Kimi K2.7-Code: โมเดลเขียนโค้ด open-weight 1 ล้านล้านพารามิเตอร์จาก Moonshot AI

สนามแข่งโมเดล open-weight (โมเดลที่เปิดให้ดาวน์โหลดน้ำหนักไปรันเองได้) ยังร้อนแรงไม่หยุด เมื่อ Moonshot AI สตาร์ทอัพ AI จากจีนเจ้าของแบรนด์ Kimi ปล่อย Kimi K2.7-Code ออกมาเมื่อ 12 มิถุนายน 2026 — โมเดลเขียนโค้ดขนาด 1 ล้านล้านพารามิเตอร์ ที่เปิด open-weight ให้ดาวน์โหลดได้ฟรีภายใต้ไลเซนส์แบบดัดแปลงจาก MIT

นี่คือรุ่นต่อยอดสายเขียนโค้ดโดยเฉพาะจากตระกูล Kimi K2 ที่ก่อนหน้านี้ก็เป็นที่จับตาในฐานะโมเดล open-weight สาย agent (โมเดลที่ทำงานหลายขั้นตอน เรียกใช้เครื่องมือเอง) และคราวนี้ Moonshot โฟกัสไปที่งานเขียนโค้ดเต็มตัว

เก่งขึ้นแค่ไหนเทียบรุ่นก่อน

ตัวเลขที่ Moonshot ชูคือพัฒนาการจากรุ่น K2.6 อย่างชัดเจน:

• +21.8% บน Kimi Code Bench v2 (ชุดทดสอบเขียนโค้ดของ Moonshot เอง)
• +11.0% บน Program Bench
• +31.5% บน MLS Bench Lite

ที่สำคัญไม่แพ้คะแนนคือ K2.7-Code ใช้ โทเคนคิดวิเคราะห์ (reasoning token) น้อยลงราว 30% เทียบกับรุ่นก่อน — แปลว่าได้คำตอบที่ดีกว่าโดย”คิดสั้นลง” ซึ่งในทางปฏิบัติหมายถึงเร็วขึ้นและถูกลงต่อหนึ่งงาน เพราะยิ่งโมเดลเผาโทเคนระหว่างคิดมาก ก็ยิ่งช้าและแพง

จุดน่าสนใจไม่ใช่แค่ “เก่งขึ้น” แต่คือ “เก่งขึ้นทั้งที่ใช้ทรัพยากรน้อยลง” — ทิศทางที่ถูกต้องของโมเดลยุคนี้

เบื้องหลังสถาปัตยกรรม

K2.7-Code วางอยู่บนรากฐานเดียวกับ Kimi K2.6 ที่เปิดตัวเมื่อเมษายน 2026 — เป็นโมเดลแบบ MoE (Mixture of Experts — เลือกเปิดใช้เฉพาะส่วนที่เกี่ยวข้องกับงาน) ขนาดรวม 1 ล้านล้านพารามิเตอร์ แต่เปิดใช้งานจริงต่อโทเคนเพียงราว 32 พันล้าน ทำให้ต้นทุนการรันต่ำกว่าตัวเลขรวมจะบอกมาก

จุดเด่นที่สืบทอดมาจากตระกูล K2 คือแนวคิด Agent Swarm — ความสามารถในการกระจายงานออกเป็นซับเอเจนต์จำนวนมาก (รุ่นก่อนเคลมได้ถึงราว 300 ตัว ทำงานประสานกันได้หลายพันขั้นตอน) ซึ่งเหมาะกับงานเขียนโค้ดที่ต้องวางแผนยาว แตกงานเป็นย่อย ๆ แล้วทำทีละสเต็ป ไม่ใช่แค่เติมโค้ดให้บรรทัดเดียว

รุ่นใหม่นี้ยังเพิ่ม HighSpeed Mode เป็นทางเลือกสำหรับคนที่อยากได้คำตอบไว ๆ โดยยอมแลกความละเอียดของการคิดบางส่วน

ราคาและการเข้าถึง

แม้จะเป็นโมเดล open-weight แต่คนส่วนใหญ่จะเริ่มจากการเรียกผ่าน API ก่อน ซึ่ง Moonshot ตั้งราคาช่วงเปิดตัวไว้ที่:

• 0.95 ดอลลาร์ต่อล้านโทเคนขาเข้า
• 4.00 ดอลลาร์ต่อล้านโทเคนขาออก

ถือว่าอยู่ในเกณฑ์แข่งขันได้เมื่อเทียบกับโมเดลปิดระดับเดียวกัน และตัวน้ำหนักโมเดลขึ้นบน Hugging Face แล้วภายใต้ไลเซนส์ Modified MIT ที่ค่อนข้างเปิดกว้างต่อการใช้งานเชิงพาณิชย์ — เป็นจุดที่นักพัฒนาชอบ เพราะเอาไปต่อยอดได้อิสระกว่าหลายโมเดลที่มีเงื่อนไขจุกจิก

ข้อแม้สำคัญ: รันเองไม่ง่ายอย่างที่คิด

ตรงนี้คือส่วนที่ต้องอ่านก่อนตื่นเต้นเกินไป — “open-weight” ไม่ได้แปลว่า “รันบนเครื่องที่บ้านได้”

โมเดล 1 ล้านล้านพารามิเตอร์ตัวนี้ แม้จะ quantize (บีบอัดความละเอียดตัวเลขเพื่อลดขนาด) แล้ว ก็ยังกินพื้นที่ระดับ หลายร้อยกิกะไบต์ — มีรายงานว่าไฟล์น้ำหนักอยู่ในระดับราว 340GB ซึ่งไกลเกินกว่าโน้ตบุ๊กหรือพีซีทั่วไปจะรับไหว การรันเองจริง ๆ ต้องใช้เครื่องระดับเซิร์ฟเวอร์ที่มี VRAM สูงมากหรือการ์ดหลายใบต่อกัน

“open-weight” กับ “รันที่บ้านได้” เป็นคนละเรื่องกัน — โมเดลยักษ์แบบนี้เปิดให้องค์กรและนักวิจัยเอาไปโฮสต์เอง ไม่ใช่ของที่เสียบโน้ตบุ๊กแล้วรันได้

อีกข้อที่ควรรู้คือ Moonshot ยังไม่ได้ส่งผลทดสอบให้หน่วยงานวัดผลอิสระตรวจสอบ คะแนน benchmark ที่อ้างจึงเป็นตัวเลขที่ผู้ผลิตรันเอง ซึ่งในอดีตหลายครั้งตัวเลขจากผู้ผลิตมักสูงกว่าผลที่ผู้ใช้เจอจริง — ควรรอผลทดสอบจากภายนอกมายืนยันก่อนปักใจเชื่อทั้งหมด

ความหมายต่อสาย Local AI และนักพัฒนาไทย

ถึงตัวโมเดลจะใหญ่เกินรันที่บ้าน แต่ภาพรวมยังเป็นข่าวดีต่อคนที่อยากคุมข้อมูลเอง เพราะ “open-weight + ไลเซนส์เชิงพาณิชย์ที่ใจกว้าง” หมายความว่าองค์กรที่มีเครื่องแรงพอ สามารถเอาโมเดลเขียนโค้ดระดับนี้ไปโฮสต์ภายในเครือข่ายตัวเองได้ โดยซอร์สโค้ดไม่ต้องวิ่งออกไปหา API ของเจ้าใหญ่ที่ไหนเลย

สำหรับนักพัฒนาไทยที่ยังไม่มีเครื่องระดับนั้น ทางที่จับต้องได้กว่าคือเรียกผ่าน API ในราคาที่ถูกลงเรื่อย ๆ หรือรอเวอร์ชันกลั่น (distilled — ย่อโมเดลใหญ่ให้เล็กลงโดยพยายามรักษาความสามารถ) ที่มักตามมาทีหลัง ซึ่งจะเปิดทางให้รันบนเครื่องเล็กได้จริง

ภาพใหญ่ของปี 2026 ชัดเจน — ช่องว่างระหว่างโมเดล open-weight กับโมเดลปิดในงานเขียนโค้ดกำลังแคบลงเร็วมาก และการแข่งขันรอบนี้คนที่ได้ประโยชน์สุดคือผู้ใช้

แม้ต้องรอผลทดสอบอิสระมายืนยัน แต่ทิศทางก็ไม่ต่างจากที่เห็นมาทั้งปี — โลกโมเดล open-weight เดินเร็ว ออกรุ่นใหม่กันแทบทุกไม่กี่วัน และตัวเลือกสำหรับคนที่อยากเป็นเจ้าของ AI เขียนโค้ดของตัวเองก็มีมากขึ้นทุกที