Kimi K2.7 Codeレビュー: GitHub Copilot初のオープンウェイトモデル
オープンウェイトモデルがGitHub Copilotに参入
7月1日、GitHubがひっそりと発表しました — Kimi K2.7 CodeがGitHub Copilotで一般提供開始。Copilotのモデルピッカーに登場した初のオープンウェイトモデルです。
これまでCopilotが提供してきたのはクローズドソースモデルのみ — GPT、Claude、Gemini。そこに中国のAIラボMoonshot AIのモデルが肩を並べることになりました。VS Code 1.127+、Visual Studio 17.14.6+、JetBrains 1.9.1+、Copilot CLI、さらにGitHub Mobileでも選択可能です。
エンタープライズユーザーの場合、Copilot BusinessおよびEnterpriseプランではデフォルトで無効になっています。管理者がKimi K2.7 Codeポリシーを明示的に有効化する必要があります。GitHubはまずセキュリティとコンプライアンス要件に照らして確認することを推奨しています。定型的な注意書きですが、そもそもCopilotに採用されたこと自体がモデルの品質を物語っています。
K2.6からK2.7 Codeへ: 何が変わったか
Kimi K2.7 CodeはK2.6をベースにしていますが、目的が異なります — K2.6は汎用モデル、K2.7 Codeはコーディング特化型です。
公式ページおよびHuggingFaceモデルカードのベンチマークデータ:
| Benchmark | K2.6 | K2.7 Code | 改善率 |
|---|---|---|---|
| Kimi Code Bench v2 | 50.9 | 62.0 | +21.8% |
| Program Bench | 48.3 | 53.6 | +11.0% |
| MLS Bench Lite | 26.7 | 35.1 | +31.5% |
| Kimi Claw 24/7 Bench | 42.9 | 46.9 | +9.3% |
| MCP Atlas | 69.4 | 76.0 | +9.5% |
| MCP Mark Verified | 72.8 | 81.1 | +11.4% |
注目すべき点が2つあります:
- コーディング性能の向上がエージェント性能の向上を大きく上回っている。 MLS Bench Liteは31.5%のジャンプを記録しました。このベンチマークはモデルに汎用的なML手法の考案を求めるもので、K2.7 Codeは複雑な研究指向のコーディングタスクで最も大きな改善を見せています。
- 思考トークンの使用量が約30%削減。 モデルがより少ない内部推論で回答に到達するようになり、レスポンス速度とAPIコストに直接的な好影響をもたらします。
トップクラスのクローズドソースモデルとの比較
率直な比較（同じ公式ベンチマークより）:
| Benchmark | K2.7 Code | GPT-5.5 | Claude Opus 4.8 |
|---|---|---|---|
| Kimi Code Bench v2 | 62.0 | 69.0 | 67.4 |
| Program Bench | 53.6 | 69.1 | 63.8 |
| MLS Bench Lite | 35.1 | 35.5 | 42.8 |
| MCP Atlas | 76.0 | 79.4 | 81.3 |
| MCP Mark Verified | 81.1 | 92.9 | 76.4 |
実力差は確かに存在します。Program Bench — コンパイル済みバイナリからプログラムの動作を再現するタスク — ではGPT-5.5が69.1に対しK2.7 Codeは53.6。これは無視できない差です。
しかし別の側面も見てください:
- MLS Bench LiteではK2.7 Code（35.1）がGPT-5.5（35.5）とほぼ同等
- MCP Mark VerifiedではK2.7 Code（81.1）がClaude Opus 4.8（76.4）を上回る
- K2.7 Codeはオープンソース。GPT-5.5とOpus 4.8はそうではない。
一部のベンチマークで最も高価なクローズドソースモデルに匹敵、あるいは凌駕するオープンウェイトモデル — オープン対クローズドの議論でどちらの立場をとるにせよ、これは意味のあるシグナルです。
1Tパラメータ、32Bアクティブ — アーキテクチャ詳細
| パラメータ | 値 |
|---|---|
| アーキテクチャ | Mixture-of-Experts (MoE) |
| 総パラメータ数 | 1T |
| トークンあたりのアクティブパラメータ数 | 32B |
| レイヤー数 | 61 |
| エキスパート数 | 384 |
| トークンあたりのエキスパート数 | 8 |
