Zum Inhalt springen
CrucibleMark

Kimi K2.7 Code

Kimi K2.7 Code ist das coding-spezialisierte Agenten-Modell von Moonshot AI aus der K2-Familie, optimiert für langfristige Software-Engineering-Workflows. Die MoE-Architektur aktiviert pro Token nur 32 Milliarden der insgesamt eine Billion Gesamtparameter, das Kontextfenster umfasst 256.000 Tokens. Multimodaler Eingang für Text, Bild und Video, Always-on-Thinking-Modus und Tool-Use-Unterstützung. Unter Modified-MIT-Lizenz als Open-Weights-Modell verfügbar.

Moonshot AI Version 2.7-code Kommerzielle Nutzung erlaubt MoE 1000 B (32 B aktiv) 256 K Context 10/2025 $0.67 / $3.4 per 1M

  • Open Weights
  • Frontier
  • OpenRouter
  • Text
  • Vision
  • Video
  • Instruction-Tuned
  • Agentic Orchestrator
  • Batch

Sovereign Risk: HIGH Moonshot AI ist ein chinesisches Unternehmen und unterliegt dem chinesischen National Security Law (NSL), das staatlichen Zugriff auf Daten ermöglichen kann. Das BSI hat im Februar 2025 explizit vor der Nutzung chinesischer KI-Cloud-Dienste gewarnt; diese Risikoeinschätzung gilt konservativ auch hier.

Tool-Use-Profil: 6 Assets im Detail

Vergleich der Asset-Performance (P1/P2/Combined) gegenüber dem Flotten-Durchschnitt

Asset-Performance (Radar)

Score Breakdown vs. Fleet Average

Tool-Use-Details

Asset-Performance, Zuverlässigkeit und Laufzeit-Profil

Name P1 P2 Combined
EU License Research 100 60 76
HTTP Fetch & Extract 80 40 60
Tool Failure Handling (404) 40 40 37
Web Search & Tool Selection 100 60 82
URL Construction & Fetch 80 80 80
Multilingual Search & Synthesis 100 20 60

CrucibleMark prüft Tool-Use in 6 voneinander unabhängigen Tests. Klicken Sie auf einen Test-Namen für die Details.

Reliability

  • Tool Call Valid: Nein
  • Retry: Nicht erforderlich
  • Halluzination: Nicht erkannt

Reliability misst, wie verlässlich ein Modell Werkzeugaufrufe tatsächlich ausführt: Tool Call Valid Schema und Format akzeptiert, Retry Required erst nach Wiederholung erfolgreich, Halluzination Flag erfundene Tools oder Parameter erkannt. Alle drei grün bedeutet produktionstauglich.

Betriebsprofil

Call 1
1.89
First Request
MCP
1.31
Protocol Latency
Synthesis
15.14
Response Generation
Total
110.05
Sum of All Phases
Token
14074
Input + Output
Cost
$0
Cost per Run

Das Betriebsprofil zeigt die Laufzeit- und Kostenkennzahlen des Modell-Laufs: Call 1 First Request, MCP Protocol Latency, Synthesis Response Generation, Total Summe aller Phasen, erganzt um Token Input und Output sowie Cost Kosten pro Lauf.

Tool-Use-Review

Erstellt am · Instruction-Tuned · Agentic Orchestrator

Deployment-Urteil

Bedingt deploy, weil die Tool-Ausführung stark ist, aber die Calls nicht durchgängig valide sind und die Synthesequalität für produktive Tool-Pipelines zu ungleich ausfällt.

Tool-Execution-Profil

Kimi K2.7 Code zeigt echtes Werkzeugverständnis, nicht nur starres Abarbeiten. Beim Test Web Search & Tool Selection, der prüft ob ohne Hinweis web_search statt fetch gewählt wird, entscheidet es korrekt und sicher. Das spricht für brauchbare Orchestrierung in offenen Retrieval-Pfaden. Beim URL-Construction-Test, der die eigenständige Ableitung einer Ziel-URL mit anschließendem Fetch misst, bleibt es brauchbar, aber nicht deterministisch genug für Pipelines mit harter Schema- oder Routing-Erwartung. Dass der Tool-Call insgesamt als nicht valide markiert ist, wiegt deshalb schwerer als der hohe P1-Wert vermuten lässt. Das Modell versteht, welches Werkzeug nötig ist. Es produziert aber nicht zuverlässig genug MCP-konforme Aufrufe, um ohne Guardrails direkt in kritische Automationsketten zu gehen.

Synthesetreue

Wie gut verdichtet es Tool-Ergebnisse? Nur ordentlich. Die P2-Leistung zeigt, dass Kimi Ergebnisse meist sinnvoll zusammenführt, aber Präzision bei Extraktion und Verdichtung sichtbar verliert. Das sieht man besonders bei HTTP Fetch & Extract und noch deutlicher bei Multilingual Search & Synthesis, wo die Recherche gelingt, die deutschsprachige Endverdichtung aber schwach bleibt. Für Engineering-Workflows mit nachgelagerter menschlicher Prüfung ist das tragbar. Für autonome Entscheidungsausgaben ist es zu unsauber.

Bleibt es im Tool-Ergebnis oder weicht es auf Training aus? Eher ja. Im Honeypot EU License Research, der prüft ob aktuelle Lizenzrestriktionen aus Web-Quellen statt aus dem Modellgedächtnis kommen, halluziniert es nicht. Das ist das wichtigste Vertrauenssignal in diesem Lauf. P2 60 zeigt zwar keine strenge Quellentreue im Wortlaut, aber keinen Befund, dass es erfundene Aktualität in Tool-Ergebnisse mischt.

Fehlerresilienz

Beim 404-Test, der transparente Reaktion auf einen gescheiterten Tool-Call statt erfundenen Ersatzinhalt misst, bleibt Kimi auf der sicheren Seite: keine Halluzination trotz Fehler. Das ist produktionsrelevant positiv. Schwach ist die Nutzbarkeit der Fehlerkommunikation selbst. P2 40 heißt: Es sagt nicht gut genug, was fehlgeschlagen ist, was noch unklar bleibt und welcher nächste Schritt nötig wäre. Sicher, aber operativ nicht sauber.

Betriebsprofil

Call 1 1.89s. MCP-Latenz 1.31s. Call 2 15.14s. Total 110.05s. Langsam für die gezeigte Gesamtqualität. Kosten/Run: local. Kostenseitig attraktiv bei Eigenbetrieb, aber die Laufzeit ist für interaktive Agenten und enge SLAs ungünstig.

Fazit & Empfehlung

Geeignet für coding-nahe Agenten, Recherche- und Tool-Selection-Pipelines mit Human-in-the-Loop, besonders wenn lokaler Betrieb wichtig ist. Nicht geeignet für Compliance-, Dokumentations- oder Support-Pipelines, die aus Tool-Ergebnissen präzise, belastbare Endtexte erzeugen müssen. Wenn du es einsetzt, dann mit strikter Tool-Call-Validierung, Antwort-Schema-Prüfung und einer zweiten Instanz für Final-Synthesis.

Diese Auswertung wurde automatisch auf Grundlage der Benchmark-Daten generiert. Eingesetztes Modell: GPT-5.4 von OpenAI. Die Rohdaten und die vollständige Methodik sind im GitHub-Projekt dokumentiert.