Kimi K2.7-Code公開 — 1兆パラメータOSSがMCPMarkでOpus超え

Moonshot AIが2026年6月12日、Kimi K2.7-Codeをオープンソースとして公開しました。総パラメータ数は1兆、Modified MITライセンスでHugging FaceとKimi APIの両方から利用できます。コーディング特化型の大規模言語モデルとして、MCPMark Verified（MCP=Model Context Protocol、AIツール連携の標準規格に基づくツール使用精度ベンチマーク）でClaude Opus 4.8の76.4%を上回る81.1%を記録しており、コストを支払って使うクローズドモデルをOSSが超えるという転換点を示しています。

背景と文脈
技術/ビジネス面
これからどうなるか
まとめ
参考リンク

背景と文脈

Kimi K2.7-Codeは、Moonshot AIのK2シリーズの第5弾となるリリースです。同社は1年以内にK2シリーズで5回のメジャーアップデートを重ねており、急速なイテレーション速度でコーディング特化型モデルの性能を引き上げてきました。

オープンソースの大規模コーディングモデルをめぐっては、MetaのCodeLlamaやDeepSeek-Coderなど複数の先行例がありますが、1兆パラメータ規模でModified MITライセンスという組み合わせは珍しい位置づけです。Modified MIT License（変形MITライセンス）は基本的なオープンソースの自由を認めつつ、一定の商用利用に条件を課す場合があります。企業が内製AIツールや研究目的で使いやすい条件であることが多く、完全クローズドモデルとの中間的な選択肢として注目されています。

コーディングモデルの性能競争では、ツール使用精度（特にMCP経由でのAPI呼び出しや関数実行）が重要な評価軸になっています。Kimi K2.7-CodeのMCPMark超えは、開発者が自律的にツールを操作するエージェントワークフローを設計する際のモデル選択に直接影響します。

技術/ビジネス面

man and woman standing near laser light — Photo by Matthieu Joannon on Unsplash

モデルアーキテクチャはMoE（Mixture of Experts、複数の専門サブモデルに処理を分担させ入力ごとに必要な部分だけを動かす構造）を採用しており、MLA（Multi-head Latent Attention、圧縮した潜在表現でアテンションを処理する効率化手法）とSwiGLU活性化関数を組み合わせています。コンテキストウィンドウは256Kトークンで、大規模コードベースの一括処理にも対応できます。

ベンチマーク成績は前バージョンK2.6比で顕著に改善しました。Kimi Code Bench v2（Moonshot AIのコーディングタスク評価ベンチマーク）では+21.8ポイント、MLS Bench Lite（複数プログラミング言語にわたるソフトウェア開発タスクを評価するベンチマーク）では+31.5ポイントの向上です。また推論トークン数は30%削減されており、処理速度とコストの両面で改善されています。

特筆すべきはMCPMark Verifiedでの結果です。MCPMarkはAIエージェントがModel Context Protocolを通じてツールを正確に使えるかを評価するもので、Kimi K2.7-Codeの81.1%はClaude Opus 4.8の76.4%を上回りました。Opus 4.8の出力コストは100万トークンあたり$75ですが、Kimi K2.7-CodeはHugging Faceからダウンロードして自前環境で動かすことができます。

これからどうなるか

OSSの1兆パラメータコーディングモデルがフロンティアの有料モデルを実用的なベンチマークで上回ったという事実は、コーディングエージェント開発の選択肢を広げます。ただし、1兆パラメータのMoEモデルをセルフホストするには相応のGPUリソースが必要であり、現実的にはKimi APIかHugging Face Inference Endpointsの利用が主な入り口になるでしょう。

開発者にとって直接的な意味があるのは、MCPを活用したエージェント構成（ツール呼び出し・APIオーケストレーション）でのモデル選定です。既存のCodexやClaude Code系のワークフローを試している場合、Kimi K2.7-CodeをMCP互換環境で比較評価することはコスト削減の観点で現実的な選択肢になります。Modified MITライセンスの商用利用条件については、採用前に原文の確認が必要です。