Kimi K2.7 Code API 2026: Moonshot'un Yeni Coding Modeli, Benchmarklar, Fiyatlar ve CodeFast
Moonshot AI, Kimi K2.7 Code'u açık kaynak ve API olarak yayınladı. Bu rehber 256K context, preserve_thinking, MCP benchmarkları ve resmi fiyatları inceler; ayrıca CodeFast'teki güncel bakiye bazlı K2.7 Code erişimini açıklar.
· CodeFast Team
Kimi K2.7 Code nedir?
Moonshot AI (Kimi), 12 Haziran 2026 sabahı Kimi K2.7 Code'u hem açık kaynak hem de API olarak duyurdu. Model, Kimi K2.6 üzerine inşa edilmiş coding odaklı bir agentic model; genel amaçlı sohbetten ziyade uzun süreli yazılım mühendisliği iş akışları, tool calling, MCP entegrasyonları ve end-to-end coding görevleri için optimize edilmiş. HuggingFace'te `moonshotai/Kimi-K2.7-Code` olarak yayınlandı; resmi API `kimi-k2.7-code` model kimliğiyle platform.moonshot.ai üzerinden erişilebilir.
Duyurunun merkezinde üç mesaj var: (1) K2.6'ya kıyasla coding ve agent benchmarklarında çift haneli iyileşme, (2) thinking token kullanımında yaklaşık %30 azalma — yani daha az overthinking, daha verimli reasoning, (3) uzun horizon coding görevlerinde instruction following ve end-to-end başarı oranında artış. Moonshot ayrıca '6x High-Speed Mode'un yakında geleceğini belirtti.
Kimi K2.7 Code snapshot - June 12, 2026
Model ID (API): kimi-k2.7-code
HuggingFace: moonshotai/Kimi-K2.7-Code
License: Modified MIT
Architecture: Mixture-of-Experts (MoE)
Total parameters: 1T | Activated: 32B
Layers: 61 (1 dense) | Experts: 384 (8 selected per token)
Context length: 256K (262,144 tokens in API)
Vision encoder: MoonViT (400M params)
Inputs: text, image, video
Modes: thinking (forced), preserve_thinking (forced)
Instant mode: not supported
Recommended: temperature 1.0, top_p 0.95
Inference engines: vLLM, SGLang, KTransformers
12 Haziran 2026 Kimi K2.7 Code teknik özet
12 Haziran 2026 duyurusunda öne çıkanlar
- Açık kaynak: model ağırlıkları ve kod deposu Modified MIT lisansıyla HuggingFace'te yayınlandı.
- Resmi API: `kimi-k2.7-code` model kimliğiyle platform.moonshot.ai ve kimi.com/code üzerinden erişim.
- K2.6'ya göre benchmark artışları: Kimi Code Bench v2 +21.8%, Program Bench +11.0%, MLS Bench Lite +31.5%.
- Reasoning verimliliği: K2.6'ya kıyasla thinking token kullanımında yaklaşık %30 azalma.
- Yakında: 6x High-Speed Mode — daha hızlı inference modu geliyor.
Mimari ve teknik özellikler
Kimi K2.7 Code, K2.5/K2.6 ile aynı temel mimariyi paylaşıyor; bu da mevcut deployment rehberlerinin doğrudan yeniden kullanılabileceği anlamına geliyor. 1 trilyon toplam parametre ve token başına 32 milyar aktif parametreyle MoE (Mixture-of-Experts) yapısında çalışıyor. 61 katman (1 dense), 384 expert (token başına 8 seçili), MLA (Multi-head Latent Attention) mekanizması ve 160K vocabulary size ile 256K context window sunuyor. Native INT4 quantization desteği de mevcut — self-hosting için önemli bir maliyet avantajı.
Multimodal tarafında MoonViT vision encoder (400M parametre) ile text, image ve video input destekleniyor. API tarafında video input şu an resmi API'de destekleniyor; üçüncü taraf vLLM/SGLang deployment'larında video henüz deneysel. Thinking mode zorunlu ve kapatılamıyor; instant mode desteklenmiyor.
Benchmark sonuçları: coding ve agentic performans
Moonshot'un resmi değerlendirmelerinde K2.7 Code, K2.6'ya kıyasla tüm coding ve agentic benchmark kategorilerinde ilerleme gösteriyor. GPT-5.5 ve Claude Opus 4.8 gibi kapalı modellerle karşılaştırıldığında hâlâ geride kalan alanlar var, ancak açık kaynak ekosisteminde coding odaklı modeller arasında en güçlü adaylardan biri konumunda.
