Segun MarkTechPost (AI/ML News), Moonshot AI presentó recientemente el modelo Kimi K2.7-Code, una herramienta especializada en ingeniería de software, diseñada para operar en entornos de desarrollo de larga duración. Este modelo agente no se centra en conversaciones generales, sino en tareas complejas como planificación, edición de código, ejecución de herramientas y depuración, ejecutando múltiples pasos secuenciales. Sus pesos están disponibles en Hugging Face bajo licencia modificada MIT, y se puede acceder mediante la API oficial o a través de la plataforma Kimi Code.
El diseño del modelo se basa en una arquitectura de mezcla de expertos (Mixture-of-Experts), con un total de 1 billón de parámetros, activando 32 mil millones por token. Cuenta con 384 expertos, de los cuales 8 se seleccionan por token y 1 es compartido. La estructura incluye 61 capas, una de ellas densa, y emplea MLA en atención y SwiGLU en la ruta de feed-forward. Además, incorpora un codificador visual MoonViT con 400 millones de parámetros, permitiendo procesar entradas de imagen y video. El modelo incluye cuantización nativa INT4, y su ventana de contexto alcanza 256 mil tokens (262.144), lo cual representa una capacidad significativa para tareas largas. Cada solicitud obliga a activar el modo de razonamiento, ya que deshabilitarlo provoca un error en la API. La generación se realiza con parámetros fijos: temperatura 1.0, top_p 0.95, n 1 y penalizaciones de 0.0. La salida máxima por solicitud se establece en 32.768 tokens. Para su implementación, se recomienda usar entornos de servidor, ya que el tamaño del repositorio en Hugging Face es de aproximadamente 595 gigabytes, lo que lo posiciona fuera del alcance de dispositivos personales.
Los resultados de pruebas muestran una mejora notable frente al modelo anterior K2.6, superando su desempeño en seis indicadores clave. En el benchmark Kimi Code Bench v2, el avance es de 50.9 a 62.0, un incremento del 21,8%. Aunque no domina completamente a GPT-5.5 en el MLS Bench Lite, logra competir de forma cercana. En el MCP Mark Verified, supera a Claude Opus 4.8 con 81.1 versus 76.4. Moonshot destaca que el modelo consume aproximadamente un 30% menos de tokens de razonamiento que su versión anterior, lo que se interpreta como una reducción del "sobreesfuerzo" en el procesamiento. Esta eficiencia no solo mejora el rendimiento, sino que también impacta directamente en los costos operativos.
Para los profesionales peruanos en tecnología, este avance señala una evolución clave en la automatización del desarrollo de software. En un entorno donde el acceso a herramientas de inteligencia artificial de alto rendimiento es cada vez más relevante, modelos como Kimi K2.7-Code ofrecen posibilidades reales de integración en proyectos de software, especialmente en startups o empresas que buscan optimizar su flujo de desarrollo. Aunque aún no está disponible en entornos locales, su potencial para reducir tiempos de desarrollo y mejorar la calidad del código puede convertirse en una ventaja competitiva en el crecimiento de tecnologías nacionales.