继MiniMax M3之后又一个国产模型发布了：Kimi K2.7 Code已发布

就在刚刚，我的 Kimi Code 订阅「复活」了

今晚 10 点半，我打开 Kimi Code 官网看一下我的订阅额度准备截图告诉我朋友：天才陨落了。然后发现

订阅额度居然被清空了，又重新充满了。

等等，我明明下午就把今天的额度干完了啊

一开始我还以为是 Kimi 的计费系统出 bug 了，突然发现旁边的模型从2.6变成2.7了，我开始查这个模型

Kimi K2.7 Code 今天发布了。

准确说是 2026 年 6 月 12 日下午发布，而我的订阅在晚上 10 点半被重置——大概率是 K2.7 Code 上线后，额度系统也同步刷新了，给所有活跃用户又续了一波。

虽然没看到官方公告说「送额度」，但体验上来说，等于白嫖了半天的 K2.7 Code，也算是发布日的小彩蛋了。

前言

说回模型本身。

2026 年 6 月 12 日，Moonshot AI 正式发布了 Kimi K2.7 Code，权重已开源，API 同步上线。官方宣称这是「迄今为止最强的开源代码模型」。

今年国内 AI 编程模型的赛道肉眼可见地卷起来了——MiniMax M3（2025.12 发布）、DeepSeek V4 Pro（2026.3）、GLM V5.1（2026.4），再到今天的 Kimi K2.7 Code。五家国产模型已经形成了第一梯队，各有所长。

这篇文章纯粹站在国产模型用户的角度，把这五家拉到一起做个横向对比，帮你选模型时有个参考。

一、五款国产模型全维度横向对比

各模型一句话总结

• DeepSeek V4 Pro：国产模型里基准分最高，SWE-Bench Verified 80.6%、LiveCodeBench 93.5% 双双领跑。在高缓存命中率时成本最低，性价比最高
• MiniMax M3：SWE-Bench Pro（实际工程修复能力）最高 59.0%，价格最低 $0.30/1M tokens。
• Kimi K2.7 Code：今天的主角。上下文窗口从 256K 拉到 1M，内部基准全面大幅提升，Agent 和 MCP 场景都有改善。但第三方基准分数还没公布，有待验证。
• GLM V5.1：SWE-Bench Pro 58.4% 与 K2.6 持平，MIT 协议，价格 $0.70 比 Kimi 便宜。
• Kimi K2.6：作为上一代，基准数据已确定（SWE-Bench Pro 58.6%、LiveCodeBench 89.6%），仍是够用的选择，但 K2.7 的提升幅度让人很难回头。

二、K2.7 Code 到底强在哪？

官方公布了以下内部基准的绝对分数，对比 K2.6 的提升：

几个关键看点和解读

MLS Bench Lite 提升 31.5%——上下文窗口拉开的差距 这个基准测的是长程代码任务，比如在一个大型项目中理解代码、做跨文件修改。K2.7 把上下文从 256K 拉到 1M，直接导致这个指标暴涨。如果你经常需要 AI 理解整个项目而不是单文件，这提升是实打实的。

Token 消耗降 30%——变相降价 官方说同样的任务，K2.7 Code 只需要 K2.6 的 70% 的 token。如果属实，$0.90\mathrm{/}1M\text{的定价在实际使用中相当于}\ast \ast$0.63 的效果**，甚至比 GLM 还便宜。而且你的订阅额度也能多用 30%，对 Cursor/Cline 这类频繁调用的场景很友好。

Agent 提升 9.3%——虽然低但方向对 Code Bench 涨了 21.8%，但 Agent Bench 只涨了 9.3%。这说明模型变强了，但 Agent 落地还有瓶颈——不是模型一强，Agent 自动就强的。好消息是 MCP 相关的两个基准（Atlas + Mark）都涨了 10% 左右，工具调用的提升是实实在在的，这意味着 Cline、Continue、Hermes Agent 等工具接入 K2.7 后会直接受益。

三、上下文窗口之战

K2.7 Code 将上下文窗口从 256K 提升到 1M，和 DeepSeek V4 Pro、MiniMax M3 站在了同一起跑线。

对国产模型的用户来说，这很重要：

• 256K：处理中型项目够用，但在理解完整 Spring Boot / Django 项目时经常截断
• 1M：可以塞下几千个文件的代码库，做项目级重构和跨文件修改更从容
• 200K（GLM V5.1）：短上下文场景够用，长程任务可能成瓶颈

四、我的模型选择

混用策略（我个人用的方式）

• Kimi code或 MiniMax 做专项：项目主要使用这两模型
• DeepSeek V4 Flash打底：模型fallback，当kimi额度达到后会切换到DeepSeek

我的个人选择：本来要换 M3，现在决定续费 Kimi

最后聊一下我自己的决策过程。

其实在上周，我本来已经打算下个月把主力模型从 Kimi K2.6 换成 MiniMax M3 了。

原因很简单：M3 有 1M 上下文窗口（K2.6 只有 256K），而且 SWE-Bench Pro 比 K2.6 高（59.0% vs 58.6%），价格还只要 $0.30，只有 Kimi 的三分之一。怎么看都是更好的选择。

但今天 K2.7 Code 一发，情况变了：

1. 上下文窗口拉到 1M，和 M3 看齐了，这块不再是 M3 的优势
2. 内部基准全面大涨，Code Bench +21.8%、MLS Bench Lite +31.5%，虽然 SWE-Bench 的绝对分数还没出，但如果能转化到 62–66% 区间，就已经反超 M3 了
3. Token 消耗降 30%，相当于变相降价，$0.90\text{的实际成本降到}$0.63，虽然还是比 M3 高，但差距缩小了
4. 工具调用和 MCP 能力的提升对我来说很重要，因为我深度用 Cline 和 Hermes Agent，这些场景 M3 目前没有公开的 MCP 基准数据

所以结论：下个月继续续费 Kimi Code。

当然，这只是基于现有数据的判断。如果一两周后第三方评测出来，发现 K2.7 的 SWE-Bench 没达到预期，那时候再考虑换也不迟。

写在最后

K2.7 Code 的发布，让我觉得国内编程模型的竞争到了一个很有意思的阶段——基准分的差距在缩小，各家在差异化方向上找到了自己的路。

DeepSeek 走的是 MIT + 最高基准的路线，MiniMax 打性价比和工程修复，Kimi 押注长上下文和工具调用，GLM 深耕国内生态。

说实话，对于做实际项目的开发者来说，SWE-Bench 58% 和 62% 的差距，可能还不如「上下文够不够大」「工具调用好不好用」「返回答不答案」这些日常体验来得重要。

最后分享今晚的小惊喜——如果你也是 Kimi Code 订阅用户，可以打开看看额度是不是也莫名重置了。 如果是，恭喜，白嫖了半天的 K2.7 Code。

发布日期：2026-06-12 本文仅对比国产模型，数据来源：各模型官方技术报告及公开基准榜单