Kimi K2.7 Code: a nova referência gratuita para programação com IA
Kimi K2.7 Code: a nova referência gratuita para programação com IA
Kimi K2.7 Code aposta na programação agentiva com pesos abertos e menos tokens de raciocínio
A Moonshot AI lançou, em 12 de junho de 2026, o Kimi K2.7 Code, um modelo especializado em programação e construído sobre o Kimi K2.6.
O modelo foi otimizado para tarefas prolongadas de engenharia de software. Em vez de se limitar à geração isolada de pequenos blocos de código, foi concebido para funcionar em agentes capazes de analisar repositórios, planear alterações, editar vários ficheiros, chamar ferramentas, executar testes e corrigir erros ao longo de vários passos.
Estas ações dependem, contudo, do ambiente em que o modelo é utilizado. O Kimi K2.7 Code não executa testes ou comandos autonomamente sem que uma aplicação, como o Kimi Code ou outro agente de programação, lhe forneça acesso ao terminal, aos ficheiros e às restantes ferramentas.
Arquitetura de um bilião de parâmetros
O Kimi K2.7 Code utiliza uma arquitetura de mistura de especialistas, ou MoE, com cerca de um bilião de parâmetros totais. Apenas 32 mil milhões são ativados para cada token.
O modelo contém 384 especialistas, dos quais oito são selecionados por token, além de um especialista partilhado. Esta ativação parcial reduz o cálculo necessário em comparação com um modelo denso da mesma dimensão total, embora o desempenho real continue a depender da memória, da comunicação entre aceleradores e do motor de inferência.
A janela de contexto é de 262 144 tokens, normalmente apresentada como 256K. Esta capacidade permite fornecer ao modelo quantidades extensas de código, documentação, registos e resultados de testes numa única sessão.
Uma janela maior não garante, por si só, que o modelo encontre ou utilize toda a informação com igual precisão. A qualidade em contextos próximos do limite deverá ser avaliada com repositórios e tarefas reais.
Embora seja especializado em programação, o Kimi K2.7 Code não processa apenas texto. Inclui o codificador visual MoonViT, com 400 milhões de parâmetros, e aceita imagens e vídeo, além de suportar chamadas de ferramentas e interações em vários passos. Para escrita, análise e conversação geral, a própria Moonshot recomenda o K2.6.
Pesos disponíveis, mas utilização não necessariamente gratuita
Os pesos e o código associado foram publicados no Hugging Face sob uma licença Modified MIT. É possível descarregar, modificar, alojar e utilizar comercialmente o modelo sem pagar uma taxa de licença.
Isso não significa que a utilização seja gratuita. Quem alojar o modelo terá de suportar o custo do hardware e da operação. A API oficial também é paga, enquanto o Kimi Code está incluído em planos de subscrição que começam nos 19 dólares mensais.
A licença exige que o aviso de direitos de autor e o texto da licença sejam preservados nas cópias ou em partes substanciais do software. Existe ainda uma condição específica para aplicações de grande escala: produtos ou serviços comerciais com mais de 100 milhões de utilizadores ativos mensais ou mais de 20 milhões de dólares de receita mensal têm de apresentar de forma destacada a designação “Kimi K2.7 Code” na sua interface. Por isso, é demasiado simplista dizer que a utilização comercial exige apenas “dar crédito”.
Ganhos face ao K2.6
Nos resultados publicados pela Moonshot, o Kimi K2.7 Code melhorou 21,8% no Kimi Code Bench v2, passando de 50,9 para 62,0 pontos. No Program Bench, subiu de 48,3 para 53,6, um ganho de aproximadamente 11%. No MLS-Bench Lite, passou de 26,7 para 35,1, correspondendo a uma melhoria de 31,5%.
O Kimi Code Bench v2 é um teste interno da Moonshot. O Program Bench e o MLS-Bench são benchmarks externos, mas as execuções apresentadas foram realizadas pela própria empresa. Os valores devem, portanto, ser tratados como resultados do fabricante até serem reproduzidos por avaliadores independentes.
As comparações também não foram realizadas através de uma única interface. O Kimi K2.7 Code e o K2.6 correram no Kimi Code CLI, enquanto o GPT-5.5 foi avaliado no Codex e o Claude Opus 4.8 no Claude Code, ambos com níveis elevados de esforço de raciocínio. Estas diferenças podem influenciar os resultados.
