K2.7-Code 在 MCP 场景下超过 Opus 4.8，且推理 token 减少 30%，做编程 Agent 的团队可以直接用开源模型跑长任务，成本更低、成功率更高。
Kimi 开源了最新编码模型 K2.7-Code，基于 K2.6 针对编程 Agent 专项优化，重点提升长链路编码任务成功率并减少推理 token。在编码基准上全面进步，其中 Kimi Code Bench v2 提升 21.8%，MLS Bench Lite 提升 31.5%。Agent 方面，MCP Mark Verified 得分 81.1，超过 Opus 4.8 的 76.4，在多工具编排上具备竞争力。效率方面，推理 token 整体减少约 30%，Program Bench 的 token 消耗降低 42% 同时分数提升。模型支持强制 Thinking 模式、Preserve Thinking 和多模态输入，已在 Hugging Face 开源。
Kimi 开源了最新编码模型 K2.7-Code，基于 K2.6 针对编程 Agent 专项优化，重点提升长链路编码任务成功率并减少推理 token。在编码基准上全面进步，其中 Kimi Code Bench v2 提升 21.8%，MLS Bench Lite 提升 31.5%。Agent 方面，MCP Mark Verified 得分 81.1，超过 Opus 4.8 的 76.4，在多工具编排上具备竞争力。效率方面，推理 token 整体减少约 30%，Program Bench 的 token 消耗降低 42% 同时分数提升。模型支持强制 Thinking 模式、Preserve Thinking 和多模态输入，已在 Hugging Face 开源。
Kimi 开源发布最新编码模型「Kimi-K2.7-Code」，在 K2.6 基础上针对编程 Agent 做专项优化的版本，目标很明确：长链路编码任务的成功率更高，推理 token 更少！ # 三个核心改进 1. 编码：全面进步，尚未登顶 相对 K2.6，三项编码基准均有提升：Kimi Code Bench v2 +21.8%（50.9→62.0），Program Bench +11.0%，MLS Bench Lite +31.5%（涨…