문샷 AI, 저비용 고효율 코딩 모델 Kimi K2.7 공개

팩트문샷 AI(Moonshot AI)가 코딩 작업에 특화한 인공지능 모델 Kimi K2.7 Code를 공개했습니다. 이 모델은 1조 개의 파라미터를 가진 혼합 전문가(MoE, Mixture of Experts) 아키텍처를 기반으로 설계했습니다.

팩트해당 아키텍처는 총 384개의 전문가 모델로 구성하며, 토큰마다 8개를 선택해 활성화합니다. 이 과정에서 토큰당 320억 개의 파라미터를 사용하며, 최대 256,000 토큰의 컨텍스트 길이를 지원합니다.

팩트Kimi K2.7 Code의 API 가격은 입력 토큰 100만 개당 0.95달러, 출력 토큰 100만 개당 4.00달러입니다. 이는 출력 토큰 기준으로 클로드 페이블(Claude Fable) 5 모델보다 12배 이상 저렴한 수준입니다.

주장업계에서는 인공지능 모델의 성능뿐만 아니라 토큰당 비용이 핵심 경쟁 요소로 부상하고 있습니다. 토큰 경제가 본격화함에 따라 기업은 최고 성능 모델보다 특정 작업에 최적화한 가성비 모델을 선택하는 전략을 취합니다.

팩트이전 버전인 K2.6과 비교해 추론 효율성을 30% 개선했습니다. 또한 에이전트 기반 코딩 시나리오에서 성능을 극대화하고자 전체 추론 과정을 유지하는 'preserve_thinking' 모드를 도입했습니다.

팩트이 모델은 4억 개의 파라미터를 가진 문비트(MoonViT) 비전 인코더를 탑재해 멀티모달 기능을 수행합니다. 기존 K2.5 및 K2.6과 아키텍처가 동일해 기존 배포 설정을 그대로 재사용할 수 있습니다.

팩트Kimi K2.7 Code는 수정된 MIT 라이선스를 적용해 사용과 수정, 재배포를 허용합니다. 다만 월간 활성 사용자 1억 명 이상 또는 월 매출 2천만 달러 이상의 대규모 상업 서비스에서는 UI에 모델 명칭을 명시해야 합니다.

주장문샷 AI가 출시한 이 모델은 지피티(GPT)-5.5나 클로드 오퍼스(Claude Opus) 4.8 대비 성능은 낮을 수 있습니다. 그러나 압도적인 가격 경쟁력을 바탕으로 실무 환경에서 충분한 대안이 됩니다.

교차검증표준 코딩 벤치마크 테스트에서는 지피티-5.5와 클로드 오퍼스 4.8이 여전히 우수한 성적을 거두고 있습니다. 특히 프로그램 벤치(Program Bench)와 같은 고난도 테스트에서 K2.7 Code는 경쟁 모델보다 낮은 점수를 기록했습니다.

교차검증벤치마크 결과가 실제 업무 환경의 성능을 완전히 보장하지는 않습니다. 사용자는 자신의 특정 작업 환경에 맞춰 직접 벤치마크를 수행하고 비용 대비 효율성을 개별적으로 평가해야 합니다.

주장에이전트 기반 코딩 작업에서 높은 효율을 보이는 이 모델은 비용 절감을 원하는 기업들에게 매력적인 선택지가 됩니다. 범용 성능 격차에도 불구하고 특정 실무 영역에서 입지를 넓힐 것으로 보입니다.

출처더 디코더(The Decoder)의 보도 및 허깅페이스(Hugging Face) 공식 모델 카드를 통해 해당 내용을 교차 검증했습니다.