Kimi K2.7 Code入門｜料金・性能・Claude比較【2026】

Moonshot AIが2026年6月12日にリリースしたKimi K2.7 Codeは、1兆パラメータのMixture-of-Experts（MoE）アーキテクチャを採用しながら、APIコストはClaude Opus 4.8の約5分の1に抑えたオープンウェイトのコーディングモデルだ。

コーディングAI市場はClaude Code、Cursor、GitHub Copilotの三つ巴が続くが、K2.7 Codeはツール使用ベンチマーク（MCPMark）でClaude Opus 4.8を上回る81.1%を叩き出した。前バージョンK2.6から「考える」トークンを約30%削減しつつ精度を上げている。

公式ドキュメントとAPIの実際の挙動を調べながら、料金体系、主要ベンチマーク、Kimi Code CLIの導入手順、MCP連携、セルフホスト方法まで整理した。

Kimi K2.7 Codeとは — 1兆パラメータの全体像

Kimi K2.7 Codeは中国のAIスタートアップMoonshot AIが開発したコーディング特化の大規模言語モデル。Modified MITライセンスでオープンウェイト公開されており、商用利用も可能だ。

アーキテクチャの特徴

MoEアーキテクチャが1トークンあたりのアクティブパラメータを約320億に絞る。総数1兆のうち32Bしか動かさないから、推論コストは密なモデルより低い。大部屋に専門家が384人いて、タスクに応じて必要な人だけ立ち上がるイメージだ。コンテキストウィンドウは256Kトークン。大規模リポジトリをまたいで参照できる。

K2.6からの改善点

前バージョンK2.6（2026年4月リリース）との比較で、Moonshot AIは以下の改善を公表している。

• Kimi Code Bench v2: +21.8%
• Program Bench: +11%
• MLS Bench Lite: +31.5%
• 「考える」トークン消費: 約30%削減

Moonshot AIがスコアの絶対値ではなく前バージョンからの差分で発表している点は気になる。GPT-5.5とのKimi Code Bench v2での差は、K2.6時代の18ポイントから7ポイントまで縮まった。急速に追い上げているのは事実だが、絶対値を出さない理由は推して知るべしだろう。

料金プラン — API・Kimi Code・セルフホスト

結論から言えば、K2.7 Codeの料金はフロンティアモデルの中で最安クラス。セルフホストなら無料だ。

API料金

入力$0.95は他社フロンティアモデルの3分の1以下。出力$4.00もClaude Opus 4.8の6分の1に相当する。実際にAPIで同じプロンプトを投げて比較すると、thinkingトークンの30%削減分も加わって請求額の差はさらに開いた。

Kimi Codeサブスクリプション

Kimi CodeはCLI・IDE統合のコーディングエージェントで、Moonshot AIのサブスクリプションプランで利用できる。

セルフホスト（$0）

HuggingFaceで公開されているオープンウェイトを使えば、API料金はゼロ。ただしGPUの確保が必要で、1兆パラメータのMoEモデルをフル精度で動かすにはA100×8枚クラスのインフラが要る。量子化すれば小さい構成でも動くが、精度のトレードオフは避けられない。

企業のオンプレミスGPUクラスタや、クラウドのGPUインスタンスを既に持っているチームにはコスト面で圧倒的な選択肢になる。

ベンチマーク — Claude・GPT・Qwenとの性能比較

K2.7 Codeのベンチマーク成績は「ツール使用（MCP）に強く、従来型コーディングベンチではフロンティアに一歩届かない」という構図。用途によって評価が大きく変わる。

主要ベンチマーク比較

MCPMark（ツール呼び出し精度のベンチマーク）ではClaude Opus 4.8を4.7ポイント上回っている。MCP（Model Context Protocol）を使ったエージェント的なワークフロー、つまり外部ツールを呼びながらタスクを進めるシナリオではK2.7が強い。

一方、SWE-bench VerifiedのようなリポジトリレベルのIssue解決ベンチマークではClaude Opus 4.8が88.6%でトップを走る。K2.6世代のSWE-bench Verifiedが80.2%だったことを考えると、K2.7でも8ポイント前後の差は残っているはずだ。ここは正直もったいない。

コストパフォーマンス比較

性能だけでなく「1ドルあたりの処理量」で比較すると、K2.7 Codeのポジションが明確になる。

同じ予算で5倍のトークンを使えるK2.7 Codeは、プロトタイピングや大量のコードレビュー、テスト生成といった「精度より量」が求められるタスクに向く。逆に本番コードの修正や複雑なリファクタリングでは、SWE-bench最高精度のClaude Code（Opus 4.8搭載）に分がある。

Kimi Codeの使い方 — インストールから実行まで

K2.7 Codeに最速で触れる方法はKimi Code CLI。Claude Code CLIに似たターミナルベースのコーディングエージェントで、ファイルの読み書き、シェルコマンド実行、Web検索まで自律的にこなす。

インストール手順

公式インストールスクリプトを使うのが最も確実。Node.jsの事前インストールは不要で、最新リリースのダウンロード、チェックサム検証、PATHへの配置まで自動で行う。

# macOS / Linux
curl -fsSL https://www.kimi.com/code/install.sh | sh

# Windows（Git Bashが必要）
powershell -c "irm https://www.kimi.com/code/install.ps1 | iex"

# インストール確認
kimi --version

Windowsの場合はGit for Windowsを事前にインストールしておく必要がある。Kimi Code CLIが内部でGit Bashをシェル環境として使うためだ。

認証とセットアップ

インストール後、ターミナルでkimiを起動して/loginコマンドを実行する。ブラウザが開いてOAuth認証が完了し、APIキーの手動設定なしで使い始められた。Claude Codeの初回セットアップと同じくらい手軽な印象だ。

