- 256K context
- Reasoning
- Responses API
Kimi K2.7 Code QuickSilver Pro पर
Kimi K2.7 Code Moonshot का coding के लिए tune किया गया K2 है — K2.6 जैसा ही trillion-parameter architecture (32B active, 256K context), जिसे long-horizon agentic coding के लिए दोबारा tune किया गया है। QuickSilver Pro पर कीमत $0.6712 input / $3.35 output प्रति million tokens है — इस route के चुने हुए OpenRouter endpoint के बराबर, बिना markup या छूट के। Moonshot के अनुसार यह coding evals पर ज़्यादा score करते हुए प्रति task K2.6 से ~30% कम reasoning tokens इस्तेमाल करता है।
- 256K context
- Tools
- Reasoning · डिफ़ॉल्ट रूप से चालू
- Streaming
- JSON Schema output
आप चुकाते हैं · input / output प्रति 1M
$0.6712 / $3.35
लिस्ट प्राइस पर
OpenRouter जैसी ही दरें
Pricing तुलना ($/1M tokens)
बार की लंबाई = लिस्ट प्राइस के मुक़ाबले क़ीमत
| Provider | Input | Output | QSP की तुलना में |
|---|---|---|---|
| QuickSilver Pro | $0.6712 | $3.35 | — |
| OpenRouter(moonshotai/kimi-k2.7-code) | $0.6712 | $3.35 | बराबर |
OpenRouter लिस्ट प्राइस का स्रोत: openrouter.ai/api/v1/models/moonshotai/kimi-k2.7-code/endpoints
एक नज़र में
- Context
- 256K tokens
- Input / 1M
- $0.6712
- Output / 1M
- $3.35
- Default में सोचता है
- हाँ
- Latency · लाइव
- —
Long-horizon agentic coding — Moonshot का coding-tuned K2, K2.6 से कम reasoning-token overhead के साथ।
Kimi K2.7 Code कब सही चुनाव है?
catalog की क्षमताओं और प्रकाशित क़ीमतों से तैयार, benchmark से नहीं।
कब इस्तेमाल करें
K2.7 Code को किसी coding agent (opencode, Cline, Aider और Claude-Code-style loops) के engine के रूप में चुनें: multi-step refactors, repo-wide बदलाव, और plan-then-act agents जो 256K-token working set पर कई tool calls का तालमेल बिठाते हैं। यह ठीक उसी long-horizon agentic-coding trajectory के लिए tune किया गया है जहाँ लंबी-चौड़ी reasoning हर turn पर दोबारा पढ़ी जाती है — Moonshot के अनुसार यह K2.6 से ~30% कम reasoning tokens पर ज़्यादा coding-eval scores देता है।
- लंबे दस्तावेज़ और codebases, 256K tokens तक के context के साथ
- Tools call करने वाले agents, strict JSON Schema output के साथ
- कई चरणों वाला reasoning, डिफ़ॉल्ट रूप से चालू
- Chat Completions के साथ Responses API clients भी
कब कोई और model चुनें
रोज़मर्रा की chat, short-context codegen या non-agentic single-shot कामों के लिए इसकी per-token कीमत ज़रूरत से ज़्यादा है — DeepSeek V4 Flash ($0.06/$0.18) या V4 Pro ($0.70/$2.10) इनमें से ज़्यादातर कम खर्च में निपटा देते हैं। शुद्ध गणितीय reasoning के लिए DeepSeek V4 Pro। सामान्य (non-coding) Opus-class agentic planning के लिए Kimi K2.6 वह sibling है जिससे A/B करना चाहिए।
- Output की क़ीमत सबसे अहम हैKimi K2.6 का output इस मॉडल की output क़ीमत का 0.582× है और 256K context बना रहता है।Kimi K2.6 $0.45 / $1.95 · 256K
- आपको image input चाहिएKimi K3.1 Pro image input लेता है, output क़ीमत 2.985×।Kimi K3.1 Pro $2.00 / $10.00 · 1M
- आपको लंबा context चाहिएKimi K3 1M tokens लेता है, output क़ीमत 3.806×।Kimi K3 $2.55 / $12.75 · 1M
Quickstart (curl)
API key पाएँ →curl https://api.quicksilverpro.io/v1/chat/completions \
-H "Authorization: Bearer $QSP_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "kimi-k2.7-code",
"messages": [{"role": "user", "content": "Hello!"}]
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.quicksilverpro.io/v1",
api_key=os.environ["QSP_KEY"],
)
response = client.chat.completions.create(
model="kimi-k2.7-code",
messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api.quicksilverpro.io/v1",
apiKey: process.env.QSP_KEY,
});
const response = await client.chat.completions.create({
model: "kimi-k2.7-code",
messages: [{ role: "user", content: "Hello!" }],
});
console.log(response.choices[0].message.content);curl https://api.quicksilverpro.io/v1/responses \
-H "Authorization: Bearer $QSP_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "kimi-k2.7-code",
"input": "Hello!"
