Blank white background with no objects or features visible.

¡Hola, EMEA! TrueFoundry está ampliando su presencia en Europa, Oriente Medio y África. Leer más →

Kimi K2.7 Code reduce los costes de razonamiento un 30 % y supera a Claude Opus 4.8 en el uso de herramientas MCP

Por Amrutha Potluri

Actualizado: noviembre 20, 2026

Published: junio 23, 2026

Moonshot AI lanzó Kimi K2.7 Code el 12 de junio de 2026: la última incorporación a su familia de pesos abiertos K2, diseñada para la programación agéntica de largo alcance, con dos promesas principales: aproximadamente un 30 % menos de tokens de razonamiento que K2.6 en tareas equivalentes y una puntuación en la invocación de herramientas MCP que supera a Claude Opus 4.8. El precio se mantiene sin cambios en 0,95 $/4,00 $ por millón de tokens de entrada/salida.

Lo que ha anunciado Moonshot AI

Kimi K2.7 Code es un postentrenamiento enfocado en programación sobre la misma base MoE que K2.5 y K2.6: 1 billón de parámetros totales, 32 000 millones activos por token repartidos en 384 expertos, una ventana de contexto de 256K y el codificador de visión MoonViT de 400M de parámetros para entrada de texto, imagen y vídeo. El enfoque del postentrenamiento se desplazó hacia la eficiencia de tokens, el seguimiento de instrucciones en contextos largos y la fiabilidad en el uso de herramientas MCP, siendo la reducción del 30 % en tokens de razonamiento el resultado principal.

Dos limitaciones a tener en cuenta antes de desplegar: el modo de pensamiento (thinking mode) es obligatorio y no se puede desactivar, y los parámetros de muestreo están bloqueados (temperature 1.0, top_p 0.95). Esto limita la determinabilidad del resultado, un compromiso intencionado en aras de la fiabilidad agéntica que resulta relevante para pipelines sensibles a la latencia. Tampoco cuenta con una versión hermana Instruct de propósito general en su lanzamiento; Moonshot recomienda explícitamente K2.6 para redacción, análisis y conversación.

Kimi K2.7 Code frente a Claude Opus 4.8 y GPT-5.5

Benchmark Kimi K2.7 Code Claude Opus 4.8 GPT-5.5
Kimi Code Bench v2 (propio) 62.0 67.4 69.0
Program Bench 53.6 63.8 69.1
MLS Bench Lite (multilingüe) 35.1 42.8 35.5
MCP Atlas (navegación de herramientas) 76.0 81.3 79.4
MCP Mark Verified (invocación de herramientas) 81.1 76.4 92.9
Kimi Claw 24/7 Bench (agéntico sostenido) 46.9 50.4 52.8
SWE-Bench Verified 60.4%* — —

SWE-Bench Verified (60,4 %) no figura en la ficha técnica oficial de la tarjeta del modelo; es un dato reportado por Moonshot a través de la cobertura de lanzamiento de terceros.

Dónde lidera K2.7. MCP Mark Verified, una prueba de invocación de herramientas verificada por humanos que abarca Notion, GitHub, Filesystem, Postgres y Playwright, representa la victoria más clara de K2.7: 81,1 frente al 76,4 de Opus 4.8. Para los equipos que construyen agentes basados en MCP, este es el dato con mayor relevancia práctica de la tabla.

Dónde lideran los modelos propietarios. MCP Atlas y MCP Mark Verified son benchmarks independientes. En MCP Atlas, Claude Opus 4.8 lidera con un 81,3 frente al 76,0 de K2.7. En cuanto a la calidad de programación pura, ambos modelos propietarios obtienen puntuaciones más altas en Kimi Code Bench v2 y Program Bench. GPT-5.5 lidera de forma global en MCP Mark Verified con un 92,9. K2.7 no es el mejor modelo en ningún benchmark individual; es la opción de pesos abiertos con mejor relación calidad-precio para tareas de programación agéntica con uso intensivo de MCP y restricciones de coste.

Multilingüe. MLS Bench Lite muestra la mayor mejora de K2.7: un 35,1, lo que supone un aumento del 31,5 % respecto al 26,7 de K2.6, igualando casi el 35,5 de GPT-5.5. Claude Opus 4.8 lidera la clasificación con un 42,8.

Qué significa esto en la práctica

La eficiencia de costes se acumula. A 0,95 $/4,00 $ por millón de tokens —aproximadamente 5 veces más barato que Claude Opus 4.8—, la reducción del 30 % en tokens de razonamiento estrecha aún más la brecha en cada ejecución multiturno. Los aciertos de caché a 0,19 $/M vuelven a comprimir los costes en flujos de trabajo que reutilizan el contexto.