Nos três testes de programação apresentados, o Kimi K2.7 Code continua atrás do GPT-5.5 e do Claude Opus 4.8. A diferença é particularmente significativa no Program Bench, embora o modelo da Moonshot se aproxime do GPT-5.5 no MLS-Bench Lite.
Resultados agentivos mistos
A Moonshot apresentou também resultados em três avaliações de tarefas agentivas e utilização de ferramentas.
O Kimi K2.7 Code melhorou face ao K2.6 nos três testes, mas não supera de forma geral os modelos fechados comparados. Fica atrás do GPT-5.5 e do Claude Opus 4.8 no Kimi Claw 24/7 Bench e no MCP Atlas.
No MCP Mark Verified, obtém 81,1 pontos, acima dos 76,4 do Claude Opus 4.8, mas abaixo dos 92,9 do GPT-5.5. Assim, é correto dizer que se tornou mais competitivo na utilização de ferramentas, mas não que seja globalmente mais operacional do que ambos os concorrentes.
Menos tokens de raciocínio
Segundo a Moonshot, o Kimi K2.7 Code utiliza, em média, cerca de 30% menos tokens de raciocínio do que o K2.6 nos testes realizados.
Esta redução pode ter impacto importante no custo e na duração de tarefas agentivas, nas quais o modelo analisa ficheiros, experimenta soluções e corrige sucessivos erros. No entanto, o valor é uma média divulgada pelo fabricante e não garante uma redução de 30% em todos os projetos.
O modelo funciona sempre em modo de raciocínio. Não oferece um modo instantâneo sem thinking. No Kimi Code, quando o raciocínio é desativado, o pedido é encaminhado para o K2.6.
API, Kimi Code e alojamento próprio
O Kimi K2.7 Code está disponível através da API oficial da Moonshot e do Kimi Code. A API oferece formatos compatíveis com os ecossistemas OpenAI e Anthropic.
O preço publicado é de 0,19 dólares por milhão de tokens de entrada quando existe correspondência em cache, 0,95 dólares sem cache e 4 dólares por milhão de tokens de saída.
Os pesos podem também ser executados com vLLM, SGLang ou KTransformers. Apesar da expressão “alojamento local”, a dimensão do modelo significa que uma implantação completa exige infraestrutura especializada e uma quantidade substancial de memória. Não se trata, em condições normais, de um modelo destinado a correr integralmente num portátil ou numa única GPU comum.
Variante de alta velocidade
A Moonshot disponibiliza também o Kimi K2.7 Code HighSpeed, identificado na API como kimi-k2.7-code-highspeed.
Segundo a documentação, trata-se do mesmo modelo servido através de uma infraestrutura de inferência mais rápida. A velocidade anunciada é de aproximadamente 180 tokens por segundo, podendo atingir 260 tokens por segundo em contextos curtos.
A empresa alerta que a capacidade desta variante ainda é limitada e que a velocidade pode oscilar enquanto são acrescentados novos recursos. Estes números devem, por isso, ser tratados como valores do fornecedor, e não como desempenho garantido em todas as cargas.
Um modelo competitivo, não um vencedor absoluto
O Kimi K2.7 Code não ultrapassa GPT-5.5 ou Claude Opus 4.8 na maioria dos resultados publicados. O seu interesse está antes na combinação de capacidades de programação agentiva, pesos disponíveis, licença comercial permissiva, contexto extenso e custos de API inferiores aos de vários modelos fechados de topo.
Isso pode torná-lo uma opção atraente para equipas que valorizem controlo sobre a implantação, integração com ferramentas próprias ou redução do custo por token. Não permite, contudo, concluir que seja automaticamente mais barato por tarefa, uma vez que o custo final depende do número de tentativas, dos tokens utilizados e da frequência com que o modelo conclui corretamente o trabalho.
O Kimi K2.7 Code é, assim, uma evolução relevante do K2.6 e um candidato forte entre os modelos de pesos abertos para programação. O seu valor prático deverá ser medido através de testes em repositórios reais, com comparação do custo total, tempo de execução e taxa de sucesso... e não apenas através das pontuações divulgadas no lançamento.
