> ## Documentation Index > Fetch the complete documentation index at: https://platform.kimi.com/docs/llms.txt > Use this file to discover all available pages before exploring further. # Kimi K2.7 Code ## Kimi K2.7 Code 模型介绍 Kimi K2.7 Code 是 Kimi 的 Coding 模型，在长上下文中更可靠地遵循指令，能以更高的成功率完成编程任务，同时支持文本、图片与视频输入，思考模式，对话与 Agent 任务。 同时提供了 Kimi K2.7 Code 高速版（kimi-k2.7-code-highspeed），与 Kimi K2.7 Code 是同一个模型，但输出速度约为普通版的 5-6 倍，常规编程场景下（取输入长度中位数）输出速度约 180 Token/s，短上下文场景可达 260 Token/s ，支持 256K 上下文窗口，带来更极致的编程体验。（目前资源有限，高速版模型体验可能偶有波动，我们正在逐步增量中～） ### 长程编码能力再次突破 在评估代码能力的基准测试中，K2.7 Code 相比 K2.6 性能显著提升：Kimi Code Bench v2 提升 21.8%、Program-Bench 提升 11%、MLS Bench Lite 提升 31.5%。 kimi-k2.7 ### Agentic 能力的提升 在评估 Agent 自主化执行能力的 Kimi Claw 24/7 Bench、MCP Atlas 和 MCP Mark Verified 基准测试中，性能提升 10% 左右。 kimi-k2.7 ### 超长上下文支持 * `kimi-k2.7-code`、`kimi-k2.7-code-highspeed`、`kimi-k2.6`、`kimi-k2.5` 模型均提供 256K 上下文窗口 ### 长思考能力 * Kimi K2.7 Code 仍然具备超强的思考能力，支持多步工具调用和推理，擅长解决复杂问题，如复杂的逻辑推理、数学问题、代码编写等。Kimi K2.7 Code 不支持非思考模式。 ## 立即开始 * [立即体验](https://platform.kimi.com/playground) ：在开发工作台，快速通过交互式操作测试模型在业务场景上的效果 * [申请 API Key](https://platform.kimi.com/console/api-keys) ：立即通过 API 调用测试 ## 调用示例 以下是完整的调用示例，帮助您快速上手 Kimi K2.7 Code 多模态模型。 ### 安装 OpenAI SDK Kimi API 完全兼容 OpenAI 的 API 格式，你可以通过如下方式来安装 OpenAI SDK： ```bash theme={null} pip install --upgrade 'openai>=1.0' ``` ### 验证安装结果 ```bash theme={null} python -c 'import openai; print("version =",openai.__version__)' # 输出可能是 version = 1.10.0，表示 OpenAI SDK 已经安装成功，当前 python 实际使用了 openai 的 v1.10.0 的库 ``` ### 多模态工具能力示例 Kimi K2.7 Code 模型综合了多种能力。以下是一个展示 K2.7 Code 视觉理解+工具调用能力的示例。 首先将这个示例视频下载到本地，比如 `/path/to/test_video.mp4` 然后运行以下代码 ```python theme={null} import base64 import json import os import subprocess import tempfile from pathlib import Path from openai import OpenAI tools = [{ "type": "function", "function": { "name": "watch_video_clip", "description": "Watch a video file or a sub-clip of it. If start_time and end_time are not provided, the entire video will be returned.", "parameters": { "type": "object", "properties": { "path": { "type": "string", "description": "The path to the video file to watch" }, "start_time": { "type": "number", "description": "The start time of the clip in seconds (optional, defaults to 0)" }, "end_time": { "type": "number", "description": "The end time of the clip in seconds (optional, defaults to end of video)" } }, "required": ["path"] } } }] def watch_video_clip(path: str, start_time: float | None = None, end_time: float | None = None) -> list[dict]: """ Watch a video file or a sub-clip of it. Args: path: The path to the video file to watch start_time: The start time in seconds (optional, defaults to 0) end_time: The end time in seconds (optional, defaults to end of video) Returns: A list of content blocks in MultiModal Tool API format """ video_path = Path(path) if not video_path.exists(): raise FileNotFoundError(f"Video file not found: {path}") # Get video duration if needed if start_time is None and end_time is None: # Return entire video with open(path, "rb") as f: video_base64 = base64.b64encode(f.read()).decode("utf-8") return [ {"type": "video_url", "video_url": {"url": f"data:video/mp4;base64,{video_base64}"}}, {"type": "text", "text": f"Full video: {video_path.name}"} ] # Get video duration for defaults probe = subprocess.run( ["ffprobe", "-v", "quiet", "-print_format", "json", "-show_format", path], capture_output=True, text=True ) duration = float(json.loads(probe.stdout)["format"]["duration"]) start_time = start_time or 0 end_time = end_time or duration clip_duration = end_time - start_time # Extract clip with tempfile.NamedTemporaryFile(suffix=".mp4", delete=False) as tmp: tmp_path = tmp.name try: subprocess.run([ "ffmpeg", "-y", "-ss", str(start_time), "-i", path, "-t", str(clip_duration), "-c:v", "libx264", "-c:a", "aac", "-preset", "fast", "-crf", "23", "-movflags", "+faststart", "-loglevel", "error", tmp_path ], check=True) with open(tmp_path, "rb") as f: video_base64 = base64.b64encode(f.read()).decode("utf-8") return [ {"type": "video_url", "video_url": {"url": f"data:video/mp4;base64,{video_base64}"}}, {"type": "text", "text": f"Clip from {video_path.name}: {start_time}s - {end_time}s"} ] finally: if os.path.exists(tmp_path): os.unlink(tmp_path) client = OpenAI( api_key=os.environ.get("MOONSHOT_API_KEY"), base_url="https://api.moonshot.cn/v1" ) def agent_loop(user_message: str): """Simple agent loop with multimodal tool support.""" messages = [ {"role": "system", "content": "You are a video analysis assistant. Use watch_video_clip to examine specific portions of videos."}, {"role": "user", "content": user_message} ] while True: response = client.chat.completions.create( model="kimi-k2.7-code", messages=messages, tools=tools, tool_choice="auto" ) message = response.choices[0].message messages.append(message.model_dump()) # No tool calls = done if not message.tool_calls: return message.content # Execute tool calls for tool_call in message.tool_calls: if tool_call.function.name == "watch_video_clip": args = json.loads(tool_call.function.arguments) result = watch_video_clip( path=args["path"], start_time=args.get("start_time"), end_time=args.get("end_time") ) # Multimodal tool result messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": result }) # Usage answer = agent_loop("分析 /path/to/test_video.mp4 这个视频的 8-13 秒发生了什么") print(answer) ``` ## 最佳实践 ### 支持的格式 图片支持 png、jpeg、webp、gif；视频支持 mp4、mpeg、mov、avi、x-flv、mpg、webm、wmv、3gpp 格式。 ### Tokens 计算及费用 图片与视频进行动态token计算，可以通过 [计算token接口](/api/estimate) ，在开始理解前获取包含图片或视频的请求的 token 消耗。 一般说来，图片分辨率越高，消耗的token越多；视频由若干张关键帧组成，关键帧的数量越多，分辨率越高，则 token 消耗越多。 Vision 模型在计费方式上与 `moonshot-v1` 系列模型保持一致，根据模型推理的总 Tokens 计费，详情请查看： 关于 token 价格，详见 [模型推理价格说明](/pricing/chat-k27-code) 。 ### 分辨率说明 我们推荐图片分辨率不超过4k (4096\*2160)，视频分辨率不超过 1080p (1920\*1080)，再高的分辨率只会增加处理时间，也不会对模型理解的效果有提升。 ### 上传文件还是base64 由于我们对请求体的整体大小有限制，所以对于非常大的视频，必须使用上传文件的方式使用视觉理解功能。对于需要多次引用的图片或视频，我们推荐使用文件上传的方式使用视觉理解功能。关于上传文件的限制，请参阅 [文件上传](/api/files-upload) 文档。 图片数量限制：Vision 模型没有图片数量限制，但请确保请求的 Body 大小不超过 100M URL 格式的图片：不支持，目前仅支持使用 base64 编码的图片内容 ## 参数变动说明 在 [对话补全](/api/chat) 文档中有一系列参数，但对于 K2.7 Code/K2.6/K2.5系列模型，其行为会有所不同。 **我们建议用户不要手动设置这些字段，而是使用默认值** 参数变动列举如下： | 字段 | 是否必须 | 说明 | 类型 | 取值 | | ------------------ | -------- | --------------------- | ------ | ----------------------------------------------------- | | max\_tokens | optional | 聊天完成时生成的最大 token 数。 | int | 默认值为32k，即32768 | | thinking | optional | **新增** 该参数控制模型是否启用思考。 | object | 默认值为`{"type": "enabled"}`. kimi-k2.7-code 模型关闭思考模式会报错 | | temperature | optional | 使用什么采样温度。 | float | k2.7-code 模型将使用确定值 1.0, 若指定其他值，将会报错。 | | top\_p | optional | 采样方法。 | float | k2.7-code/k2.6/k2.5 系列模型将使用确定值 0.95。若指定其他值，将会报错。 | | n | optional | 为每条输入消息生成多少个结果。 | int | k2.7-code/k2.6/k2.5 系列模型将使用确定值 1。若指定其他值，将会报错。 | | presence\_penalty | optional | 存在惩罚。 | float | k2.7-code/k2.6/k2.5 系列模型将使用固定值 0.0。 若指定其他值，将会报错。 | | frequency\_penalty | optional | 频率惩罚。 | float | k2.7-code/k2.6/k2.5 系列模型将使用确定值 0.0。若指定其他值，将会报错。 | ## Tool Use 参数兼容性 当使用工具时，请注意，为了确保模型的性能，会有以下约束： * 为了避免思考内容与指定的 `tool_choice` 冲突，`tool_choice` 只能使用"auto"和"none"（默认值为"auto"），取任何其他值将会报错； * 在多步工具调用过程中，您必须在将本轮会话中工具调用时 assistant message 里的 `reasoning_content` 保留在上下文当中，否则会报错； 更多参数配置信息，请查看 [使用指南 - 模型参数](/guide/use-kimi-k2-thinking-model) 。 ## 模型价格 关于 token 价格，详见 [产品定价](/pricing/chat-k27-code) 。