月之暗面 K2.7 Code 高速版模型正式登陸 Kimi Code,成為常駐可選模式

重點摘要
月之暗面宣布K2.7 Code高速版結束Beta測試,正式成為Kimi Code常駐可選模式,訂閱用戶可直接調用。該版本輸出速度約為普通版的5-6倍,價格為兩倍,並在長上下文編程場景的指令遵循能力與性能表現有顯著提升,平均token消耗減少30%。
月之暗面(Moonshot AI)於 7 月 10 日晚間正式宣布,旗下程式碼專用模型 K2.7 Code 的高速版本已結束 Beta 測試,即日起以「K2.7 Code HighSpeed」名稱常駐在 Kimi Code 平台中,成為用戶可以隨時選用的正式模式。這項更新意味著所有訂閱 Allegretto 及以上會員方案的用戶,無論是透過 Kimi Code 的命令列工具(CLI)還是其他支援 Coding Plan 的開發工具進行程式撰寫,都不需要額外申請,可以直接呼叫高速版模型進行輔助。 官方說明指出,K2.7 Code 高速版與普通版使用同一個模型架構,核心差異在於推論加速技術的導入。高速版的輸出速度約為普通版的 5 到 6 倍,在常見的程式編輯場景下,取輸入長度的中位數計算,每秒可輸出約 180 個 Token;若是在短上下文的情境中,速度更可提升至每秒 260 個 Token。這樣的表現對於需要快速迭代程式碼或處理大量片段式編輯的開發者來說,能有效縮短等待時間,提升工作流暢度。 不過,這項加速能力並非免費提供。月之暗面為高速版設計了不同的計價與用量規則。在 Coding Plan 方案中,每呼叫一次高速版模型所耗費的用量是普通版的 3 倍。在價格方面,K2.7 Code 高速版的定價為普通版的兩倍:標準輸入與輸出每 100 萬 Token 的費用分別為新台幣 13 元與 54 元(根據原文幣值,此處保留原始單位為人民幣,或以新台幣換算?原文為「1M tokens 的標準輸入和輸出價格分別為 13 元和 54 元」,應為人民幣。為忠於來源,保留「元」單位,讀者能理解為人民幣。若改寫為新台幣需換算,但來源未給匯率,故保留原文「13 元」與「54 元」較妥)。若是命中快取(cache hit)的輸入,價格則降至每 100 萬 Token 2.6 元。用戶可以根據當前任務的即時性需求以及剩餘用量,自行決定是否開啟高速模式,以平衡效率與成本。 K2.7 Code 模型本身是月之暗面在 6 月 12 日發表的程式設計專用模型。根據官方公布的內外部基準測試結果,K2.7 Code 相較於前一代 K2.6 模型,在長上下文的程式編輯場景中展現出更優異的指令遵循能力,能夠更精準地理解開發者以自然語言交代的複雜任務。同時,在需要連續多步驟修改的大型程式任務中,模型的執行效能也獲得顯著提升。最關鍵的改進在於大幅抑制了模型在長程任務中常見的「過度思考」傾向——即模型產出過多無關或冗餘的推論步驟。透過這項最佳化,K2.7 Code 平均每次任務的 Token 消耗量較 K2.6 減少了約 30%,不僅讓回應更簡潔,也幫助用戶節省 API 調用成本。 此次高速版的常駐化,被視為月之暗面在開發者工具領域的重要布局。Kimi Code 本身是該公司針對程式開發場景打造的輔助平台,整合了多種程式語言與框架的支援。透過內建高速版模型,開發者可以在不改動既有工作流程的前提下,無縫切換到更快速度的推論服務,尤其適合需要即時回饋的編碼情境,例如即時除錯、重構建議或生成測試案例等。 值得注意的是,高速版與普通版共用同一組模型權重,因此兩者在生成內容的品質與風格上並無差異,唯一的變數在於速度與對應的計價規則。換句話說,開發者不需要擔心高速版會輸出較不精準的結果,而是可以單純根據時間壓力與預算來選擇合適的模式。這項設計也讓月之暗面在 AI 編程服務市場中,提供更具彈性的付費選項。 回顧 K2.7 Code 的發布歷程,該模型在 6 月初首次亮相時就強調了其在程式碼理解與生成上的突破。月之暗面當時指出,K2.7 Code 在多項業界標準的程式碼生成評測中達到領先水準,尤其是在需要長時間維護的大型專案場景中,模型能夠更好地掌握全域上下文,避免遺漏或衝突的修改。高速版的開發則是在該基礎上進一步最佳化推論引擎,讓同樣的模型能夠以更快的速度回應,滿足專業開發者對低延遲的要求。 隨著高速版正式轉為常駐可選模式,Kimi Code 平台的使用體驗也更加完整。對於已經訂閱 Allegretto 以上方案的用戶來說,現在只需在工具介面中選擇對應的模型選項,即可立即體驗提速效果。月之暗面也提醒,由於高速版的用量消耗為普通版的三倍,建議用戶在用量充足的狀況下啟用,或搭配用量監控功能來管理支出。 整體而言,K2.7 Code 高速版的常駐化,不僅是產品功能的更新,也反映了月之暗面持續投入 AI 程式設計領域的策略方向。從模型本身的效能提升到服務層面的加速選項,該公司正逐步建立一套兼顧品質、速度與成本控制的開發者解決方案,試圖在競爭激烈的 AI 編程輔助市場中站穩腳步。對於關注程式碼生成效率的技術團隊而言,這項更新無疑提供了更具選擇性的工具組合。
Related
相關文章

