TLDR Moonshot AI saat ini menetapkan harga Kimi K2.7 Code sebesar $0.19 per 1M token input cache hit, $0.95 per 1M token input cache miss, dan $4.00 per 1M token output. Kimi K2.7 Code HighSpeed menggandakan tarif tersebut menjadi $0.38 / $1.90 / $8.00.
Pertimbangan biaya utama adalah:
- Caching: Input cache hit K2.7 Moonshot 80% lebih murah daripada input cache miss.
- HighSpeed: Rute yang lebih cepat biayanya dua kali lipat pada level token.
- Batch API: Model yang didukung dikenai biaya 60% dari tarif real-time, setara penghematan 40%.
- WebSearch: Moonshot mengenakan $0.005 per panggilan pencarian bawaan yang berhasil, ditambah token yang digunakan untuk memproses hasil pencarian.
- Kompatibilitas: K2.7 Code memerlukan Thinking mode, sedangkan WebSearch bawaan Moonshot mengharuskan Thinking dinonaktifkan.
Untuk agen pengodean, metrik yang paling berguna bukanlah harga per sejuta token, melainkan biaya per tugas terselesaikan, termasuk penalaran, caching, retry, panggilan alat, latensi, dan koreksi manusia.
Sekilas Harga Kimi K2 API
sumber: Harga Kimi K2.7 Code
| Model atau rute | Input cache hit | Input cache miss atau standar | Output | Konteks |
|---|---|---|---|---|
| Moonshot K2.7 Code | $0.19 / 1M | $0.95 / 1M | $4.00 / 1M | 256K |
| Moonshot K2.7 Code HighSpeed | $0.38 / 1M | $1.90 / 1M | $8.00 / 1M | 256K |
| Moonshot K2.6 | $0.16 / 1M | $0.95 / 1M | $4.00 / 1M | 256K |
| Moonshot K2.5 | $0.10 / 1M | $0.60 / 1M | $3.00 / 1M | 256K |
| CometAPI K2.7 Code | Tidak dicantumkan terpisah | $0.76 / 1M | Kira-kira $3.20 / 1M | 256K |
Harga K2.7 Moonshot saat ini bersifat promosi. Moonshot dan CometAPI juga menggunakan struktur penagihan input yang berbeda, jadi tarif yang tercantum tidak boleh dianggap dapat dibandingkan secara langsung.
Penjelasan Harga Moonshot Kimi K2
K2.7 Code dan K2.6 memiliki harga input cache miss dan output yang sama. Perbedaan utama di level token adalah K2.7 Code sedikit lebih mahal untuk input yang di-cache, sementara HighSpeed menggandakan semua tarif K2.7.
| Model | Paling cocok untuk |
|---|---|
| kimi-k2.7-code | Agen pengodean, pengeditan repositori, dan tugas rekayasa jangka panjang |
| kimi-k2.7-code-highspeed | Pengodean interaktif di mana latensi lebih rendah bernilai nyata |
| kimi-k2.6 | Penalaran multimodal umum, agen, dan WebSearch bawaan |
| kimi-k2.5 | Beban kerja umum dan multimodal berbiaya lebih rendah |
Moonshot menggambarkan HighSpeed sebagai model K2.7 Code yang sama yang disajikan melalui rute yang lebih cepat. Kecepatan output terdokumentasi sekitar 180 token per detik, mencapai hingga 260 token per detik pada skenario konteks pendek. Kapasitas dapat berfluktuasi saat Moonshot memperluas sumber daya.
Karena itu, HighSpeed terutama merupakan pilihan latensi, bukan tier kualitas model yang terpisah.
Alternatif API Langsung Moonshot: CometAPI
Pengembang dapat mengakses Kimi K2.7 Code langsung melalui Moonshot AI atau melalui API yang kompatibel dengan OpenAI dari CometAPI.
| Rute akses | Input standar | Input cache | Output |
|---|---|---|---|
| Moonshot direct API | $0.95 / 1M cache miss | $0.19 / 1M | $4.00 / 1M |
| CometAPI | $0.76 / 1M | Tidak dicantumkan terpisah | Kira-kira $3.20 / 1M |
Harga input standar dan output CometAPI tercantum sekitar 20% lebih rendah, sementara Moonshot mungkin lebih hemat biaya untuk beban kerja dengan rasio cache hit tinggi.
Pilih CometAPI jika Anda menginginkan satu API untuk Kimi dan penyedia model lainnya. Pilih akses langsung Moonshot jika alur kerja Anda sering menggunakan ulang prompt yang sama atau konteks repositori.
sumber: Harga Kimi K2.7 Code di CometAPI
Pada tarif yang tercantum saat ini, CometAPI sekitar 20% lebih murah daripada harga input cache miss dan output Moonshot.
