Kimi K2.7 Codeが推論コストを30%削減、MCP Tool利用でClaude Opus 4.8を凌駕

Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
Moonshot AIは2026年6月12日にKimi K2.7 Codeをリリースしました。これはK2 open-weightファミリーの最新モデルであり、長期的なエージェントコーディング向けに構築されています。主なアピールポイントは2つあります。同等のタスクにおいてK2.6よりも推論トークン数を約30%削減したこと、そしてMCP tool-invocationスコアでClaude Opus 4.8を上回ったことです。価格は100万入力/出力トークンあたり$0.95/$4.00と変更ありません。
Moonshot AIの発表内容
Kimi K2.7 Codeは、K2.5やK2.6と同じMoE基盤上で構築されたコーディング特化のポストトレーニングモデルです。総パラメータ数は1兆、384個のエキスパート全体でトークンごとに320億がアクティブになり、256Kのコンテキストウィンドウと、テキスト、画像、動画入力に対応するMoonViT 400Mパラメータのビジョンエンコーダーを備えています。ポストトレーニングの焦点はトークン効率、ロングコンテキストにおける指示追従性、そしてMCP tool-useの信頼性へと移行し、30%の推論トークン削減が主要な成果となっています。
デプロイ前に把握しておくべき2つの制約があります。Thinking modeが必須で無効化できないこと、そしてサンプリングパラメーターが固定されていること(temperature 1.0、top_p 0.95)です。これにより出力の決定性が制限されますが、これはレイテンシに敏感なパイプラインにおいて重要となる、エージェントとしての信頼性のための意図的なトレードオフです。また、リリース時点で汎用のInstructモデルは用意されておらず、Moonshotは執筆、分析、会話にはK2.6の使用を明示的に推奨しています。
Kimi K2.7 Code vs Claude Opus 4.8およびGPT-5.5
K2.7が優れている点。 Notion、GitHub、Filesystem、Postgres、Playwrightにわたる人間による検証済みのツール呼び出し評価であるMCP Mark Verifiedは、K2.7の最も明確な勝利です。Opus 4.8の76.4に対し、81.1を記録しています。MCPベースのエージェントを構築するチームにとって、これは表の中で最も実用的な数値です。
プロプライエタリモデルが優れている点。 MCP AtlasとMCP Mark Verifiedは異なるベンチマークです。MCP Atlasでは、Claude Opus 4.8が81.3で、K2.7の76.0を上回っています。純粋なコーディング品質に関しては、Kimi Code Bench v2とProgram Benchの両方でプロプライエタリモデルの方が高いスコアを出しています。MCP Mark Verified全体ではGPT-5.5が92.9でリードしています。K2.7は特定の単一ベンチマークですべて1位というわけではありません。MCPを多用し、コストに敏感なエージェントコーディングにおいて、最も価値の高いopen-weightの選択肢です。
多言語対応。 MLS Bench LiteはK2.7の最大の伸びを示しています。35.1を記録し、K2.6の26.7から31.5%向上して、GPT-5.5の35.5にほぼ匹敵しています。Claude Opus 4.8は42.8でリードしています。
実務における意味
コスト効率の相乗効果。 100万トークンあたり$0.95/$4.00という、Claude Opus 4.8よりもすでに約5倍安い価格設定に加え、30%の推論トークン削減により、マルチターンの実行ごとにコスト差がさらに広がります。コンテキストを再利用するワークフローでは、$0.19/Mのキャッシュヒットによりコストがさらに圧縮されます。
MCPの優位性の範囲。 K2.7はopen-weightモデルの中で最も高いMCPツール呼び出し精度を持っていますが、その優位性はMCP Mark Verifiedに特立したものです。MCP AtlasではOpus 4.8がリードしており、MCP Mark VerifiedではGPT-5.5が92.9で両者を上回っています。
切り替える前のテスト。 上記の数値はすべてMoonshot自社によるものです。VentureBeatは、初期の運用者がリリースの数値と実世界の成果との間に乖離があると指摘していることを報じました。プロダクション環境に適用する前に、自社のリポジトリでK2.7をテストしてください。
どのような場合に使用すべきか
K2.7 vs K2.6。 長時間のデバッグセッション、複数ファイルにまたがるリファクタリング、CIエージェントなど、トークン効率が制約となる純粋なエージェントコーディングワークロードに適しています。第三者によるベンチマークが出揃うまでは、汎用タスクや混合ワークロードにはK2.6を維持してください。
K2.7 vs Opus 4.8 または GPT-5.5。 コーディング品質が最優先でありコストが制約とならない場合は、引き続きプロプライエタリモデルがすぐれています。データ制御の柔軟性を備えた最高のopen-weight MCPツール呼び出しが必要な場合は、K2.7が最適な選択肢です。
必須のThinking Mode。 複雑なエージェントタスクには有用ですが、シンプルなクエリには割高になります。プロダクションで有効化する前に、エージェントハーネス内で予算上限を設定してください。
結論
K2.7 Codeは、MCPを多用しコストに敏感なエージェントコーディングパイプラインを運用するチーム向けに特化した、効率性重視のアップグレードです。30%のトークン削減とopen-weightにおけるMCP呼び出しのリードが、これを評価すべき理由です。一方、第三者ベンチマークの不足と必須のThinking制約があるため、事前に注意深くテストを行う必要があります。そして、慎重なテストこそがTrueFoundry AI Gatewayの真価を発揮する場面です。
オーバーヘッドがわずか約3〜4 ms、単一のvCPU上で350以上のRPSを実現するGatewayは、単一のOpenAI互換エンドポイントを介して1,000以上のモデルにルーティングします。Kimi K2.7 CodeはTrueFoundry AI Gateway経由で直接利用可能です。既存のセットアップと同じURLとクレデンシャルを使用し、リクエストごとのコストとレイテンシをチーム単位で追跡できます。データレジデンシー要件を持つチームに対しては、K2.7のopen weightsが完全なセルフホスティングをサポートし、TrueFoundryがオーケストレーションを処理するため、手動の運用なしでガバナンスを実現できます。
TrueFoundry AI Gateway経由でKimi K2.7 Codeにアクセス →
関連ドキュメント
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.


















.webp)





.webp)
.webp)
.png)

.png)
.png)
.png)
.png)
.png)
.webp)
.webp)






