Moonshot AI, Kimi K2.7-Code 공개…추론 토큰 30% 절감 주장에도 자체 벤치마크 신뢰성 논란

Moonshot AI는 K2.6의 후속 open-source coding model인 Kimi K2.7-Code를 공개하며, thinking token 사용량을 30% 줄이고 주요 coding benchmark 성능을 두 자릿수 개선했다고 밝혔습니다. 이 모델은 K2.6과 같은 trillion-parameter MoE 구조를 쓰며 OpenAI-compatible API, vLLM, SGLang 배포를 지원하지만, thinking mode 전용이고 temperature 조정은 불가능합니다. 다만 성능 개선 수치가 Moonshot AI의 자체 benchmark에 기반해, 실무자들은 독립 검증이 필요하다고 지적하고 있습니다.

K2.7-Code의 핵심 주장은 agentic workflow에서 직접 비용으로 연결되는 추론 토큰 절감이어서, 사실로 검증될 경우 coding agent 운영비 절감에 의미 있는 영향을 줄 수 있습니다. 그러나 proprietary benchmark 중심의 발표는 최근 AI model 경쟁에서 반복되는 벤치마크 신뢰성 문제를 다시 드러내며, DeepSWE 같은 독립 평가 부재가 채택 판단의 걸림돌이 되고 있습니다.