I pesi sono aperti e posso eseguire Kimi K2.7 Code localmente?

Sì, i pesi sono pubblicamente disponibili su Hugging Face all'indirizzo moonshotai/Kimi-K2.7-Code. Con 1T di parametri totali servirà hardware sostanziale; consulta una guida sulla VRAM prima di scaricare.

Quanto costa Kimi K2.7 Code e qual è la sua lunghezza di contesto?

Via API costa $0,67 per milione di token in input e $3,35 per milione di token in output, con una finestra di contesto da 262.144 token.

In cosa differisce K2.7 Code da K2.6?

K2.7 Code è costruito su K2.6 con focus su compiti di programmazione reali a lungo termine e migliorata efficienza dei token, riducendo l'uso di token di pensiero di circa il 30% rispetto a K2.6.

Kimi K2.7 Code

5848°

#llm #moonshotai #visione #ragionamento #programmazione #agenti

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

MoonshotAI | contesto da 262.144 token | $0,67/M input, $3,35/M output. MoonshotAI: Kimi K2.7 Code è un modello focalizzato sulla programmazione della famiglia Kimi K2 di Moonshot AI, progettato per completare compiti di programmazione end-to-end in modo affidabile su contesti lunghi. Utilizza un'architettura nativa multimodale mixture-of-experts che accetta input di testo e immagine, e opera sempre in modalità di pensiero, preservando il contenuto completo del ragionamento attraverso conversazioni multi-turno. Con una finestra di contesto da 256K token, è destinato a codifica a lungo termine, decomposizione agentica dei compiti e dialogo multi-turno. Il modello attiva 32B parametri su circa 1T totali.

Guide per questo modello

Il miglior LLM locale per caso d'uso (ottobre 2026): il modello open giusto per ogni lavoro

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Kimi K2.7 Code è il modello specialista in programmazione di Moonshot AI, basato su un'architettura mixture-of-experts da 1 trilione di parametri che attiva 32 miliardi di parametri per token. Funziona sempre in modalità pensiero, preservando il ragionamento nelle conversazioni multi-turno, e mira a compiti di ingegneria software a lungo termine con una finestra di contesto da 256K token. Pesi aperti e multimodale, è adatto agli sviluppatori che necessitano di un modello agentico di programmazione capace da eseguire in proprio.

Conosciuto per

Programmazione agentica end-to-end su flussi di lavoro software complessi e multi-step
Modalità pensiero sempre attiva con ragionamento completo preservato nelle sessioni multi-turno
Finestra di contesto da 256K token adatta a basi di codice grandi e compiti lunghi
Circa il 30% di token di pensiero in meno rispetto al predecessore K2.6
Accetta input immagine tramite un encoder visivo MoonViT nativo

Attenzione a

Con 1T di parametri totali, l'auto-ospitazione richiede hardware serio; verifica i requisiti di VRAM prima di impegnarti.
I benchmark mostrati sono valutazioni interne di Moonshot AI insieme a terze parti; valuta di conseguenza.
Il prezzo di output a $3,35/M token può crescere rapidamente con risposte lunghe in modalità pensiero.

Ideale per

Programmazione

Agenti e uso di strumenti

Ragionamento

Contesto lungo

Funziona localmente

Prompt da provare

Rifattorizza un servizio legacy

Ho un servizio Python Flask che gestisce l'autenticazione utente usando query SQL raw e memorizza le sessioni in un dizionario globale. Rifattorizzalo per usare SQLAlchemy ORM, un corretto store di sessioni e aggiungi la validazione degli input. Spiega il tuo ragionamento prima di scrivere il codice, poi produci i file rifattorizzati completi.

Debug da un binario

Ho uno strumento CLI compilato che analizza file CSV e produce un report riassuntivo. Non ho il codice sorgente. Basandoti su questo estratto di documentazione che descrive flag e formato di output, scrivi una reimplementazione Python che corrisponda al comportamento, inclusi i casi limite per file vuoti e righe malformate.

Piano di costruzione agentico

Progetta e implementa una API REST minimale in Go che esponga endpoint CRUD per una lista di attività, memorizzi dati in SQLite, includa autenticazione JWT di base e abbia un Dockerfile. Suddividi il lavoro in passi, ragiona su ogni decisione di design, poi scrivi tutti i file necessari per eseguirla.

Confronta con

Kimi Latest
Modello solo API
Contesto di 1,048,576 token · Input $0.29/M, output $24.00/M
Kimi K3
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.30/M, output $11.94/M
Kimi K2 Thinking
Modello con pesi aperti
Contesto di 262,144 token · Input $0.60/M, output $2.50/M
Kimi K2.5
Modello con pesi aperti
Contesto di 262,144 token · Input $0.50/M, output $2.50/M

Altri modelli di testo da moonshotai

Domande frequenti

I pesi sono aperti e posso eseguire Kimi K2.7 Code localmente?: Sì, i pesi sono pubblicamente disponibili su Hugging Face all'indirizzo moonshotai/Kimi-K2.7-Code. Con 1T di parametri totali servirà hardware sostanziale; consulta una guida sulla VRAM prima di scaricare.
Quanto costa Kimi K2.7 Code e qual è la sua lunghezza di contesto?: Via API costa $0,67 per milione di token in input e $3,35 per milione di token in output, con una finestra di contesto da 262.144 token.
In cosa differisce K2.7 Code da K2.6?: K2.7 Code è costruito su K2.6 con focus su compiti di programmazione reali a lungo termine e migliorata efficienza dei token, riducendo l'uso di token di pensiero di circa il 30% rispetto a K2.6.

Verdetto del capitano
Un agente di programmazione serio a pesi aperti con contesto lungo e ragionamento sempre attivo — vale il costo hardware se il tuo carico di lavoro è ingegneria software agentica.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

Kimi K2.7 Code è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm moonshotai visione ragionamento programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli