TLDR Moonshot AI rekent momenteel voor Kimi K2.7 Code $0.19 per 1M cache-hit invoertokens, $0.95 per 1M cache-miss invoertokens en $4.00 per 1M uitvoertokens. Kimi K2.7 Code HighSpeed verdubbelt die tarieven naar $0.38 / $1.90 / $8.00.
De belangrijkste kostenfactoren zijn:
- Caching: Moonshots K2.7 cache-hit input is 80% goedkoper dan cache-miss input.
- HighSpeed: De snellere route kost op tokenniveau het dubbele.
- Batch API: Ondersteunde modellen kosten 60% van de real-time tarieven, gelijk aan 40% besparing.
- WebSearch: Moonshot rekent $0.005 per geslaagde ingebouwde zoekoproep, plus de tokens die nodig zijn voor het verwerken van zoekresultaten.
- Compatibiliteit: K2.7 Code vereist Thinking-modus, terwijl Moonshots ingebouwde WebSearch vereist dat Thinking is uitgeschakeld.
Voor code-agents is de nuttigste metriek niet de prijs per miljoen tokens, maar de kosten per afgeronde taak, inclusief redenering, caching, retries, tool-calls, latentie en menselijke correcties.
Kimi K2 API-prijzen in één oogopslag
bron: Kimi K2.7 Code-prijzen
| Model of route | Cache-hit input | Cache-miss of standaard input | Output | Context |
|---|---|---|---|---|
| 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 | Niet apart vermeld | $0.76 / 1M | Ca. $3.20 / 1M | 256K |
Moonshots K2.7-tarieven zijn momenteel promotioneel. Moonshot en CometAPI hanteren ook verschillende input-billings, dus hun vermelde tarieven zijn niet direct uitwisselbaar.
Uitleg prijsstelling Moonshot Kimi K2
K2.7 Code en K2.6 delen dezelfde input- en outputprijzen voor cache-miss. De belangrijkste verschillen op tokenniveau zijn dat K2.7 Code iets meer rekent voor gecachte input, terwijl HighSpeed alle K2.7-tarieven verdubbelt.
| Model | Het beste geschikt voor |
|---|---|
| kimi-k2.7-code | Code-agents, repository-edits en langlopende engineeringtaken |
| kimi-k2.7-code-highspeed | Interactief coderen waar lagere latentie meetbare waarde heeft |
| kimi-k2.6 | Algemene multimodale redenering, agents en ingebouwde WebSearch |
| kimi-k2.5 | Lagere-kosten algemene en multimodale workloads |
Moonshot beschrijft HighSpeed als hetzelfde onderliggende K2.7 Code-model via een snellere route. De gedocumenteerde uitvoersnelheid is circa 180 tokens per seconde, oplopend tot 260 tokens per seconde bij kortere context. Capaciteit kan fluctueren terwijl Moonshot opschaalt.
HighSpeed is daarom primair een latentie-keuze in plaats van een afzonderlijke kwaliteitslaag van het model.
Een alternatief voor de directe Moonshot API: CometAPI
Ontwikkelaars kunnen Kimi K2.7 Code rechtstreeks via Moonshot AI benaderen of via CometAPI’s OpenAI-compatibele API.
| Toegangsroute | Standaard input | Gecachte input | Output |
|---|---|---|---|
| Moonshot directe API | $0.95 / 1M cache miss | $0.19 / 1M | $4.00 / 1M |
| CometAPI | $0.76 / 1M | Niet apart vermeld | Ca. $3.20 / 1M |
De vermelde standaard input- en outputprijzen van CometAPI liggen circa 20% lager, terwijl Moonshot kostenefficiënter kan zijn voor workloads met een hoge cache-hit ratio.
Kies CometAPI als je één API voor Kimi en andere modelproviders wilt. Kies directe toegang tot Moonshot als je workflow vaak dezelfde prompts of repositorycontext hergebruikt.
bron: Kimi K2.7 Code-prijs op CometAPI
Tegen de momenteel vermelde tarieven is CometAPI ongeveer 20% goedkoper dan de cache-miss input- en outputprijzen van Moonshot.
CometAPI toont echter geen aparte cache-hit prijs op de K2.7-modelpagina. De $0.76 standaard input-prijs moet niet rechtstreeks worden vergeleken met Moonshots $0.19 gecachte-input tarief.
Teams die herhaaldelijk lange systeem-prompts, tooldefinities of repositorycontext hergebruiken, zouden beide routes moeten testen met hun daadwerkelijke verkeer. Een workload met een zeer hoge cache-hit ratio kan een ander resultaat opleveren dan een workload die vooral nieuwe context verstuurt.
Bekijk de laatste Kimi K2.7 Code-prijs op CometAPI of vergelijk beschikbare modellen op de CometAPI-prijzenpagina.
Hoe context-caching de Kimi API-kosten verandert
Kimi factureert invoertokens als cache hits of cache misses.
Cache misses omvatten doorgaans nieuwe of gewijzigde content, zoals:
- nieuwe repository-bestanden
- bijgewerkte instructies
- nieuwe toolresultaten
- veranderende gespreksgeschiedenis
Cache hits kunnen terugkerende content omvatten, zoals stabiele systeem-prompts, toolschema’s, codeerconventies en ongewijzigde repositorycontext.
Voor K2.7 Code kost gecachte input $0.19 per 1M tokens tegenover $0.95 voor ongecachte input. Dat maakt een cache-hit token 80% goedkoper.
Bereken de twee categorieën apart:
Input cost =
(cache-hit tokens ÷ 1,000,000 × cache-hit price)
+
(cache-miss tokens ÷ 1,000,000 × cache-miss price)
Voorbeeld caching-kosten
Stel één workflow-proces:
- 800,000 cache-hit tokens
- 200,000 cache-miss tokens
| Tokencategorie | Berekening | Kosten |
|---|---|---|
| Cache hit | 800,000 ÷ 1M × $0.19 | $0.15 |
| Cache miss | 200,000 ÷ 1M × $0.95 | $0.19 |
| Totale inputkosten | $0.152 + $0.190 | $0.34 |
Diezelfde 1M tokens volledig tegen het cache-miss tarief berekenen zou $0.95 kosten. In dit voorbeeld verlaagt het gemengde cacheprofiel de inputkosten met $0.608.
Daarom moeten productiedashboards cache-hit en cache-miss tokens apart registreren in plaats van alleen totale input te rapporteren.
Kimi Batch API-prijzen
Moonshots Batch API rekent 60% van de overeenkomstige real-time modelprijs, wat teams 40% besparing geeft op ondersteunde asynchrone workloads. De huidige documentatie vermeldt K2.7 Code, K2.6 en K2.5 als ondersteunde Batch-modellen.
| Batch-model | Cache-hit input | Cache-miss input | 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 is geschikt voor:
- repository-brede code-analyse
- grote evaluatieruns
- offline classificatie
- nachtelijke verrijking
- synthetische testgeneratie
- migratie-analyse
- security-review backlogs
Minder geschikt voor IDE-assistenten, live chat en andere workflows waarbij een gebruiker op een direct antwoord wacht.
Voor achtergrondverwerking kan de 40% besparing waardevoller zijn dan overschakelen naar een goedkoper model met een lagere taak-voltooiingsgraad.
Kimi WebSearch-prijzen en compatibiliteit
Moonshot rekent $0.005 voor elke geslaagde ingebouwde $web_search -oproep. Er wordt geen aparte tool-fee in rekening gebracht wanneer het model eindigt zonder de zoektool te triggeren.
Zoekresultaatcontent kan ook aan het volgende modelverzoek worden toegevoegd en gefactureerd als invoertokens. Moonshot definieert de resulterende tokencalculatie als:
Total tokens =
prompt tokens + search-result tokens + completion tokens
Een complete zoek-workflow kan daarom omvatten:
Initial model request
+ WebSearch tool fee
+ search-result input tokens
+ follow-up model request
+ retries
Er is ook een belangrijke modelbeperking. Moonshots ingebouwde WebSearch vereist dat Thinking is uitgeschakeld, terwijl K2.7 Code geen niet-thinking modus ondersteunt. Het officiële WebSearch-voorbeeld gebruikt daarom K2.6 met Thinking uitgeschakeld.
Voor Moonshots ingebouwde zoekfunctie, gebruik K2.6 of K2.5 met Thinking uitgeschakeld.
Een K2.7 code-agent kan nog steeds een onafhankelijk geïmplementeerde zoekdienst aanroepen via normale function calling. In dat geval wordt de zoekprijs bepaald door de externe provider in plaats van Moonshots ingebouwde fee van $0.005.
Voorbeeld 1: K2.7 Code-kosten voor een codetaak
Stel dat een code-agent workflow gebruikt:
- 30,000 cache-miss invoertokens
- 8,000 uitvoertokens, inclusief redenering
- geen ingebouwde WebSearch-call
Standaard K2.7 Code
| Component | Berekening | Kosten |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.95 | $0.03 |
| Output | 8,000 ÷ 1M × $4.00 | $0.03 |
| Totaal | $0.06 |
K2.7 Code HighSpeed
| Component | Berekening | Kosten |
|---|---|---|
| Input | 30,000 ÷ 1M × $1.90 | $0.06 |
| Output | 8,000 ÷ 1M × $8.00 | $0.06 |
| Totaal | $0.12 |
Voor hetzelfde tokenverbruik kost HighSpeed precies twee keer zoveel.
CometAPI K2.7 Code
Gebruikmakend van de huidige CometAPI-tarieven:
| Component | Berekening | Kosten |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.76 | $0.02 |
| Output | 8,000 ÷ 1M × $3.19998 | Ca. $0.0256 |
| Totaal | Ca. $0.0484 |
Dat ligt ongeveer 20% onder de $0.0605 Moonshot cache-miss tokencost in dit voorbeeld. De berekening is exclusief belastingen, externe tools en andere platformdiensten.
Voorbeeld 2: K2.6 met ingebouwde WebSearch
Stel een K2.6-workflow met Thinking uitgeschakeld gebruikt:
- 30,000 cache-miss invoertokens over de complete workflow
- 8,000 uitvoertokens
- één geslaagde ingebouwde WebSearch-call
De 30,000 invoertokens omvatten zoekresultaatcontent die wordt meegenomen in het vervolgverzoek.
| Component | Berekening | Kosten |
|---|---|---|
| Input | 30,000 ÷ 1M × $0.95 | 0.0285 |
| Output | 8,000 ÷ 1M × $4.00 | 0.0320 |
| WebSearch | 1 × $0.005 | 0.0050 |
| Totaal | 0.0655 |
In dit voorbeeld vertegenwoordigt de directe WebSearch-fee ongeveer 7.6% van het totaal. In langere research-workflows kunnen de tokens die door de zoekresultaten worden toegevoegd meer kosten dan de tool-call zelf.
Engineeringdetails die de eindafrekening kunnen veranderen
K2.7 Code gebruikt altijd Thinking-modus
Bron:* KIMI Thinking Mode-documentatie
K2.7 Code geeft een fout als Thinking is uitgeschakeld. De redenering wordt teruggegeven via reasoning_content, en zowel de redenering als het zichtbare antwoord tellen mee voor het tokenverbruik.
Tijdens multi-step tool-calls moeten applicaties de reasoning_content van de assistant behouden in de conversatiecontext. Langere agent-loops kunnen daarom zowel het huidige outputverbruik als het latere inputverbruik verhogen.
max_tokens is een limiet, geen vaste kostenpost
De parameter max_tokens definieert de maximale hoeveelheid die het model mag genereren. Een hogere instelling geeft het model genoeg ruimte om zijn redenering en antwoord te voltooien, maar de volledige marge wordt niet automatisch gefactureerd.
Kosten zijn gebaseerd op daadwerkelijk verwerkte en gegenereerde tokens.
Verschillende request-parameters zijn vast
K2.7 Code vereist vaste waarden voor verschillende parameters:
| Parameter | Vereiste waarde |
|---|---|
| temperature | 1 |
| top_p | 0.95 |
| n | 1 |
| presence_penalty | 0 |
| frequency_penalty | 0 |
Een andere waarde doorgeven kan een fout retourneren. Applicaties die dezelfde OpenAI-compatibele wrapper gebruiken over meerdere providers moeten hardgecodeerde defaults controleren voordat ze van model wisselen.
Voor een praktische integratie-walkthrough, zie How to Use Kimi K2.7 Code API with CometAPI.
Externe adoptie en signalen van ontwikkelaars
Officiële prijsdocumentatie legt uit hoe het model wordt gefactureerd. Externe adoptie geeft extra context over waar het wordt gebruikt en hoe ontwikkelaars het evalueren.
GitHub Copilot
GitHub maakte Kimi K2.7 Code algemeen beschikbaar in Copilot op 1 juli 2026, en beschreef het als het eerste open-weight model dat in de Copilot model picker wordt aangeboden. Beschikbaarheid gold aanvankelijk voor individuele plannen en werd op 7 juli uitgebreid naar Business- en Enterprise-plannen.
GitHubs adoptie is een nuttig distributiesignaal, maar bewijst niet dat K2.7 andere modellen op elke coding-workload zal overtreffen.
Externe bronnen:
- Kimi K2.7 Code is generally available in GitHub Copilot
- Kimi K2.7 for Copilot Business and Enterprise
Open-weight deployment-ecosysteem
Moonshot publiceert Kimi K2.7 Code op Hugging Face onder een aangepaste MIT-licentie. De modelkaart beschrijft een mixture-of-experts-architectuur met 1 biljoen parameters, 32 miljard geactiveerde parameters en een 256K contextvenster. Het bevat ook implementatie-instructies voor frameworks zoals Transformers, vLLM en SGLang.
Moonshot rapporteert circa 30% lager verbruik van thinking-tokens dan K2.6 en een verbetering van 10% in agent-capability. Dit zijn door de leverancier gerapporteerde resultaten en moeten worden gevalideerd met onafhankelijke workloads.
Zie de Kimi K2.7 Code-modelkaart op Hugging Face voor architectuur- en implementatiedetails.
Discussie in de ontwikkelaarscommunity
Discussie op Hacker News is gemengder dan de lanceringsmateriaal. Sommige ontwikkelaars focussen op Kimi’s open-weight beschikbaarheid, tokenefficiëntie en integratie met tools voor code-agents. Anderen beweren dat een lagere tokenprijs niet garant staat voor lagere projectkosten als het model meer retries, supervisie of context vereist.
Dat debat ondersteunt de centrale aanbeveling van deze gids: vergelijk modellen met echte repositories en meet taakvoltooiing, retries en menselijke edits—niet alleen de geadverteerde tokentarieven.
Zie de Kimi K2.7 Code-discussie op Hacker News.
GPT vs Claude vs Kimi vs DeepSeek API-prijzen
De onderstaande tabel vergelijkt de huidige standaard API-tarieven voor Kimi K2.7 Code, DeepSeek V4 Pro, Claude Sonnet 5 en GPT-5.6 Sol per 13 juli 2026.
| Provider | Model | Standaard input | Gecachte input of read | Output | Opmerkingen | CometAPI-prijs |
|---|---|---|---|---|---|---|
| Moonshot AI | Kimi K2.7 Code | $0.95 / 1M | $0.19 / 1M | $4.00 / 1M | Promotionele prijzen | $0.76 input / ~$3.20 output |
| DeepSeek | DeepSeek V4 Pro | $0.435 / 1M cache miss | $0.003625 / 1M | $0.87 / 1M | 1M context | $0.416 input / $0.832 output |
| Anthropic | Claude Sonnet 5 | $2.00 / 1M | $0.20 / 1M cache read | $10.00 / 1M | Introductietarieven t/m 31 aug. 2026 | $1.60 input / $8.00 output |
| OpenAI | GPT-5.6 Sol | $5.00 / 1M | $0.50 / 1M | $30.00 / 1M | Standaard tarief korte context | $4.00 input / $24.00 output |
Officiële prijsverwijzingen:
DeepSeek V4 Pro vermeldt momenteel een 1M contextvenster met cache-hit input van $0.003625, cache-miss input van $0.435 en output van $0.87 per miljoen tokens.
Claude Sonnet 5’s introductietarief is $2 per miljoen invoertokens, $0.20 per miljoen cache-read tokens en $10 per miljoen uitvoertokens t/m 31 augustus 2026. De cache writes zijn apart geprijsd, en Anthropic merkt op dat de nieuwere tokenizer van het model mogelijk meer tokens produceert voor dezelfde tekst dan eerdere Claude-modellen.
GPT-5.6 Sol’s standaardtarief voor korte context is $5 per miljoen invoertokens, $0.50 per miljoen gecachte input-tokens en $30 per miljoen uitvoertokens. OpenAI vermeldt ook aparte tarieven voor cache-write, long-context, Batch, Flex en Priority.
Tegen de vermelde tokentarieven is Kimi K2.7 Code goedkoper dan Claude Sonnet 5 en GPT-5.6 Sol, terwijl DeepSeek V4 Pro goedkoper is. Dit bepaalt niet welk model de laagste kosten biedt voor een specifieke coding-workflow.