Namun, CometAPI tidak menampilkan harga cache hit terpisah pada halaman model K2.7. Harga input standar $0.76 tidak boleh dibandingkan langsung dengan tarif input yang di-cache Moonshot sebesar $0.19.
Tim yang berulang kali menggunakan ulang sistem prompt panjang, definisi alat, atau konteks repositori harus menguji kedua rute menggunakan trafik aktual mereka. Beban kerja dengan rasio cache hit yang sangat tinggi dapat menghasilkan hasil yang berbeda dari yang sebagian besar mengirimkan konteks baru.
Tinjau harga Kimi K2.7 Code di CometAPI terbaru atau bandingkan model yang tersedia di halaman harga CometAPI.
Bagaimana Caching Konteks Mengubah Biaya Kimi API
Kimi menagih token input sebagai cache hit atau cache miss.
Cache miss umumnya mencakup konten baru atau yang dimodifikasi, seperti:
- file repositori baru
- instruksi yang diperbarui
- hasil alat baru
- riwayat percakapan yang berubah
Cache hit dapat mencakup konten berulang, seperti sistem prompt yang stabil, skema alat, konvensi pengodean, dan konteks repositori yang tidak berubah.
Untuk K2.7 Code, input yang di-cache dikenai biaya $0.19 per 1M token dibandingkan $0.95 untuk input yang tidak di-cache. Ini membuat token cache hit 80% lebih murah.
Hitung kedua kategori secara terpisah:
Input cost =
(cache-hit tokens ÷ 1,000,000 × cache-hit price)
+
(cache-miss tokens ÷ 1,000,000 × cache-miss price)
Contoh biaya caching
Misalkan satu proses workflow:
- 800,000 token cache hit
- 200,000 token cache miss
| Kategori token | Perhitungan | Biaya |
|---|---|---|
| Cache hit | 800,000 ÷ 1M × $0.19 | $0.15 |
| Cache miss | 200,000 ÷ 1M × $0.95 | $0.19 |
| Total biaya input | $0.152 + $0.190 | $0.34 |
Menghitung 1M token yang sama seluruhnya pada tarif cache miss akan berharga $0.95. Dalam contoh ini, profil cache campuran mengurangi biaya input sebesar $0.608.
Inilah mengapa dasbor produksi harus merekam token cache hit dan cache miss secara terpisah alih-alih hanya melaporkan total penggunaan input.
Harga Kimi Batch API
Batch API Moonshot mengenakan 60% dari harga model real-time, memberikan penghematan 40% untuk beban kerja asinkron yang didukung. Dokumentasi saat ini mencantumkan K2.7 Code, K2.6, dan K2.5 sebagai model Batch yang didukung.
| Model Batch | Input cache hit | Input cache miss | Output |
|---|---|---|---|
| kimi-k2.7-code | $0.114 / 1M | $0.57 / 1M | $2.40 / 1M |
| kimi-k2.6 | $0.096 / 1M | $0.57 / 1M | $2.40 / 1M |
| kimi-k2.5 | $0.06 / 1M | $0.36 / 1M | $1.80 / 1M |
Batch API cocok untuk:
- analisis kode seluruh repositori
- eksekusi evaluasi skala besar
- klasifikasi offline
- enrichment malam hari
- pembuatan uji sintetis
- analisis migrasi
- tunggakan tinjauan keamanan
Kurang cocok untuk asisten IDE, chat langsung, dan alur kerja lain di mana pengguna menunggu respons segera.
Untuk pemrosesan latar belakang, penghematan 40% bisa lebih berharga daripada beralih ke model yang lebih murah dengan tingkat penyelesaian tugas yang lebih rendah.
Harga dan Kompatibilitas Kimi WebSearch
Moonshot mengenakan $0.005 untuk setiap panggilan $web_search bawaan yang berhasil. Tidak ada biaya alat terpisah saat model selesai tanpa memicu alat pencarian.
Konten hasil pencarian juga dapat ditambahkan ke permintaan model berikutnya dan ditagih sebagai token input. Moonshot mendefinisikan perhitungan token yang dihasilkan sebagai:
Total tokens =
prompt tokens + search-result tokens + completion tokens
Alur kerja pencarian yang lengkap oleh karena itu dapat mencakup:
Initial model request
+ WebSearch tool fee
+ search-result input tokens
+ follow-up model request
+ retries
Ada juga pembatasan model penting. WebSearch bawaan Moonshot mengharuskan Thinking dinonaktifkan, sementara K2.7 Code tidak mendukung mode non-thinking. Contoh WebSearch resmi karena itu menggunakan K2.6 dengan Thinking dinonaktifkan.