| コンテキスト長 | 256K |
| アテンション | MLA (Multi-head Latent Attention) |
| ビジョンエンコーダー | MoonViT (400Mパラメータ) |
384のエキスパートのうちトークンあたり8つがアクティブ — 容量と計算量を交換するMoEの典型的なトレードオフです。MLAアテンション機構（元はDeepSeek V2由来）によりKVキャッシュメモリが抑えられています。
MoonViTビジョンエンコーダーも注目に値します — K2.7 Codeはテキスト、画像、動画入力に対応しています。UIデザインのスクリーンショットからフロントエンドコードを生成させたり、ホワイトボードのアーキテクチャ図を撮影して分析させることも可能です。
価格: オープンソースだが無料ではない
Kimi API経由:
| Model | Input (cache miss) | Input (cache hit) | Output | Context |
|---|---|---|---|---|
| kimi-k2.7-code | $0.95/M | $0.19/M | $4.00/M | 262,144 tokens |
Claude Sonnet 4.6の$3.00/$15.00と比較すると — 入力は約3分の1、出力は約4分の1の価格です。APIは自動コンテキストキャッシュに対応しており、繰り返し使用するコンテキストは$0.19/Mまで下がります。長いマルチターンセッションが大幅に安くなります。
ウェイトはオープン（Modified MIT License）のため、vLLM、SGLang、KTransformersでのセルフホストも可能です。1Tパラメータのモデルのデプロイは簡単ではありませんが、ネイティブINT4量子化が利用可能で、コミュニティにはOllamaビルドや各種量子化バージョンも揃っています。
Kimi Codeサブスクリプションプラン（年間課金、月額表示）:
| Plan | Price | 最適な用途 |
|---|---|---|
| Moderato | $15/mo | 通常のコーディング、週次更新のクォータ |
| Allegretto | $31/mo | より大きなクォータ＋高い同時実行数 |
| Allegro | $79/mo | 集中的な開発、複雑なプロジェクト |
| Vivace | $159/mo | 最大クォータ、大規模コードベース |
実用上の注意点
いくつか気をつけるべき点があります:
- 思考モードは必須。 K2.7 Codeは非思考モードをサポートしていません。Kimi Codeで思考を無効にすると、リクエストは自動的にK2.6にフォールバックされます。
- コーディング専用モデルです。 ライティング、分析、一般的な会話にはMoonshot AIがK2.6の使用を推奨しています。
- Temperatureとサンプリング設定。 推奨設定はtemperature=1.0、top-p=0.95で、多くのモデルのデフォルトより高めです。必要に応じて調整してください。
K2.7 Codeを試すべき人
| シナリオ | 推奨度 | 理由 |
|---|---|---|
| GitHub Copilotユーザー | 試す価値あり | モデルピッカーから直接選択可能、移行コストゼロ |
| コスト重視のチーム | おすすめ | API価格はClaudeの約1/3〜1/4 |
| バイリンガル（中国語/英語）プロジェクト | 強くおすすめ | 中国語のコーディング理解力は本物の強み |
| セルフホスティング要件あり | 検討の価値あり | オープンウェイト、Modified MIT License |
| 最高のコーディング性能を求める場合 | まだ時期尚早 | Program Benchなどの難易度の高いベンチマークではGPT-5.5に及ばない |
| コーディング以外のタスク | 非推奨 | Moonshot AI自身が汎用タスクにはK2.6を推奨 |
まとめ
Kimi K2.7 Codeは単なるオープンソースモデルのリリースではありません。GitHub Copilotのモデルピッカーに入った初のオープンウェイトモデルです。MCP Mark VerifiedではClaude Opus 4.8を上回ります。価格は主流のクローズドソースモデルのおよそ3分の1。そして前世代より思考トークンを30%削減しています。
弱点も明確です — 最難関のコーディングベンチマークではGPT-5.5に及ばず、強制的な思考モードは柔軟性を制限し、1Tモデルのセルフホストにはそれなりのインフラが必要です。
しかし実際の開発ワークフローの大半において、K2.7 Codeはこれまで存在しなかったものを提供しています: 十分な品質で、十分に安く、既存のツールにそのまま組み込めるオープンソースのコーディングモデル。 これは競争環境を変える一手です。