}'import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.quicksilverpro.io/v1",
api_key=os.environ["QSP_KEY"],
)
response = client.chat.completions.create(
model="kimi-k2.7-code",
messages=[{"role": "user", "content": "Hello!"}],
)
print(response.choices[0].message.content)OpenAI-संगत। base_url बदलकर एक लाइन में migration।
Gateway का व्यवहार
इस मॉडल के लिए compatibility नोट्स।
prompt- 256K tokens तक के prompts।
- /v1/chat/completions: समर्थित
- /v1/responses: समर्थित
- streaming: समर्थित
- tools: समर्थित
- image input: इस मॉडल के लिए सूचीबद्ध नहीं
- JSON Schema: समर्थित
- reasoning: समर्थित
क़ीमत कहाँ से आती है
- Provider reference
- $0.6712 / $3.35openrouter.ai/api/v1/models/moonshotai/kimi-k2.7-code/endpoints
- Catalog में सत्यापित
- Prompt cache · तुलना नहीं
- $0.18 read
usage.cost = prompt_tokens × $0.6712/1M + completion_tokens × $3.35/1M
FAQ
सामान्य प्रश्न
वही K2 architecture — एक trillion parameters, 32B active, 256K context — लेकिन K2.7 Code को खास तौर पर long-horizon agentic coding के लिए दोबारा tune किया गया है। Moonshot के प्रकाशित आँकड़े ज़्यादा coding-eval scores (Kimi Code Bench v2, Program Bench, MLS Bench Lite) दिखाते हैं, जबकि यह प्रति task K2.6 से ~30% कम reasoning tokens निकालता है। Agent loops में हर turn की reasoning अगले turn पर input के रूप में दोबारा पढ़ी जाती है, इसलिए कम reasoning tokens का मतलब केवल प्रति call नहीं, बल्कि प्रति पूरे हुए task कम लागत है। सामान्य (non-coding) agentic planning के लिए K2.6 अब भी बेहतर चुनाव है; दोनों को अपने workload पर A/B करें।
हाँ — K2.7 Code एक OpenAI-compatible chat completions endpoint है। अपने agent को base_url=https://api.quicksilverpro.io/v1 पर point करें, अपनी QSP key paste करें, और model="kimi-k2.7-code" सेट करें। Streaming, tool calling और json_schema strict mode, सभी काम करते हैं, और usage.cost हर response के साथ report होता है ताकि आप cost-per-task सीधे देख सकें।
$0.6712 input / $3.35 output और $0.18 cache read प्रति million tokens — route के चुने हुए OpenRouter endpoint (inceptron int4) के बराबर, बिना markup या छूट के। Route pinned provider order या quantization filters के साथ sort: price पर सबसे सस्ता eligible endpoint चुनता है; /models की headline कीमत अलग हो सकती है। महँगे fallback hosts आपकी कीमत नहीं बदलते। base_url=https://api.quicksilverpro.io/v1 और model="kimi-k2.7-code" इस्तेमाल करें।
नहीं। K2.7 Code हमेशा thinking करता है: reasoning: { enabled: false } reject कर दिया जाता है। Sampling overrides न भेजें, जब तक वे Moonshot के fixed values से मेल न खाते हों: temperature=1.0, top_p=0.95, n=1, presence_penalty=0 और frequency_penalty=0। tool_choice में auto या none support होता है।