Untuk pencarian bawaan Moonshot, gunakan K2.6 atau K2.5 dengan Thinking dinonaktifkan.
Agen pengodean K2.7 tetap dapat memanggil layanan pencarian yang diimplementasikan secara independen melalui function calling normal. Dalam kasus tersebut, harga pencarian ditentukan oleh penyedia eksternal, bukan biaya bawaan Moonshot sebesar $0.005.
Contoh 1: Biaya K2.7 Code untuk Tugas Pengodean
Misalkan alur kerja agen pengodean menggunakan:
- 30,000 token input cache miss
- 8,000 token output, termasuk penalaran
- tidak ada panggilan WebSearch bawaan
K2.7 Code Standar
| Komponen | Perhitungan | Biaya |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.95 | $0.03 |
| Output | 8,000 ÷ 1M × $4.00 | $0.03 |
| Total | $0.06 |
K2.7 Code HighSpeed
| Komponen | Perhitungan | Biaya |
|---|---|---|
| Input | 30,000 ÷ 1M × $1.90 | $0.06 |
| Output | 8,000 ÷ 1M × $8.00 | $0.06 |
| Total | $0.12 |
Untuk penggunaan token yang sama, HighSpeed biayanya tepat dua kali lipat.
CometAPI K2.7 Code
Menggunakan tarif CometAPI saat ini:
| Komponen | Perhitungan | Biaya |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.76 | $0.02 |
| Output | 8,000 ÷ 1M × $3.19998 | Kira-kira $0.0256 |
| Total | Kira-kira $0.0484 |
Itu sekitar 20% di bawah biaya token cache miss Moonshot sebesar $0.0605 pada contoh ini. Perhitungan mengecualikan pajak, alat eksternal, dan layanan platform lainnya.
Contoh 2: K2.6 dengan WebSearch Bawaan
Misalkan alur kerja K2.6 dengan Thinking dinonaktifkan menggunakan:
- total 30,000 token input cache miss di seluruh alur
- 8,000 token output
- satu panggilan WebSearch bawaan yang berhasil
30,000 token input mencakup konten hasil pencarian yang dibawa ke permintaan lanjutan.
| Komponen | Perhitungan | Biaya |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.95 | 0.0285 |
| Output | 8,000 ÷ 1M × $4.00 | 0.0320 |
| WebSearch | 1 × $0.005 | 0.0050 |
| Total | 0.0655 |
Dalam contoh ini, biaya WebSearch langsung mewakili sekitar 7.6% dari total. Dalam alur penelitian yang lebih panjang, token yang ditambahkan oleh hasil pencarian dapat berbiaya lebih besar daripada panggilan alatnya sendiri.
Detail Rekayasa yang Dapat Mengubah Tagihan Akhir
K2.7 Code selalu menggunakan mode Thinking
Sumber:* KIMI Thinking Mode Documentation
K2.7 Code mengembalikan error jika Thinking dinonaktifkan. Penalarannya dikembalikan melalui reasoning_content, dan baik penalaran maupun jawaban yang terlihat berkontribusi pada penggunaan token.
Selama panggilan alat multi-langkah, aplikasi harus mempertahankan reasoning_content asisten dalam konteks percakapan. Loop agen yang lebih panjang oleh karena itu dapat meningkatkan penggunaan output saat ini dan penggunaan input di kemudian hari.
max_tokens adalah batas, bukan biaya tetap
Parameter max_tokens mendefinisikan jumlah maksimum yang boleh dihasilkan model. Pengaturan yang lebih tinggi memberi model ruang untuk menyelesaikan penalaran dan responsnya, tetapi alokasi penuh tidak otomatis ditagihkan.
Biaya didasarkan pada token yang benar-benar diproses dan dihasilkan.
Beberapa parameter permintaan bersifat tetap
K2.7 Code memerlukan nilai tetap untuk beberapa parameter:
| Parameter | Nilai wajib |
|---|---|
| temperature | 1 |
| top_p | 0.95 |
| n | 1 |
| presence_penalty | 0 |
| frequency_penalty | 0 |
Mengirim nilai lain dapat mengembalikan error. Aplikasi yang menggunakan wrapper kompatibel OpenAI yang sama di beberapa penyedia harus memeriksa default yang di-hardcode sebelum mengganti model.
Untuk panduan integrasi praktis, lihat Cara Menggunakan Kimi K2.7 Code API dengan CometAPI.