Welk Kimi-model moet je gebruiken?
| Workload | Aanbevolen startpunt |
|---|---|
| Repository-edits en lange coding-taken | kimi-k2.7-code |
| Interactief coderen waar latentie telt | kimi-k2.7-code-highspeed |
| Algemene multimodale redenering en agents | kimi-k2.6 |
| Moonshot ingebouwde WebSearch | kimi-k2.6 of kimi-k2.5 met Thinking uit |
| Lagere-kosten algemene workloads | kimi-k2.5 |
| Offline evaluaties en bulkverwerking | Batch API |
K2.7 Code is het logische startpunt voor kwaliteitsgevoelige coding-werk. HighSpeed is het testen waard wanneer snellere respons de ontwikkelaarservaring, conversie of throughput verbetert.
K2.6 is flexibeler voor algemene multimodale en search-gebonden workflows, terwijl K2.5 de laagste standaard Kimi-tokentarieven heeft.
Hoe de echte kosten te evalueren
Bouw een evaluatieset op basis van productie-taken in plaats van uitsluitend te vertrouwen op publieke benchmarks.
Nuttige testcases zijn onder meer:
- repository-level feature-implementatie
- pull-request review
- debuggen en testgeneratie
- lange-context code-analyse
- multi-step tool-calls
- search-gestuurde developer support
Volg:
- succesvolle taakvoltooiing
- cache-hit ratio
- input- en outputtokens
- volume van thinking-tokens
- succes van tool-calls
- aantal retries
- p50- en p95-latentie
- menselijke correcties
- totale workflowkosten
Bereken:
Cost per completed task =
total workflow cost ÷ successfully completed tasks
Bijvoorbeeld, als een team $10 uitgeeft en 80 taken succesvol voltooit:
Cost per completed task = $10 ÷ 80 = $0.125
Een model met goedkopere tokens kan nog steeds meer kosten als het herhaalde pogingen, langere redenering of uitgebreide handmatige correctie vereist.
Voor routing-, fallback- en evaluatievoorbeelden, bekijk het CometAPI Cookbook.
Veelgestelde vragen
Hoeveel kost Kimi K2.7 Code?
Moonshot vermeldt momenteel voor K2.7 Code:
- $0.19 per 1M cache-hit invoertokens
- $0.95 per 1M cache-miss invoertokens
- $4.00 per 1M uitvoertokens
De tarieven zijn momenteel gemarkeerd als tijdelijke promotionele prijzen.
Hoeveel kost K2.7 Code via CometAPI?
CometAPI vermeldt momenteel K2.7 Code voor $0.76 per 1M invoertokens en $3.19998 per 1M uitvoertokens.
Een apart cache-hit tarief wordt niet op de modelpagina getoond.
Verlaagt de Kimi Batch API de kosten, en ondersteunt het K2.7 Code?
Ja. Batch-inferentie kost 60% van de real-time prijs, gelijk aan 40% besparing.
Moonshots huidige Batch-documentatie vermeldt K2.7 Code, K2.6 en K2.5 als ondersteunde modellen.
Hoeveel kost Kimi WebSearch?
Moonshots ingebouwde $web_search kost $0.005 per geslaagde oproep.
Zoekresultaatcontent kan ook als invoertokens worden gefactureerd wanneer deze wordt opgenomen in het volgende modelverzoek.
Kan Thinking worden uitgeschakeld op K2.7 Code?
Nee. Verzoeken die Thinking uitschakelen geven een fout.
Is Kimi OpenAI-compatibel?
Ja. Moonshot documenteert compatibiliteit met het OpenAI API-formaat, hoewel modelspecifieke beperkingen nog steeds gelden voor Thinking, parameters en multi-step tool-calls.
Test Kimi K2.7 Code met CometAPI
Kimi K2.7 Code biedt competitieve prijzen voor code-agent workloads, maar de beste route hangt van meer af dan het geadverteerde tokentarief.
Vergelijk, voordat je een provider kiest:
Total workflow cost =
tokens + retries + tools + latency + human correction
CometAPI stelt ontwikkelaars in staat Kimi naast GPT, Claude, Gemini, DeepSeek, Grok en andere modelfamilies te testen via een uniforme API-workflow.
Bekijk de laatste CometAPI-prijzen, open de Kimi K2.7 Code-modelpagina, en benchmark het model met echte taken uit je eigen repositories.
Het doel is niet simpelweg de goedkoopste token te vinden. Het is het vinden van de laagste kosten per afgeronde taak.