Benchmark comparison - June 2026
K2.6 K2.7 Code GPT-5.5 Opus 4.8
--- Coding ---
Kimi Code Bench v2 50.9 62.0 69.0 67.4
Program Bench 48.3 53.6 69.1 63.8
MLS Bench Lite 26.7 35.1 35.5 42.8
--- Agentic ---
Kimi Claw 24/7 Bench 42.9 46.9 52.8 50.4
MCP Atlas 69.4 76.0 79.4 81.3
MCP Mark Verified 72.8 81.1 92.9 76.4
K2.7 Code vs K2.6 gains:
Kimi Code Bench v2: +21.8% | Program Bench: +11.0% | MLS Bench Lite: +31.5%
MCP Atlas: +9.5% | MCP Mark Verified: +11.4% | Kimi Claw 24/7: +9.3%
Resmi benchmark karşılaştırması (Moonshot AI, Haziran 2026)
- Kimi Code Bench v2: 10+ programlama dili, production tech stack ve gerçek dünya yazılım mühendisliği görevlerini kapsayan in-house benchmark.
- Program Bench: derlenmiş binary ve dokümantasyondan sıfırdan program yeniden inşa etme — 200 görev, 248.000+ fuzz testi.
- MCP Mark Verified: Notion, GitHub, Filesystem, Postgres ve Playwright ortamlarında MCP tool-use değerlendirmesi.
Kimi K2.7 Code vs Kimi K2.6: ne değişti?
K2.7 Code, K2.6'nın genel amaçlı multimodal agent modelinden coding'e özel bir varyanta dönüşüm. Aynı 1T MoE mimari ve 256K context korunuyor, ancak eğitim ve inference optimizasyonları coding workflow'larına yönlendirilmiş. En belirgin farklar: thinking token verimliliği, preserve_thinking zorunluluğu ve MCP/agent benchmarklarındaki sıçrama.
K2.7 Code vs K2.6 - June 12, 2026
Feature K2.6 K2.7 Code
Model ID kimi-k2.6 kimi-k2.7-code
Focus general multimodal coding-focused agentic
Thinking mode optional forced (always on)
Preserve thinking optional forced (always on)
Instant mode supported not supported
Thinking token usage baseline ~30% lower
Open source weights yes yes (new release)
Kimi Code CLI supported optimized (recommended)
Official input price $0.95 / 1M tokens $0.95 / 1M tokens
Official output price $4.00 / 1M tokens $4.00 / 1M tokens
K2.7 Code vs K2.6 karşılaştırma özeti
Öne çıkan özellikler: preserve_thinking, interleaved thinking ve multimodal
K2.7 Code'un en kritik coding özelliği `preserve_thinking` modunun zorunlu olması. Bu mod, çok turlu etkileşimlerde tam reasoning içeriğini korur ve coding agent senaryolarında performansı artırır. Kapatılamaz ve varsayılan olarak açıktır. Interleaved Thinking ve Multi-Step Tool Call tasarımı K2 Thinking ile aynıdır — model düşünme ve araç çağrılarını iç içe yürütebilir.
- Preserve thinking: önceki turdaki reasoning_content assistant mesajında saklanır; sonraki turda model bu bağlamı kullanır.
- Interleaved thinking: düşünme ve tool call adımları iç içe; uzun agent akışlarında daha tutarlı ilerleme.
- Multimodal input: ekran görüntüsü, tasarım mockup'ı, video demo veya dokümantasyon görseliyle coding kararı.
- ToolCalls, JSON Mode, Partial Mode ve otomatik context caching resmi API'de destekleniyor.
Resmi API fiyatlandırması
Kimi K2.7 Code'un resmi fiyatlandırması K2.6 ile aynı seviyede: input $0.95/1M tokens (cache miss), $0.19/1M tokens (cache hit), output $4.00/1M tokens. Context window 262.144 token. Coding model olarak konumlandırıldığı için thinking token'ları da output fiyatından faturalandırılır — bu nedenle %30 thinking token azaltması doğrudan maliyet avantajına dönüşür.
Kimi K2.7 Code API pricing - June 12, 2026
Model: kimi-k2.7-code
Input (cache hit): $0.19 / 1M tokens
Input (cache miss): $0.95 / 1M tokens
Output: $4.00 / 1M tokens
Context window: 262,144 tokens
API base URL: https://api.moonshot.ai/v1
Platform: https://platform.moonshot.ai
Kimi Code CLI: https://www.kimi.com/code
Resmi Kimi K2.7 Code API fiyat tablosu
Resmi API ile nasıl kullanılır?
