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 模型完成了从 Hugging Face 权重发布到全球最大 AI 编程助手全计划覆盖的跨越——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，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。对 GitHub 而言，这意味着一项技术决策首次与地缘合规命题发生了正面交叠。
技术路线：MoE 如何让万亿参数模型进入「低价区」
Kimi K2.7 Code 的低成本定位来自架构选择而非补贴。它采用 Mixture-of-Experts 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。实际推理时的计算开销近似一个 32B 稠密模型，但保留了万亿参数的表征容量。
关键架构参数：61 层 Transformer（含 1 个稠密层）、Multi-head Latent Attention（MLA）降低 KV 缓存开销、256K 上下文窗口、MoonViT 400M 参数视觉编码器支持多模态输入，以及原生 INT4 量化将部署需求从约 600GB 压缩到约 240GB。
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 和 MCP Mark Verified 上分别提升约 10 个百分点。同时，推理 token 消耗减少约 30%——这一效率提升直接转化为更低的按量计费成本。
模型采用 Modified MIT License 开源，API 定价为输入 $0.95/百万 token（缓存命中 $0.19）、输出 $4.00/百万 token。在 Copilot 体系内，它被定位为「低价选项」，按 provider list pricing 计费，低于同平台的前沿闭源模型。
强制思考模式：设计选择还是约束
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。但在架构层面，持续激活的推理链路可能是 MoE 路由器分配专家负载的前提条件：如果去掉思考步骤，路由策略可能需要重新训练。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。
企业版的关键差异：默认关闭
K2.7 Code 进入企业版的方式本身就传递了审慎信号。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。它让模型选择从「开发者偏好」升级为「组织治理决策」。GitHub 没有替企业做判断，而是把合规评估的责任留给了每个启用该策略的组织。
Azure 托管解决了一半的问题
K2.7 Code 在 Copilot 内的推理完全运行在 Microsoft Azure 上，用户提示词不会离开微软云边界。这与 Copilot 中其他第三方模型（包括 Google 的模型）的托管方式一致。数据在传输层面受到保护，不存在直接流向月之暗面服务器的情况。
但 Azure 托管无法改变一个基本事实：月之暗面是一家北京注册的公司，受《国家情报法》（2017）、《数据安全法》（2021）和《网络安全法》（2017）的约束。这些法律义务作用于公司实体本身——包括其员工、组织决策和模型开发管线——而非取决于推理时数据所在的物理位置。
GitHub 和微软对月之暗面存在运营依赖：模型的权重更新、版本迭代和安全修复仍需由后者完成。这意味着未来每一版 K2.7 的后续模型，无论推理在哪里运行，都处于同一法律框架下。
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」。GitHub 在文档中也特别注明 K2.7 Code「可能不如其他 Copilot 模型对齐，存在更高的有害内容产出风险」，同时强调标准内容过滤仍然适用。
基准数据全部来自厂商
截止 7 月 2 日，Kimi K2.7 Code 在 SWE-bench Verified、SWE-bench Pro、Terminal-Bench 2.0、LiveCodeBench 等公开排行榜上均无独立第三方结果。月之暗面发布的所有性能数据均来自自研基准。
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——使用了不同的推理算力配置。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。
企业 AI 评估公司 Kili Technology 的数据显示，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。当所有基准数据来自单一厂商时，这一差距的不确定性会进一步放大。
五家实验室阵容的深层含义
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 的加入不只是菜单多了一个选项，而是 Copilot 首次将模型选择变成了一个同时涉及成本、能力和合规三维变量的决策框架。
对于个人开发者（Pro/Pro+/Max），K2.7 Code 提供了可验证的低成本编码选项。对于企业管理员，启用决策需要回答几个问题：组织的法务团队是否已评估中国《国家情报法》与其数据分类政策的交叉点？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 托管是一个真实的数据传输缓解措施。但它不能替代组织对这些问题的独立回答。
K2.7 Code 进入 Copilot 企业版标志着两件事同时发生：开放权重模型获得了全球最大开发者平台的认可，而由此触发的合规讨论，才刚刚开始。