Adopsi Eksternal dan Sinyal dari Pengembang
GitHub Copilot
GitHub membuat Kimi K2.7 Code tersedia secara umum di Copilot pada 1 Juli 2026, menyebutnya sebagai model open-weight pertama yang ditawarkan di pemilih model Copilot. Ketersediaan awal mencakup paket individual dan diperluas ke paket Business dan Enterprise pada 7 Juli.
Adopsi GitHub adalah sinyal distribusi yang berguna, tetapi tidak membuktikan bahwa K2.7 akan mengungguli model lain pada setiap beban kerja pengodean.
Sumber eksternal:
Ekosistem penerapan open-weight
Moonshot menerbitkan Kimi K2.7 Code di Hugging Face di bawah lisensi MIT yang dimodifikasi. Kartu modelnya menjelaskan arsitektur mixture-of-experts dengan 1 triliun parameter, 32 miliar parameter yang diaktifkan, dan jendela konteks 256K. Ini juga menyertakan instruksi penerapan untuk kerangka seperti Transformers, vLLM, dan SGLang.
Moonshot melaporkan penggunaan token thinking sekitar 30% lebih rendah daripada K2.6 dan peningkatan kemampuan agen sekitar 10%. Ini adalah hasil yang dilaporkan vendor dan harus divalidasi menggunakan beban kerja independen.
Lihat kartu model Kimi K2.7 Code di Hugging Face untuk detail arsitektur dan penerapan.
Diskusi komunitas pengembang
Diskusi di Hacker News lebih beragam daripada materi peluncuran. Beberapa pengembang fokus pada ketersediaan open-weight Kimi, efisiensi token, dan integrasi dengan alat agen pengodean. Yang lain berargumen bahwa harga token yang lebih rendah tidak menjamin biaya proyek lebih rendah jika model memerlukan lebih banyak retry, supervisi, atau konteks.
Perdebatan itu mendukung rekomendasi utama panduan ini: bandingkan model menggunakan repositori nyata dan ukur penyelesaian tugas, retry, dan edit manusia—bukan hanya tarif token yang diiklankan.
Lihat diskusi Kimi K2.7 Code di Hacker News.
Harga API GPT vs Claude vs Kimi vs DeepSeek
Tabel di bawah membandingkan tarif API standar saat ini untuk Kimi K2.7 Code, DeepSeek V4 Pro, Claude Sonnet 5, dan GPT-5.6 Sol per 13 Juli 2026.
| Penyedia | Model | Input standar | Input cache atau read | Output | Catatan | Harga CometAPI |
|---|---|---|---|---|---|---|
| Moonshot AI | Kimi K2.7 Code | $0.95 / 1M | $0.19 / 1M | $4.00 / 1M | Harga promosi | $0.76 input / ~$3.20 output |
| DeepSeek | DeepSeek V4 Pro | $0.435 / 1M cache miss | $0.003625 / 1M | $0.87 / 1M | konteks 1M | $0.416 input / $0.832 output |
| Anthropic | Claude Sonnet 5 | $2.00 / 1M | $0.20 / 1M cache read | $10.00 / 1M | Harga perkenalan hingga 31 Agustus 2026 | $1.60 input / $8.00 output |
| OpenAI | GPT-5.6 Sol | $5.00 / 1M | $0.50 / 1M | $30.00 / 1M | Harga konteks pendek standar | $4.00 input / $24.00 output |
Referensi harga resmi:
DeepSeek V4 Pro saat ini mencantumkan jendela konteks 1M dengan input cache hit $0.003625, input cache miss $0.435, dan output $0.87 per juta token.
Tarif perkenalan Claude Sonnet 5 adalah $2 per juta token input, $0.20 per juta token cache read, dan $10 per juta token output hingga 31 Agustus 2026. Cache write dihargai terpisah, dan Anthropic mencatat bahwa tokenizer model yang lebih baru dapat menghasilkan lebih banyak token untuk teks yang sama dibandingkan model Claude sebelumnya.
Tarif konteks pendek standar GPT-5.6 Sol adalah $5 per juta token input, $0.50 per juta token input yang di-cache, dan $30 per juta token output. OpenAI juga mencantumkan tarif terpisah untuk cache write, konteks panjang, Batch, Flex, dan Priority.
Pada tarif token yang tercantum, Kimi K2.7 Code lebih murah daripada Claude Sonnet 5 dan GPT-5.6 Sol, sementara DeepSeek V4 Pro lebih murah. Ini tidak menetapkan model mana yang menawarkan biaya terendah untuk alur kerja pengodean tertentu.