K2.7 Code, OpenAI SDK uyumlu API formatıyla çalışıyor. Thinking mode zorunlu olduğu için response'ta `reasoning` alanı döner. Temperature 1.0 ve top_p 0.95 önerilir. Preserve thinking kullanımında assistant mesajına `reasoning_content` eklenmeli; aksi halde çok turlu agent akışlarında bağlam kaybı yaşanır.
import openai
client = openai.OpenAI(
api_key="your_moonshot_api_key",
base_url="https://api.moonshot.ai/v1"
)
response = client.chat.completions.create(
model="kimi-k2.7-code",
messages=[
{"role": "system", "content": "You are Kimi, a coding AI assistant."},
{"role": "user", "content": "Refactor this module to use async/await."}
],
max_tokens=4096,
temperature=1.0,
top_p=0.95
)
print(response.choices[0].message.reasoning) # thinking content
print(response.choices[0].message.content) # final answer
Kimi K2.7 Code OpenAI SDK örneği
Kimi Code CLI: önerilen agent framework
Moonshot, K2.7 Code'un en iyi performansı Kimi Code CLI ile gösterdiğini açıkça belirtiyor. kimi.com/code adresinden erişilebilen bu CLI, preserve_thinking, interleaved tool calls ve uzun horizon coding görevleri için optimize edilmiş bir agent harness sunuyor. Cursor, Windsurf veya kendi IDE entegrasyonunuz varsa OpenAI compatible endpoint üzerinden de çalışır; ancak resmi öneri Kimi Code CLI.
Açık kaynak ve self-hosting
K2.7 Code model ağırlıkları HuggingFace'te Safetensors formatında yayınlandı (1.1T params, BF16/F32/I32). Modified MIT lisansı altında hem kod deposu hem model ağırlıkları kullanılabilir. Deployment için vLLM, SGLang veya KTransformers öneriliyor; K2.5/K2.6 deployment rehberi doğrudan uygulanabilir. transformers >=4.57.1, <5.0.0 gereksinimi var. Native INT4 quantization ile inference maliyeti düşürülebilir.
- HuggingFace: moonshotai/Kimi-K2.7-Code
- GitHub: moonshotai/kimi-k2 (model ailesi deposu)
- Deployment rehberi: HuggingFace reposundaki docs/deploy_guidance.md
CodeFast'te Kimi K2.7 Code: güncel erişim
Kimi K2.7 Code artık CodeFast'te bakiye bazlı bir API paketi olarak kullanılabilir. 50 TL ile 5000 TL arasında bakiye seçilebilir; chat/completions ve messages formatları desteklenir. Model kimliği `kimi-k2.7-code`'dur ve input, output, cache write ile cache read tokenları 1M token başına $0.108 CodeFast fiyatıyla bakiyeden düşer.
Provider: CodeFast Kimi K2.7 Code API
OpenAI-compatible Base URL: https://api.codefast.app/kimi-k2-7-code-api/v1
Anthropic messages endpoint: https://api.codefast.app/kimi-k2-7-code-api/v1/messages
Model: kimi-k2.7-code
Balance: selectable from 50 TRY to 5000 TRY
CodeFast rate: $0.108 per 1M input, output, cache-write, or cache-read tokens
CodeFast Kimi K2.7 Code API — güncel bağlantılar
Kimler için mantıklı?
K2.7 Code'u genel sohbet botu olarak değil, teknik iş üreten bir coding agent olarak düşünmek doğru çerçeve. Uzun refactor, çok dosyalı migration, MCP tabanlı tool orchestration, binary'den program yeniden inşa veya multimodal input içeren teknik karar süreçleri için tasarlandı. Kısa sınıflandırma veya basit rewrite işleri için daha hafif modeller daha ekonomik olabilir.
Choose Kimi K2.7 Code when:
- The task spans many files, steps, or MCP tool calls
- You need preserve_thinking across multi-turn agent flows
- The prompt includes screenshots, video, or design context
- You want an open-source coding model with strong MCP benchmarks
- Token efficiency matters (30% lower thinking tokens vs K2.6)
Choose a lighter or free model when:
- The task is short classification or simple rewriting
- Instant, non-thinking responses matter more than long-horizon reasoning
- You want to prototype through the free NVIDIA API package first
- General chat is the primary use case
Pratik seçim mantığı
Sonuç: Kimi K2.7 Code, 2026 coding agent dalgasının yeni lideri
Kimi K2.7 Code; açık kaynak yapısı, preserve_thinking, MCP tool-use performansı ve uzun coding görevlerindeki odağıyla güçlü bir agent modelidir. CodeFast'in bakiye bazlı paketi modeli OpenAI ve Anthropic uyumlu istemcilerde, seçilebilir bütçe ve şeffaf token fiyatıyla kullanmayı kolaylaştırır. Güncel fiyat, model kimliği ve endpoint bilgileri için paket sayfasını esas alın.