7 月 7 日，GitHub 将月之暗面（Moonshot AI）的 Kimi K2.7 Code 从 Copilot 个人版扩展至 Business 和 Enterprise 计划。至此，这个来自北京的 1 万亿参数 MoE 模型从 Hugging Face 权重发布，扩展到了 Copilot 的个人付费与企业计划——整个过程仅用了 25 天（6 月 12 日开源，7 月 1 日进入 Pro/Pro+/Max，7 月 7 日进入企业版）。
这是 Copilot 模型选择器中首次出现开放权重模型。月之暗面也是其五家实验室阵容（OpenAI、Anthropic、Google、Microsoft、Moonshot AI）中唯一的非美国公司。GitHub 因此也需要说明这一开放权重选项的托管方式和企业管理策略。
MoE 每次只激活部分参数，但成本还受部署和计费影响
Kimi K2.7 Code 采用的架构有助于减少每个 token 需要参与计算的参数。它采用混合专家（Mixture-of-Experts，MoE）设计，总参数 1 万亿，但每个 token 仅激活 32B 参数——由 384 个专家子网络中选出的 8 个加 1 个共享专家完成计算。激活参数规模接近一个 32B 稠密模型，但实际速度和内存需求仍受专家调度、通信和权重存储影响。
模型包含 61 层 Transformer（含 1 个稠密层），采用 Multi-head Latent Attention（MLA）降低 KV 缓存开销，支持 256K 上下文窗口，并通过 400M 参数的 MoonViT 视觉编码器处理多模态输入。它采用原生 INT4 量化，官方权重仓库约为 595GB；实际运行还需要缓存等额外内存，不能将文件体积直接当作完整部署需求。
与上一代 K2.6 相比，K2.7 Code 在 Moonshot 自有基准 Kimi Code Bench v2 上从 50.9 提升到 62.0（+21.8%），Program Bench 上从 48.3 到 53.6（+11.0%），MLS Bench Lite 上从 26.7 到 35.1（+31.5%）。在 Agent 任务基准 MCP Atlas 上，得分从 69.4 升至 76.0，提高 6.6 个百分点；MCP Mark Verified 从 72.8 升至 81.1，提高 8.3 个百分点。同时，据月之暗面测试，思考 token 消耗减少约 30%，在相同价格与任务条件下，有助于减少按量费用。
模型采用 Modified MIT License 开源，API 每百万 token 定价为输入 0.95 美元（缓存命中 0.19 美元）、输出 4.00 美元。在 Copilot 体系内，它被定位为「低价选项」，按模型提供商公布的价格（provider list pricing）计费，报价低于同平台的部分前沿闭源模型。
思考模式不可关闭，快速任务的延迟和成本需要实测
K2.7 Code 的一个非典型设计是强制启用思考模式（thinking mode），不可关闭。月之暗面的解释是：这提高了长周期编程任务的可靠性。在 Kimi Code 产品中，如果用户关闭思考模式，请求会自动降级到 K2.6。
这一设计在产品层面限制了灵活性——开发者无法在快速补全和深度推理之间按需切换。公开资料尚不足以解释这种产品限制与模型内部机制的关系，不能仅因采用 MoE 就推断它必须开启思考模式。这对 Copilot 用户的实际影响取决于逐任务的延迟和成本差异，目前缺乏公开的消融实验数据。
企业计划默认关闭，需由管理员评估后启用
企业用户需要经过管理员启用这一步。在 Business 和 Enterprise 计划中，该模型默认关闭。管理员必须在 Copilot 设置中显式启用 Kimi K2.7 Code 策略，组织内的用户才能选择它。GitHub 的建议措辞明确：「建议管理员对照自身安全、合规和数据治理要求，评估开放权重模型后再启用。」
这一设计区别于个人版的直接可用。组织需要根据自己的数据和使用要求决定是否开放这一模型选项。
Azure 托管与模型行为评估，需要分别确认
GitHub 公告明确，Copilot 中的 K2.7 Code 由 GitHub 在 Microsoft Azure 上托管。GitHub 的托管文档也说明，用户提示词和回复不发送给月之暗面。Copilot 中不同模型的托管安排并不相同，不能把这一说明套用到全部第三方模型。
供应商背景则是另一项评估内容。月之暗面是一家北京注册的公司，相关讨论涉及的中国法律包括《国家情报法》（2017）、《数据安全法》（2021）和《网络安全法》（2017）。具体义务与风险需要结合公司活动、合同及数据处理安排判断，不能仅凭注册地推断 Copilot 用户的数据会被交给模型开发者。
模型开发者后续如何更新权重、修复问题，以及 GitHub 如何选择和验证新版本，也属于供应商评估的一部分。开放权重和独立托管减少了某些依赖，但不等于可以省略版本管理与行为测试。
NIST 下属的 AI 标准与创新中心此前对 Kimi K2 Thinking 模型的评估结果是双向的：在中文场景中「高度审查」，同时是当时「PRC 开发者中最强大的模型」。这项评估针对更早的 Kimi K2 Thinking，不能直接作为 K2.7 Code 的行为结论。GitHub 的文档提醒管理员评估模型的对齐及地域偏差风险，同时说明标准内容过滤仍然适用。
文中性能数据由厂商公布，尚需相同条件的独立验证
按文中引用报道截至 7 月 2 日的统计，Kimi K2.7 Code 在 SWE-bench Verified、SWE-bench Pro、Terminal-Bench 2.0、LiveCodeBench 等公开排行榜上尚无独立第三方结果。月之暗面公布的成绩来自内部与外部基准；基准由谁设计、测试由谁运行，需要分别确认。
其对比对象——GPT-5.5 运行在 Codex xhigh 模式、Claude Opus 4.8 运行在 Claude Code xhigh 模式——使用了各自的工具框架与推理设置。这些对比在方向上具有参考价值，但不能视作同等条件下的独立验证。GitHub 在此问题上的措辞同样克制：「早期测试显示 K2.7 是低价选项，性能与热门前沿模型相当」——这个表述基于内部测试，而非独立复现。
文中引用的企业 AI 评估公司 Kili Technology 数据显示，Agent 系统在实验室基准与生产部署之间存在平均 37% 的性能差距。这一跨系统统计不能直接套用于 K2.7 Code，但提醒企业要用自己的生产任务验证模型。
更多模型选择，也要求企业分别比较成本、效果与数据安排
Copilot 模型选择器目前覆盖 OpenAI、Anthropic、Google、Microsoft 和 Moonshot AI 五家独立实验室。K2.7 Code 增加了一个开放权重选项，企业仍需分别比较成本、能力和数据处理安排。
对于个人开发者（Pro/Pro+/Max），K2.7 Code 提供了一个可进一步测试的低价编码选项。对于企业管理员，启用决策需要回答几个问题：组织是否已结合中国《国家情报法》等相关规定、供应商合同和数据分类政策完成评估？是否受制于医疗、金融或政府合同的额外数据主权要求？是否已有针对中国来源软件的限制政策？
Azure 托管说明了推理服务由谁运行，但组织仍要结合自身合同、数据政策和实际任务作出判断。
K2.7 Code 已进入 Copilot 企业计划，但是否启用仍由管理员决定。公开价格、托管说明和模型测试，应当共同用于判断它是否适合组织的编程任务。
