM SQLAlchemy, penyimpanan sesi yang tepat, dan tambahkan validasi input. Jelaskan alasan Anda sebelum menulis kode, lalu buat seluruh file yang sudah direfaktor.

Debug dari biner

Saya punya alat CLI terkompilasi yang mengurai file CSV dan menghasilkan laporan ringkasan. Saya tidak punya kode sumber. Berdasarkan potongan dokumentasi yang menjelaskan flag dan format keluaran, tulis ulang dalam Python yang sesuai perilakunya, termasuk kasus tepi untuk file kosong dan baris rusak.

Rencana pembangunan agentik

Rencanakan dan buat API REST minimal di Go yang menyediakan endpoint CRUD untuk daftar tugas, menyimpan data di SQLite, menyertakan autentikasi JWT dasar, dan memiliki Dockerfile. Pecah pekerjaan menjadi langkah, jelaskan setiap keputusan desain, lalu tulis semua file yang diperlukan untuk menjalankannya.

Bandingkan dengan

Kimi Latest
Model hanya API
konteks 1,048,576 token · $0.29/M input, $24.00/M output
Kimi K3
Model dengan bobot terbuka
konteks 1,048,576 token · $0.30/M input, $11.94/M output
Kimi K2 Thinking
Model dengan bobot terbuka
konteks 262,144 token · $0.60/M input, $2.50/M output
Kimi K2.5
Model dengan bobot terbuka
konteks 262,144 token · $0.50/M input, $2.50/M output

Model teks lain dari moonshotai

Pertanyaan yang sering diajukan

Apakah bobot Kimi K2.7 Code terbuka dan bisa saya jalankan lokal?: Ya, bobotnya tersedia di Hugging Face di moonshotai/Kimi-K2.7-Code. Dengan 1T parameter total Anda butuh perangkat keras besar; lihat panduan VRAM sebelum mengunduh.
Berapa biaya Kimi K2.7 Code dan berapa panjang konteksnya?: Lewat API harganya $0,67 per juta token input dan $3,35 per juta token output, dengan jendela konteks 262.144 token.
Apa perbedaan K2.7 Code dengan K2.6?: K2.7 Code dibangun dari K2.6 dengan fokus pada tugas pemrograman jangka panjang dunia nyata dan efisiensi token yang lebih baik, mengurangi penggunaan token berpikir sekitar 30% dibanding K2.6.

Putusan Kapten
Agen pemrograman bobot terbuka serius dengan konteks panjang dan penalaran selalu aktif — sepadan dengan biaya perangkat keras jika rekayasa perangkat lunak agentik adalah beban kerja Anda.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Gemini 2.5 Pro Preview 06 05

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Kimi K2.7 Kode adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm moonshotai visi penalaran pemrograman agen konteks panjang lokal

Jelajahi berdasarkan Keluarga Model