Модель кодирования Kimi K2.7 демонстрирует впечатляющие возможности — она способна находить баги, писать 3D‑игры и существенно сокращать объём кода. Позиционируется как решение для длительных контекстов, сложных задач и рабочих процессов агентов.
Тестирование показало, что по сравнению с версией K2.6 среднее потребление токенов для долгосрочных задач сократилось примерно на 30 %. При этом в трёх тестах кодирования (Kimi Code Bench v2, Program Bench, MLS Bench Lite) K2.7 отстаёт от GPT‑5.5 и Opus 4.8. Зато в тестах Agent K2.7 близок к Opus 4.8 и даже превзошёл его (81,1 против 76,4) по MCP Mark Verified.
Возможности модели проверяли на трёх инженерных задачах. Первая — исправление трёх скрытых ошибок в проекте MiniDB (1032 строки кода). MiniDB — это SQL‑движок базы данных в памяти на чистом Python, включающий 10 модулей: лексический анализ, анализ рекурсивного спуска, индексацию в виде B‑дерева, управление транзакциями, выполнение запросов и др. Обнаруженные ошибки не приводят к сбою программы и не сообщаются при обычной работе — проблема в несоответствии результатов запроса ожиданиям. При оценке нельзя изменять API и тестовые примеры.
Модель успешно исправила три ошибки: индикаторы тестовой панели сменили цвет с красного на зелёный. Например, она обнаружила полную причинно‑следственную связь по ошибке 2: пустой метод isvisible(), логика обхода которого находится в методе _execselect() (методы принадлежат разным модулям). Ошибки 1 и 3 связаны с семантическим пониманием спецификации SQL: например, модель учла, что NULL и 0 не должны смешиваться, а != True не следует возвращать при обнаружении значения NULL. Код Kimi K2.7 продемонстрировал способность читать незнакомый код и восстанавливать локальную логику. Вопрос о стабильном внедрении в масштабные проекты требует дополнительной проверки.
Вторая задача — создание 3D‑игры в петанк в одном HTML‑файле с помощью Kimi K2.7 и DeepSeek V4 Pro на основе одних и тех же слов‑подсказок. Игровой процесс таков: игрок управляет наклоном платформы с помощью клавиш со стрелками, мяч катится по платформе, обходит препятствия, достигает финишной черты. Требования к игре включают квадратную платформу 20 × 20 см со стеной по краю, минимум три уровня возрастающей сложности, воздействие силы тяжести и трения на сферу, обратную связь при столкновении с препятствиями, перекалибровку платформы после отпускания кнопки и др.
Версия с кодом Kimi K2.7 может быть запущена напрямую: на трёх уровнях сфера прокручивается в направлении наклона платформы, реализованы платформы, ограждения, препятствия, знаки конечной точки и HUD. Версия с DeepSeek V4 Pro даёт более чёткую картинку, но при реальной работе шарик вначале остаётся только в верхнем левом углу экрана, а при наклоне платформы влево и вправо лишь слегка раскачивается. Также в версии с DeepSeek V4 Pro есть проблема с прокалыванием формы: при наклоне жёлтой платформы влево и вправо края перекрываются с отображением зелёного фона внизу. Это общая проблема современной генерации крупных моделей для 3D‑сцен: модель не может видеть результаты работы при её создании, точная настройка геометрических границ и физических коллайдеров требует обратной связи после завершения работы.
Выходные данные кода Kimi K2.7 в большей степени соответствуют заданным требованиям — особенно с точки зрения физической обратной связи, стабильности взаимодействия и функционального замкнутого контура.
Третья задача — рефакторинг проекта Flask (более 2000 строк кода). Цель — реконструировать устаревший код в структурированный и поддерживаемый, сохранив все функции. Объект рефакторинга — фоновый проект для электронной коммерции на Flask (Python): 18 файлов, 2374 строки кода. В проекте есть структурная путаница: страницы классификации (электронные товары, мебель, аксессуары) имеют одинаковые маршруты и логику, но не интегрированы. Кроме того, на странице одновременно сохраняются несколько версий кода до и после вызова базы данных и функций форматирования даты, а 13 HTML‑шаблонов используют встроенные стили без общей структуры для повторного использования.
Модель смогла сократить проект с 2374 строк до 1064 (примерно на 55 %), при этом соблюдая ограничения: сохранить все существующие URL‑адреса, не изменять существенно визуальные эффекты страницы, не вводить новые внешние зависимости. Kimi K2.7 продемонстрировала способность распознавать перекрёстные файлы: объединила 10 маршрутов классификации в один маршрут с параметрами, 5 наборов методов записи в базу данных — в набор интерфейсов доступа, дублирующуюся структуру пользовательского интерфейса в 13 шаблонах — в базовые шаблоны и макросы. Также модель сохранила параметры маршрутизации, бизнес‑статус, ввод страницы и статистическую логику при сокращении дублирования.
В тесте используется код Claude в качестве среды выполнения агента и код Kimi K2.7 в качестве базовой модели: Claude Code отвечает за инженерные операции (чтение проекта, выполнение команд, модификация файлов, обратная связь по тестированию), Kimi K2.7 Code — за понимание кода, генерацию программы и принятие решений по модификации.
Ключевые сложности в реальных проектах — это понимание логики старой системы, отсутствие новых ошибок при исправлении, запуск тестов, чтение журналов, обработка сбоев, сохранение возможности отслеживания, развёртывания и проверки в условиях совместной работы и сложной среды зависимостей. Фокус конкуренции модельных компаний смещается с базовых возможностей моделей на уровень инструментов и рабочих процессов: подключаемые модули IDE, агенты командной строки, автоматизированное выполнение задач, файловые системы, среды совместной работы.
Kimi K2.7 Code выполнил поставленные цели в трёх задачах: чтение незнакомого кода и поиск скрытых проблем, 3D‑генерация игр (проверка способности организовывать требования к запускаемым приложениям), рефакторинг Flask (проверка способности организовать устаревшие системы в условиях ограничений). Модель демонстрирует потенциал для инженерного сотрудничества, но до стабильной доставки ещё далеко.
<<<IMG_N>>>
<<<IMG_N>>>
Подписаться в Макс