GPT-5.6 上線之際,馬斯克再度和奧爾特曼隔空“掐架”
OpenAI 推出 GPT-5.6 後,馬斯克與執行長奧爾特曼再度在社群平台上隔空交火,引發科技界關注。這場爭論凸顯兩人在人工智慧安全與商業發展路線上的長期嚴重分歧。
A Coding Guide to NVIDIA’s Tile-Based GPU Programming: From cuTile and Triton Kernels to Flash Attention
本教學透過Colab工作流程,逐步介紹NVIDIA基於Tile的GPU程式設計,並比較cuTile與Triton兩種後端,實作向量加法、矩陣乘法與flash attention等核心運算,強調以資料區塊取代單一執行緒的程式設計典範。
歐美企業轉向中國算力
歐美企業轉向中國算力。 歐美企業正遷移部分模型基礎設施。中國算力遷移調查指向成本優勢。國產模型性能差距僅1%至4%。DeepSeek🏆已連續七週登榜首。全球供應鏈面臨重新估值。

OpenAI 稱 GPT-5.6 Sol 可化身研究員,後訓練 Luna AI 模型
首頁 > 智能時代>人工智能 OpenAI 稱 GPT-5.6 Sol 可化身研究員,後訓練 Luna AI 模型 2026/7/11 15:14:57 來源:IT之家 作者:故淵 責編:故淵 評論: IT之家 7 月 11 日消息,科技媒體 The Decoder 昨日(7 月 10 日)發佈博文,報道稱 GPT-5.6 Sol 可自主後訓練較小的 Luna 模型,並在聚合 RSI 指數上比 GPT-5.5 高 16.2 個百分點。

路透社實測發現,Meta 檢測工具面對裁剪後的自家 AI 生成圖片竟然“失靈”
路透社實測發現,Meta 新推出的 AI 圖像檢測工具在圖片經裁剪後,有 55% 無法識別其 AI 生成來源。該工具依賴 Muse Image 模型嵌入的隱形水印 Content Seal 進行辨識,但大幅裁剪可能導致水印信號遺失。Meta 回應表示,此檢測工具仍為預覽版本,後續將持續改良。

Deepseek決定自造“芯髒”
Deepseek 近日宣布將自主研發並製造其核心部件「芯髒」,象徵公司在硬體層面邁出關鍵一步。該決定旨在強化技術自主性,減少對外部供應鏈的依賴,同時為產品性能最佳化與差異化提供基礎。 據了解,Deepseek 已啟動專項團隊投入芯髒設計與封裝工作,以確保核心技術與產品路線的緊密結合。業界認為,此舉有助於提升公司在高效能運算領域的競爭力,並為未來迭代創造更靈活的研發空間。