中国のMoonshot AIは2026年6月12日、コーディングに特化したオープンソースのエージェントAIモデル「Kimi K2.7 Code」の提供を開始した。PC Watchの竹元かつみ氏による報道によると、モデルの重みはModified MITライセンスのもと無償公開されており、Hugging Faceからダウンロードして即座に利用できる。

なぜ「Kimi K2.7 Code」が注目されるのか

MoE（Mixture of Experts）アーキテクチャの巧みな活用が本モデルの技術的な核心だ。総パラメータ数は1兆（1T）という巨大な規模ながら、推論時に実際に使用されるアクティブパラメータは320億（32B）に絞られる。これにより「大規模モデルの知識量」と「実用的な推論コスト」を両立させた設計になっている。

さらに4億パラメータのビジョンエンコーダー「MoonViT」を搭載し、テキストだけでなく画像入力にも対応。コードのスクリーンショットやUIデザインの画像を直接入力してコーディング指示を出す、といった使い方が可能になる。

もう一つの注目ポイントが推論トークン使用量の削減だ。前モデルのKimi K2.6と比べて約30%のトークン削減を達成しており、長時間のコーディング作業での「考えすぎ」を抑制。長期タスクにおける命令追従の精度向上とエンド・ツー・エンドのタスク完了率改善につながっている。

PC Watchが伝えるベンチマーク評価

PC Watch（竹元かつみ氏、2026年6月12日）が紹介したベンチマーク結果は以下の通りだ。

ベンチマーク K2.6 K2.7 Code

Kimi Code Bench v2 50.9% 62.0%

Program Bench 48.3% 53.6%

MCP Mark Verified 72.8% 81.1%

特に注目すべきは「MCP Mark Verified」の結果だ。MCPサーバーとの連携能力を評価するこのベンチマークで81.1%を達成。同記事によれば、商用の主要モデルを上回る水準であり、オープンウェイトモデルとして突出したエージェント性能を示している。一方、GPT-5.5の92.9%には届いておらず、商用フロンティアモデルとの差はまだ存在する。

エージェント機能の設計思想

Kimi K2.7 Codeが特に力を入れているのが複数MCPサーバーを横断したツール呼び出しと、数日にわたる作業を自律的に実行し続ける長期タスク対応だ。MCP（Model Context Protocol）はAIモデルが外部ツールやデータソースと標準化された方法で連携するためのプロトコルで、コーディングエージェントが実際の開発環境（ファイルシステム、Git、テストランナー、ブラウザ等）と連携するための基盤技術として急速に普及している。

利用方法とAPIコスト

  • ローカル実行: Hugging Faceからウェイトをダウンロードし、vLLM・SGLangで動作
  • Kimi API: 入力$0.95/1Mトークン、出力$4.00/1Mトークン、キャッシュヒット時$0.19
  • コーディングエージェント「Kimi Code」: Webサービスとして即座に利用可能
  • 6x High-Speed Mode: 近日公開予定（高速動作モード）

日本市場での注目点

国内直接販売はなく、日本語UIも現時点では限定的だが、日本の開発者が活用できる経路は複数ある。

API経由での試用が最も手軽だ。入力$0.95/1Mトークンという料金水準はコーディング用途での費用対効果が高く、まずAPIで動作を確認するコストは低い。

ローカル実行は相応のGPUリソースが必要で個人での完全ローカル動作は現実的ではないが、クラウドGPU（Azure、AWS等）を使ったセルフホスト構成や量子化版の登場により選択肢は広がっていく見込みだ。

競合との比較軸として押さえておきたいのは、オープンウェイトであることの意味だ。商用APIと異なり、モデルウェイトを自社環境に閉じ込めてデプロイできるため、コードの機密性を重視するエンタープライズ環境での活用に道が開ける。

筆者の見解

Kimi K2.7 Codeで最も興味深いのは、MCPエージェント性能に特化した最適化の方向性そのものだ。「複数MCPサーバーを横断したツール呼び出し」「数日単位の長期タスク自律実行」という設計思想は、AIエージェントが自分で判断・実行・検証を繰り返すループ——いわゆるハーネスループ——を実現するための核心的な能力であり、エージェントAIの本質的な価値をきちんと見据えた開発方針だと感じる。

トークン使用量30%削減も単なるコスト圧縮ではなく、「考えすぎを抑えて実際の作業効率を上げる」という実用主義の表れで、エンジニアリング判断として筋がいい。

この1年でコーディングAIの競争軸は「ベンチマーク上の精度」から「エージェントとして実際に使えるか」へと明確にシフトした。オープンウェイトモデルがその軸でここまで迫ってきていることは、選択肢の多様化として歓迎すべき動きだ。

日本の開発チームへの実用的な示唆は、モデルの出自に先入観を持たず、APIで実際に試してみることだ。コーディングエージェントの選定において重要なのは出所ではなく「自分たちのワークフローに組み込めるか」という一点であり、Kimi K2.7 Codeはその候補として真剣に検討する価値がある水準に達している。

出典: この記事は MCP連携でOpus 4.8超え、1兆パラメータLLM「Kimi K2.7 Code」無償公開 の内容をもとに、筆者の見解を加えて独自に執筆したものです。