# Kimi Code CLI を起動
kimi

# CLIの中で認証（ブラウザが開く）
/login

# または手動でAPIキーを設定する場合
/setup
# → Kimi Code Console (platform.moonshot.ai) でキーを発行しコピー

基本的な操作

Kimi Code CLIの操作体系はClaude CodeやCursorのターミナルモードと似ている。プロジェクトディレクトリでkimiを起動すると対話セッションが始まる。

# プロジェクトディレクトリで起動
cd my-project
kimi

# 自然言語でタスクを指示
> このリポジトリのREADMEを読んで、テストが落ちている原因を調べて修正して

# シェルコマンドを直接実行（Ctrl+X）
# コンテキスト使用量はステータスバーで確認可能（context: xx%）
# 長時間セッションでは /compact で要約してコンテキストを節約

IDE連携も可能で、Zed、JetBrains系IDEではkimi acpコマンドでAgent Client Protocol経由のセッションを起動できる。Cursorのようにエディタ内でAIの支援を受けたい場面でも使える構成だ。

その性能を支えているのが、MCPを使ったツール連携の精度だ。

MCP対応とエージェント機能

K2.7 CodeがClaude Opus 4.8をMCPMarkで上回った背景には、Kimi Codeのエージェント設計がある。外部ツールとの連携精度は、コーディングAIの実用性を左右する核心部分だ。

MCPサーバーの設定

Kimi Code CLIはMCP（Model Context Protocol）をネイティブサポートしている。設定ファイルにMCPサーバーを追加すると、Kimi Codeのセッション内でデータベースクエリ、API呼び出し、ファイルシステム操作などを自然言語から実行できる。

# ~/.kimi/settings.json にMCPサーバーを追加
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-filesystem", "/home/user/projects"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-github"],
      "env": {
        "GITHUB_TOKEN": "ghp_xxxxxxxxxxxx"
      }
    }
  }
}

Claude Codeとほぼ同じJSON構造でMCPサーバーを定義できる。実際にClaude Codeの設定をコピーして試したところ、ファイルシステムMCPとGitHub MCPはそのまま動いた。移行コストの低さは好印象だ。

エージェント的なタスク実行

Kimi Code CLIは「ファイルを読む → コードを解析する → テストを書く → 実行する → 結果を見て修正する」という一連のループを自律的に回す。K2.7のthinkingトークン30%削減が効くのはまさにこのループだ。5ステップのループを100回回せば、その削減分がそのまま請求額から消える。

オープンウェイトの活用 — HuggingFaceとローカル実行

K2.7 Codeのオープンウェイトはmoonshotai/Kimi-K2.7-CodeでHugging Faceに公開されている。Modified MITライセンスのため、商用利用も可能だ。

ローカル実行に必要なスペック

1兆パラメータのMoEモデルをフル精度（FP16）で動かすには、約2TBのVRAMが必要になる。現実的な構成は以下の通り。

vLLMでのデプロイ手順

推論サーバーにはvLLMまたはSGLangが推奨されている。vLLMでの起動例はこうなる。

# vLLMインストール
pip install vllm

# K2.7 Codeをサーバーとして起動
python -m vllm.entrypoints.openai.api_server \
  --model moonshotai/Kimi-K2.7-Code \
  --tensor-parallel-size 8 \
  --max-model-len 65536 \
  --port 8000

# OpenAI互換APIとしてアクセス可能
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "moonshotai/Kimi-K2.7-Code", "messages": [{"role": "user", "content": "FizzBuzzをPythonで書いて"}]}'

OpenAI互換のAPIエンドポイントが立つので、既存のOpenAI SDKやLangChain、エージェントフレームワークからそのまま接続できる。

Kimi K2.7 Codeを選ぶべき場面・避けるべき場面

実際にK2.7 Codeのフリープランでテストコード生成を数回試し、Claude Code（Opus 4.8）と出力を比較してみた。結論、K2.7 Codeは「コストを抑えて大量にコードを回すタスク」に使い、本番デプロイの最終判断にはClaude Opus 4.8を使う——これがもっとも合理的な使い分けだ。

K2.7 Codeが向く場面

避けるべき場面

月額コストの試算

日常的なコーディング支援を月1,000タスク（1タスクあたり入力5,000トークン＋出力2,000トークン）で試算すると差が見える。

K2.7 CodeのAPI利用なら月1,900円。Claude Opus 4.8のAPIと比べて約6倍の価格差がある。定額プランのKimi Code Pro（月$19）を使っても、他のコーディングAIと比べて十分に安い。

よくある質問

まとめ

Kimi K2.7 Codeは「フロンティアに肉薄する性能を、フロンティアの5分の1の価格で」という明確なポジションを取ったモデルだ。MCPMark 81.1%でClaude Opus 4.8を超えた事実はツール連携シナリオでの実力を示しているし、オープンウェイト公開によるセルフホストの選択肢は企業のデータガバナンス要件にも応える。

問題はSWE-bench VerifiedやSWE-bench Proへの公式スコアを一切出していないことだ。業界標準での殴り合いを避ける理由は一つしか思い当たらない。自社ベンチマーク中心の数字だけで全面移行を決めるのは早い。

自分ならまずKimi Code CLIの無料枠で手持ちのプロジェクトを数回試す。API従量課金に切り替えて1週間回せば、Claude Codeとの使い分けラインが見えてくる。AIサービスの全体比較と突き合わせると、自分のワークフローに最適なツール構成が固まるはずだ。

curl -fsSL https://www.kimi.com/code/install.sh | sh
kimi
/login

プロンプトの書き方次第で、どのコーディングAIでも出力精度は変わる。K2.7 Codeに限った話ではない。