Moonshot AI выпустил Kimi K2.7-Code, новую версию своей модели для программирования, которая обещает снизить использование токенов на 30% по сравнению с K2.6. Это значительное улучшение может снизить затраты для команд, работающих с агентными потоками, что делает обновление важным для разработчиков.
Контекст обновления K2.7-Code
K2.7-Code использует архитектуру с триллионом параметров, аналогичную предыдущей версии K2.6, выпущенной в апреле, которая быстро заняла первое место в недельном рейтинге OpenRouter по принятии API. Это обновление полностью совместимо с API OpenAI, что упрощает плавный переход для существующих пользователей K2.6. В отличие от предшественника, K2.7-Code снижает «избыточное осмысление», делая процесс генерации кода более эффективным и целенаправленным.
Преимущества и критика K2.7-Code
Moonshot AI заявляет, что новая модель продемонстрировала улучшения производительности на 21,8% в Kimi Code Bench v2 и 31,5% на MLS Bench Lite. Однако, независимый исследователь Эллиот Арледж запустил K2.7-Code против K2.6 и Claude Fable 5 на наборе данных KernelBench-Hard, обнаружив, что новая версия не всегда была более способной, что поднимает вопросы о достоверности собственных бенчмарков компании.
В ответ на это разработчик Сугумаран Баласубраманиан призвал Moonshot AI представить K2.7-Code на более строгих независимых тестах, таких как DeepSWE, который предлагает более объективные сравнения производительности среди моделей. Он также отметил, что хотя K2.7-Code демонстрирует эффективность, ее необходимо проверить на работоспособность в разных сценариях перед массовым внедрением.
Практические выводы для разработчиков
Для разработчиков в России и СНГ это обновление может снизить затраты на использование API Kimi K2.7-Code, что особенно актуально для команд, которые работают над крупными проектами. Легкость интеграции подразумевает, что переход на новую версию может быть сделан без значительных изменений в инфраструктуре, что снижает риски.
Кроме того, возможность тестирования новой модели позволит командам оценить, насколько обещанная эффективность сохранится в их специфических задачах. Если предположения Moonshot AI подтвердятся, это может привести к снижению затрат на 30% и более.
Следующий шаг для Moonshot AI — во многом зависит от обратной связи сообщества и репутации модели на независимых бенчмарках, что определит её успех в долгосрочной перспективе.