Moonshot AI 發布 Kimi K2.7-Code 聲稱推理效率提升三成，但業界對其基準數據真實性存疑

Moonshot AI 本週發布 Kimi K2.7-Code，這是其 K2 系列程式碼模型的開源更新版本。官方宣稱新模型在推理過程中減少了 30% 的「thinking token」用量，並在多項基準測試中取得雙位數效能提升，對於運行代理工作流程（agentic workflows）的企業而言，此舉具有直接降低推理成本的意義。

K2.7-Code 延續前代 K2.6 的兆參數混合專家（MoE）架構，支援 OpenAI 相容 API，可直接替換部署於現有生產環境。模型以 Modified MIT 授權釋出，權重上架 HuggingFace，並支援 vLLM 與 SGLang 推理框架。與 K2.6 相比，K2.7-Code 的主要技術差異在於直接生成底層程式碼實作，而非透過既有函式庫包裝，Moonshot AI 表示此設計提升了模型在 Rust、Go、Python 等語言以及前端、DevOps、效能優化等不同任務類型上的泛化能力。

然而，部分業界從業者已公開質疑官方基準數據的可信度，認為實際表現與宣稱數字存在落差。鑒於 K2.6 曾以開發者實際 API 路由決策為依據登上 OpenRouter 週排行榜榜首，K2.7-Code 是否能通過獨立驗證，仍有待觀察。