मुख्य सामग्री पर जाएँ
  • 256K context
  • Reasoning
  • Responses API

Kimi K2.7 Code QuickSilver Pro पर

kimi-k2.7-code
Moonshot AIलाइव उपलब्धता—

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

ProviderInputOutputQSP की तुलना में
QuickSilver Pro$0.6712$3.35—
OpenRouter(moonshotai/kimi-k2.7-code)$0.6712$3.35बराबर

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।

Models में विकल्पों की तुलना करें

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!"
  }'
python (OpenAI SDK)
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

Catalog v72 · कोई अलग long-context tier नहीं

Catalog में सत्यापित
Prompt cache · तुलना नहीं
$0.18 read

usage.cost = prompt_tokens × $0.6712/1M + completion_tokens × $3.35/1M

/pricing.json

Base दरें; cached prompt tokens ऊपर दी गई cache दरों पर बिल होते हैं।

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।

Kimi K2.7 Code

Kimi K2.7 Code को double credits के साथ आज़माएँ — $50 तक bonus credits

API Key पाएँ

$0.6712 / $3.35input / output प्रति 1M tokens

आज़माएंAPI Key पाएँ