Harus Menggunakan Model Kimi yang Mana?
| Beban kerja | Titik awal yang direkomendasikan |
|---|---|
| Edit repositori dan tugas pengodean panjang | kimi-k2.7-code |
| Pengodean interaktif saat latensi penting | kimi-k2.7-code-highspeed |
| Penalaran multimodal umum dan agen | kimi-k2.6 |
| WebSearch bawaan Moonshot | kimi-k2.6 atau kimi-k2.5 dengan Thinking dinonaktifkan |
| Beban kerja umum berbiaya lebih rendah | kimi-k2.5 |
| Evaluasi offline dan pemrosesan massal | Batch API |
K2.7 Code adalah titik awal alami untuk pekerjaan pengodean yang sensitif terhadap kualitas. HighSpeed layak diuji saat respons yang lebih cepat meningkatkan pengalaman pengembang, konversi, atau throughput.
K2.6 lebih fleksibel untuk alur kerja multimodal umum dan berbasis pencarian, sementara K2.5 memiliki tarif token Kimi standar terendah.
Cara Mengevaluasi Biaya Sebenarnya
Bangun set evaluasi dari tugas produksi daripada hanya mengandalkan tolok ukur publik.
Kasus uji yang berguna meliputi:
- implementasi fitur tingkat repositori
- tinjauan pull request
- debugging dan pembuatan tes
- analisis kode konteks panjang
- panggilan alat multi-langkah
- dukungan pengembang berbasis pencarian
Lacak:
- penyelesaian tugas yang berhasil
- rasio cache hit
- token input dan output
- volume token penalaran
- keberhasilan panggilan alat
- jumlah retry
- latensi p50 dan p95
- koreksi manusia
- total biaya alur kerja
Hitung:
Cost per completed task =
total workflow cost ÷ successfully completed tasks
Misalnya, jika sebuah tim menghabiskan $10 dan berhasil menyelesaikan 80 tugas:
Cost per completed task = $10 ÷ 80 = $0.125
Model dengan token lebih murah tetap bisa berbiaya lebih tinggi jika memerlukan percobaan berulang, penalaran lebih panjang, atau koreksi manual yang ekstensif.
Untuk contoh routing, fallback, dan evaluasi, jelajahi CometAPI Cookbook.
Pertanyaan yang Sering Diajukan
Berapa biaya Kimi K2.7 Code?
Moonshot saat ini mencantumkan K2.7 Code pada:
- $0.19 per 1M token input cache hit
- $0.95 per 1M token input cache miss
- $4.00 per 1M token output
Tarif saat ini diberi tanda sebagai harga promosi terbatas.
Berapa biaya K2.7 Code melalui CometAPI?
CometAPI saat ini mencantumkan K2.7 Code pada $0.76 per 1M token input dan $3.19998 per 1M token output.
Harga cache hit terpisah tidak ditampilkan pada halaman model.
Apakah Kimi Batch API mengurangi biaya, dan apakah mendukung K2.7 Code?
Ya. Inferensi Batch berharga 60% dari harga real-time, setara dengan penghematan 40%.
Dokumentasi Batch Moonshot saat ini mencantumkan K2.7 Code, K2.6, dan K2.5 sebagai model yang didukung.
Berapa biaya Kimi WebSearch?
$web_search bawaan Moonshot berharga $0.005 per panggilan yang berhasil.
Konten hasil pencarian juga dapat ditagih sebagai token input saat disertakan dalam permintaan model berikutnya.
Bisakah Thinking dinonaktifkan pada K2.7 Code?
Tidak. Permintaan yang menonaktifkan Thinking akan mengembalikan error.
Apakah Kimi kompatibel dengan OpenAI?
Ya. Moonshot mendokumentasikan kompatibilitas dengan format API OpenAI, meskipun pembatasan spesifik model tetap berlaku untuk Thinking, parameter, dan panggilan alat multi-langkah.
Uji Kimi K2.7 Code dengan CometAPI
Kimi K2.7 Code menawarkan harga yang kompetitif untuk beban kerja agen pengodean, tetapi rute terbaik bergantung pada lebih dari sekadar tarif token yang diiklankan.
Sebelum memilih penyedia, bandingkan:
Total workflow cost =
tokens + retries + tools + latency + human correction
CometAPI memungkinkan pengembang menguji Kimi bersama GPT, Claude, Gemini, DeepSeek, Grok, dan keluarga model lainnya melalui alur API terpadu.
Tinjau harga CometAPI terbaru, buka halaman model Kimi K2.7 Code, dan benchmark model menggunakan tugas nyata dari repositori Anda sendiri.
Tujuannya bukan sekadar menemukan token termurah. Tujuannya adalah menemukan biaya terendah per tugas terselesaikan.