Kimi K2.7-Code: Moonshot AIs nye kodingsmodell er åpen og billig – men holder den?

Kimi K2.7-Code er Moonshot AIs nyeste satsing på agentisk koding – og den er åpen kildekode under Modified MIT-lisens. For deg som jobber med lange, komplekse kodingsoppgaver er det lavere token-forbruket – og at modellen faktisk er åpen og lett tilgjengelig – mer interessant enn noe som helst annet de kan si om den.

Moonshot AI slapp modellen 12. juni, og den er allerede tilgjengelig flere steder: via deres eget API, som nedlastbare vekter på Hugging Face, og – kanskje viktigst for de fleste – via OpenRouter under slug moonshotai/kimi-k2.7-code. Det betyr at du kan teste den uten å sette opp noe som helst, eller kjøre den lokalt hvis du har nok VRAM – om enn med noen praktiske forbehold om hardwarekrav.

Jeg er som kjent skeptisk til kinesiske AI-modeller, men Moonshot AI har vist seg å levere konkurrerende teknologi tidligere – særlig med Kimi K2.5 som ble et slags benchmark for agentisk tenking. K2.7-Code er ikke en ny modell fra scratch – den er bygget videre på K2.6, med tydelig fokus på kodingsoppgaver og mer effektiv resonnering. Det er verdt å se nærmere på.

Hva gjør Kimi K2.7-Code i praksis?

Modellen er designet for det de kaller «long-horizon software engineering» – det vil si kodingsoppgaver som strekker seg over mange trinn. Den planlegger, redigerer, bruker verktøy og feilsøker autonomt. Det er altså en agentisk modell, ikke bare en kodingsassistent som fullfører enkeltlinjer.

Kontekstvinduet er på 256K tokens. Det er nok til å holde store kodebaser i minnet samtidig, men det er verdt å være ærlig: dette er ikke lenger noe imponerende tall. Frontier-modellene ligger rundt 1 million tokens nå, så 256K er solid uten å skille seg ut. Det holder fint til prosjekter med mange avhengigheter der modellen må forstå sammenhengen mellom filer – bare ikke forvent at kontekstvinduet i seg selv er et salgsargument.

Arkitekturen er Mixture-of-Experts med én billion totale parametere, men bare 32 milliarder aktiverte per token. Det holder kostnadene nede og gjør den raskere enn en fullverdig 1B-modell i praksis.

30% lavere token-forbruk – hva betyr det egentlig?

Det mest konkrete forbedringen fra K2.6 til K2.7-Code er at tenking-token-forbruket er redusert med omtrent 30 prosent. Moonshot AI sier dette selv, så det er første-parts tall – ikke uavhengig verifisert ennå.

Men hvis det stemmer er det verdt å merke seg. Mange av de kraftige reasoning-modellene er rause med tenke-tokens, og det slår direkte inn på kostnaden. En modell som tenker kortere og smartere – ikke bare kortere – er genuint interessant for produksjonsmiljøer der token-kostnad er en reell faktor.

API-prisen er satt til 0,95 dollar per 1 million input-tokens og 4,00 dollar per 1 million output-tokens (omtrent 10,50 og 44 kroner per million tokens). Det er ikke billig, men det er heller ikke galskap sammenlignet med vestlige alternativer på lignende størrelse.

Kan du kjøre den lokalt?

Ja – men det er et «ja, men»-svar. Vektene er tilgjengelige på Hugging Face under Modified MIT-lisens, og modellen støtter inferens via vLLM, SGLang og KTransformers. Problemet er at den tar opp 595 GB diskplass. Det er ikke akkurat en modell du laster ned på laptopen.

For de fleste vil API-tilgangen være det praktiske alternativet. Du kan gå rett på Kimi API (OpenAI-kompatibel, modellnavn kimi-k2.7-code), eller bruke OpenRouter hvis du allerede har et oppsett der – da slipper du å opprette enda en konto bare for å prøve. Det er samme grensesnitt som OpenAI uansett vei, så eksisterende kode trenger minimale endringer.

Åpen kildekode under Modified MIT er positivt. Moonshot AI har vært relativt åpne med modellene sine, og det er bedre enn mange andre kinesiske aktører som holder alt lukket. Det betyr også at fellesskapet kan finjustere og tilpasse modellen, noe som typisk skjer raskt etter slike slipp.

Hva med Cursor-historien?

Moonshot AI har vært i søkelyset tidligere. Cursor brukte Kimi K2.5 uten å spørre, noe Moonshot AI tok opp offentlig. Modified MIT-lisensen som K2.7-Code slippes under krever kreditering for store kommersielle aktører – det er samme lisensmodell som K2.5, og den er der av en grunn.

Det er uansett et interessant markedssignal at kinesiske modeller er gode nok til at vestlige selskaper vil bruke dem – og tydelig nok at de bruker dem selv når de tror ingen ser på. Det sier mer om modellkvaliteten enn noe benchmark kan.

Er Kimi K2.7-Code verdt å teste?

Hvis du allerede bruker agentiske kodingsverktøy og er villig til å eksperimentere med alternativer til Claude eller GPT-4o på kodingsoppgaver – ja, det er verdt en test. Spesielt hvis oppgavene dine er lange og komplekse nok til at kontekstvinduet faktisk gjør en forskjell.

Jeg er fortsatt skeptisk til kinesiske modeller generelt, og Moonshot AI er intet unntak. Men skeptisk betyr ikke avvisende. K2.5 var genuint konkurrerende da den kom, og K2.7-Code ser ut til å bygge videre på de riktige tingene: kontekst, effektivitet, åpenhet.

Én ting jeg ville gjort: test det på dine egne prosjekter, ikke på de benchmarkene Moonshot AI valgte ut. Ethvert selskap velger benchmark de gjør det bra på. Det interessante er hva modellen gjør på de oppgavene du faktisk har.

Ofte stilte spørsmål