Moonshot AI가 Kimi K2.7-Code를 출시했습니다.
(marktechpost.com)문샷 AI가 이전 모델 대비 코딩 성능을 대폭 향상시키고 추론 토큰 소모량을 30% 줄인 에이전트 중심의 오픈 가중치 코딩 모델 '키미 K2.7-Code'를 출시했습니다.
전문 번역
이번 주, 문샷 AI(Moonshot AI)가 키미 K2.7-Code(Kimi K2.7-Code)를 출시했습니다. 이는 코딩에 특화된 에이전트 중심의 모델입니다. 모델 가중치는 수정된 MIT 라이선스에 따라 허깅페이스(Hugging Face)에 배포됩니다. 또한 키미 API와 키미 코드를 통해서도 사용할 수 있습니다. K2.7-Code는 일반적인 대화가 아닌 장기적인 소프트웨어 엔지니어링 작업을 목표로 합니다. 이 모델은 여러 단계에 걸쳐 계획을 수립하고, 코드를 수정하며, 도구를 실행하고, 디버깅을 수행합니다. 문샷 AI는 이 모델을 구독형 코딩 플랫폼과 결합하여 제공합니다.
키미 K2.7-Code 스펙
K2.7-Code는 혼합 전문가(MoE, Mixture-of-Experts) 모델입니다. 총 1조(1T) 개의 매개변수(파라미터)를 보유하고 있으며, 토큰당 320억(32B) 개의 매개변수가 활성화됩니다. 이 구조는 총 384개의 전문가 중 토큰당 8개의 전문가가 선택되고 1개의 전문가가 공유되는 방식을 사용합니다. Dense 레이어 1개를 포함하여 총 61개의 레이어로 구성되어 있습니다.
어텐션 메커니즘에는 MLA가 사용되었으며, 피드포워드 경로에는 SwiGLU가 적용되었습니다. MoonViT 비전 인코더는 이미지 및 비디오 입력을 위해 4억(400M) 개의 매개변수를 추가합니다. 이 모델은 네이티브 INT4 양자화가 적용된 상태로 제공됩니다. 컨텍스트 창은 256K 토큰(262,144)입니다. 두 가지 제약 사항이 있습니다. 생각 모드(Thinking mode)는 필수 사항이며, 이를 비활성화하면 API 오류가 반환됩니다. 샘플링 매개변수는 온도(temperature) 1.0, top_p 0.95, n 1, 페널티 0.0으로 고정되어 있습니다. 기본 최대 출력은 32,768 토큰입니다. vLLM, SGLang, KTransformers를 사용하여 자체 호스팅할 수 있습니다. 허깅페이스 리포지토리의 크기는 디스크 기준 약 595GB로 매우 큽니다. 이는 노트북용 모델이 아닌 서버급 배포를 겨냥한 타겟입니다.
벤치마크 점수
문샷 팀은 6가지 벤치마크 결과를 발표했습니다. 이들은 K2.7-Code를 K2.6, GPT-5.5, 클로드 오푸스 4.8(Claude Opus 4.8)과 비교했습니다. K2.7-Code는 모든 항목에서 K2.6을 능가했습니다. 코딩 부문에서 가장 큰 상승을 보인 것은 Kimi Code Bench v2로, 기존 50.9%에서 62.0%로 상승했습니다.
K2.7-Code는 MCP Mark Verified 벤치마크에서 81.1%를 기록하며 오푸스 4.8의 76.4%를 제쳤습니다. 또한 MLS Bench Lite에서는 GPT-5.5에 근접한 수치를 기록했습니다. K2.7-Code는 Kimi Code CLI에서 실행되었으며, GPT-5.5는 Codex xhigh, 오푸스 4.8은 Claude Code xhigh 환경에서 테스트되었습니다.