La ventaja en MCP está acotada. K2.7 cuenta con la mayor precisión de invocación de herramientas MCP entre los modelos de pesos abiertos, pero esa ventaja es específica de MCP Mark Verified. En MCP Atlas, Opus 4.8 lleva la delantera. GPT-5.5 supera a ambos en MCP Mark Verified con un 92,9.

Prueba antes de cambiar. Todas las cifras anteriores han sido facilitadas por la propia Moonshot. VentureBeat informó que los primeros usuarios señalaron diferencias entre las cifras de lanzamiento y los resultados en entornos reales. Ejecuta K2.7 en tus propios repositorios antes de asignarle tráfico de producción.

Cuándo utilizarlo

K2.7 frente a K2.6. Es más adecuado para cargas de trabajo de programación puramente agénticas donde la eficiencia de tokens sea la limitación principal: sesiones de depuración largas, refactorizaciones multimódulo o agentes de CI. Mantén K2.6 para cargas de trabajo mixtas o de propósito general hasta que se publiquen benchmarks independientes.

K2.7 frente a Opus 4.8 o GPT-5.5. Si la calidad del código es la prioridad absoluta y el coste no es un impedimento, los modelos propietarios siguen estando a la cabeza. Si necesitas la mejor invocación de herramientas MCP en pesos abiertos con flexibilidad para el control de datos, K2.7 es la opción recomendada.

Modo de pensamiento obligatorio. Resulta útil para tareas de agentes complejas, pero es costoso para consultas sencillas. Establece límites de presupuesto en el entorno de tus agentes antes de activarlo en producción.

Conclusión

K2.7 Code es una actualización enfocada en la eficiencia para equipos que ejecutan pipelines de programación agéntica con uso intensivo de MCP y costes ajustados. La reducción del 30 % de tokens y el liderazgo en la invocación de MCP en pesos abiertos son los motivos principales para evaluarlo. La ausencia de benchmarks independientes y la restricción del modo de pensamiento obligatorio son las razones para realizar pruebas minuciosas primero; y es precisamente en la realización de pruebas exhaustivas donde TrueFoundry AI Gateway aporta su mayor valor.

Con una sobrecarga de aproximadamente 3–4 ms y más de 350 RPS en un solo vCPU, el Gateway enruta peticiones entre más de 1000 modelos a través de un único endpoint compatible con OpenAI. Kimi K2.7 Code está disponible directamente a través de TrueFoundry AI Gateway: la misma URL y las mismas credenciales de tu configuración actual, con seguimiento de latencia y costes por petición a nivel de equipo. Para empresas con requisitos de residencia de datos, los pesos abiertos de K2.7 permiten un autoalojamiento completo, mientras TrueFoundry se encarga de la orquestación para evitar operaciones manuales de gobernanza.

Accede a Kimi K2.7 Code a través de TrueFoundry AI Gateway →

Lecturas relacionadas

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Inscríbase
Tabla de contenido

Controle, implemente y rastree la IA en su propia infraestructura

Reserva 30 minutos con nuestro Experto en IA

Reserve una demostración

La forma más rápida de crear, gobernar y escalar su IA

Demo del libro
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Descubra más

agosto 31, 2026
|
5 minutos de lectura

Optimización de costes en LLM: La guía definitiva (2026)

mayo 8, 2024
|
5 minutos de lectura

Explorando alternativas a Vertex AI para 2026

marzo 25, 2025
|
5 minutos de lectura

Las 6 mejores alternativas a AWS SageMaker en 2026

abril 17, 2025
|
5 minutos de lectura

Las 5 mejores alternativas de Azure ML de 2025

noviembre 20, 2026
|
5 minutos de lectura

Actualizaciones del protocolo MCP: DCR, OAuth CIMD, HTTP Streamable y aplicaciones MCP

No se ha encontrado ningún artículo.
noviembre 20, 2026
|
5 minutos de lectura

GPT-6.1 Terra: API, benchmarks, precios y cómo usarlo

No se ha encontrado ningún artículo.
noviembre 20, 2026
|
5 minutos de lectura

Alternativas a Bifrost: las mejores herramientas que puede considerar en 2026

No se ha encontrado ningún artículo.
noviembre 20, 2026
|
5 minutos de lectura

GPT-5.1 frente a GPT-5: 9 mejoras clave que debes conocer

LLMS y GenAI
No se ha encontrado ningún artículo.

Blogs recientes

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Realice un recorrido rápido por el producto
Comience el recorrido por el producto
Visita guiada por el producto