Kimi K2.7-Code: modello open-weight per coding agentico

Cos'è

Kimi K2.7-Code è un modello linguistico specializzato nel codice, annunciato da Moonshot AI il 12 giugno 2026. A differenza dei modelli generalisti, è progettato per compiti di ingegneria del software a lungo orizzonte: leggere interi repository, modificare file, eseguire test, interagire con strumenti esterni e debuggare in autonomia attraverso molteplici step. È distribuito con pesi aperti sotto una licenza Modified MIT, il che consente di scaricarlo, ispezionarlo e ospitarlo su infrastruttura propria, a patto di rispettare le clausole specifiche riportate nel repository ufficiale.

L'architettura è una Mixture of Experts (MoE): 1 trilione di parametri totali, di cui solo 32 miliardi vengono attivati per ogni token processato. Il modello seleziona 8 esperti per token più uno condiviso, su un totale di 384 esperti distribuiti su 61 layer. L'attenzione usa MLA (Multi-head Latent Attention) e il feed-forward impiega SwiGLU, soluzioni comuni nei modelli di ultima generazione per gestire contesti lunghi con maggiore efficienza. Il contesto massimo arriva a 256.000 token, una quantità sufficiente a contenere codebase di medie dimensioni, documentazione, log di esecuzione e diff di pull request all'interno dello stesso prompt. Inoltre, il modello accetta input multimodali — immagini e video — grazie a un encoder visivo MoonViT da 400 milioni di parametri.

A cosa serve

K2.7-Code è pensato per il coding agentico, non per la semplice autocompletazione di snippet. Si tratta di un motore per agenti in grado di lavorare su intere basi di codice, seguendo un obiettivo attraverso molti passaggi. Le applicazioni più dirette includono:

• Refactoring su larga scala: il modello può leggere più moduli, identificare duplicazioni, proporre ristrutturazioni coerenti e rieseguire i test finché non tornano verdi. È utile quando una libreria cambia API o quando si vuole ridurre il debito tecnico accumulato nel tempo.
• Code review: fornendo una diff, i log di build e la documentazione correlata, il modello può produrre un'analisi di rischio, segnalare regressioni probabili o suggerire test mancanti. Per le agenzie con molti progetti in parallelo, questo può velocizzare il processo di revisione prima della consegna al cliente.
• Debugging multistep: a fronte di un test che fallisce o di un errore segnalato in produzione, l'agente può esplorare il codice, ipotizzare cause, verificare soluzioni e ripetere il ciclo fino a risoluzione.
• Automazioni via MCP: grazie al supporto del Model Context Protocol, K2.7-Code può invocare strumenti esterni come runner di CI, sistemi di ticketing, motori di ricerca o terminali di shell, integrandoli in un unico ciclo di lavoro.

Per fondatori, PMI e agenzie italiane, il valore pratico sta nella possibilità di ridurre il tempo dedicato ai task meccanici di manutenzione del codice, migliorare la qualità delle revisioni o prototipare più velocemente funzionalità complesse senza dover necessariamente espandere il team.