Kimi K2.7 Code, 오픈소스 코딩 모델의 새로운 기준 제시

커뮤니티에서는 Kimi K2.7 Code의 토큰 효율성 개선(Token Efficiency Improvement)이 가장 큰 장점으로 언급됩니다. 특히 생각 토큰 사용량(Thinking Token Usage)을 약 30% 절감하여 비용 효율성을 높였다는 점이 주목받고 있습니다. 일부 사용자는 Claude Opus($5/$25) 대비 Kimi K2.6($0.7/$3.4)의 가격 경쟁력(Price Competitiveness)을 언급하며, 미국 기업이 중국 모델에 데이터를 보내는 것에 대한 제약이 없다면 이는 강력한 경쟁 우위가 될 수 있다고 분석합니다.

제시된 벤치마크 결과에 따르면, Kimi K2.7 Code는 Kimi Code Bench v2 (62.0점), Program Bench (53.6점) 등에서 이전 모델 대비 상당한 성능 향상을 보였습니다. MCP Atlas (76.0점) 및 MCP Mark Verified (81.1점)에서도 우수한 성과를 기록했습니다. 그러나 MLS Bench Lite (35.1점)에서는 Claude Opus(42.8점)에 다소 뒤처지는 모습을 보이며, 전체적인 성능 지오메트릭 평균(Geometric Mean)에서는 GPT-5.5(62.7%)와 Claude Opus(62.2%)에 이어 56.3%로 상위권에 위치하지만 최고 성능은 아님을 시사합니다.

일부 개발자들은 특정 임계점을 넘어서면 최고 성능 모델(Top-tier Model)의 차이가 크게 체감되지 않는다고 주장합니다. 이들은 코드를 함수나 메소드 단위로 작성하고 조립하는 워크플로우를 사용하며, Kimi와 같은 중국 모델이 가격 대비 우수한 성능(Good Performance for the Price)을 제공한다고 평가합니다. 다만, 실제 프로덕션 환경에서의 오류 처리 및 엣지 케이스(Error Handling & Edge Cases)에서의 격차는 여전히 존재하며, 이는 데모와 실제 사용 간의 간극으로 나타난다고 지적합니다.

Kimi K2.7 Code는 Modified MIT License 하에 배포되었는데, 이는 원본 MIT 라이선스에 광고 조항이 추가된 형태입니다. 커뮤니티에서는 이를 합리적인 요청(Reasonable Request)으로 받아들이는 분위기입니다. 또한, 모델이 아직 Moonshot AI 웹사이트에 공식적으로 언급되지 않은 점에 대한 의문이 제기되기도 했습니다. 전반적으로 오픈소스 모델의 빠른 발전 속도와 가격 경쟁력에 대한 기대감이 높습니다.

Kimi K2.6에서 지원하지 못했던 커스텀 툴 호출 형식(Custom Tool Call Format)을 K2.7 Code가 지원하게 된 점은 지시사항 준수(Instruction Following) 및 에이전트 행동(Agentic Behavior) 측면에서 긍정적으로 평가됩니다. 생성되는 UI 또한 가격 대비 우수하다는 의견이 있으며, 이는 인스트럭션 팔로잉(Instruction Following) 능력의 향상을 시사합니다. Preserve Thinking 모드는 멀티턴 상호작용에서 추론 내용을 유지하여 코딩 에이전트 시나리오 성능을 향상시킵니다.