Moonshot brengt Kimi K2.7-Code uit als open model

Moonshot AI heeft op 12 juni Kimi K2.7-Code op Hugging Face gezet, een open model dat volledig op programmeerwerk is gericht. Volgens MarkTechPost claimt het Chinese lab een flinke sprong op zijn eigen coding-benchmark, terwijl het model minder rekentokens verbruikt dan zijn voorganger K2.6.

Wat Moonshot precies vrijgeeft

K2.7-Code is een Mixture-of-Experts-model met een biljoen parameters, waarvan er 32 miljard actief zijn per token, verdeeld over 384 experts. Het contextvenster is 256.000 tokens. Moonshot publiceert de gewichten onder een aangepaste MIT-licentie, schrijft Cryptobriefing, en biedt het model ook via API aan. Daarmee staat het in dezelfde hoek als andere openere releases, zoals het open enterprise-model van Cohere.

De inzet ligt op agentachtige software-engineering: taken waarbij een model zelf code schrijft, draait en bijstelt. Moonshot zegt dat K2.7-Code daarvoor ongeveer 30 procent minder denk-tokens gebruikt dan K2.6, wat de kosten per opdracht drukt. Die efficiëntiehoek past bij een bredere beweging richting kleinere, zuinigere modellen, iets wat ook CyberSecQwen-4B liet zien.

De cijfers, met een stevige kanttekening

Op Kimi Code Bench v2 gaat de score van 50,9 naar 62,0, een winst van 21,8 procent ten opzichte van K2.6. Moonshot rapporteert daarnaast 11 procent vooruitgang op Program Bench en 31,5 procent op MLS Bench Lite. Ter vergelijking noteert GPT-5.5 op diezelfde benchmark een 69,0 en Claude Opus 4.8 een 67,4, dus tegen de westerse topmodellen blijft K2.7-Code op dit punt nog achter.

Hier zit de belangrijkste nuance. Alle gepubliceerde scores komen uit Moonshots eigen benchmarks. Onafhankelijke cijfers op publieke suites als SWE-bench Verified, Terminal-Bench of LiveCodeBench ontbreken op het moment van schrijven. Wie de prestaties wil wegen tegen bijvoorbeeld de modellen waarmee Anthropic zakelijk OpenAI passeerde, moet voorlopig afgaan op de claims van de maker zelf.

Wat betekent dit

Voor ontwikkelaars is de open licentie het meest concrete winstpunt: de gewichten zijn te downloaden en op eigen infrastructuur te draaien, met ruimte om te finetunen op de eigen codebase. Dat is een ander aanbod dan gesloten modellen die per token worden afgerekend, en het verlaagt de drempel voor teams die hun code liever niet naar een externe API sturen. Voor wie met gevoelige projecten werkt, weegt dat laatste vaak zwaar. De timing valt op. Westerse labs investeren juist in eigen, intern getrainde modellen, zoals Microsoft met zijn MAI-reeks deed. Moonshot kiest de tegenovergestelde route en geeft een topmodel weg.

De echte test komt zodra onafhankelijke benchmarks binnen zijn. Tot die tijd is K2.7-Code vooral interessant als signaal: open-weight modellen uit China sluiten in tempo aan op de Amerikaanse kopgroep, en de prijs van serieus codeer-AI blijft dalen.