Kimi K2.7 Code nu kiesbaar in GitHub Copilot: eerste open-weight model in de modelkeuze

GitHub heeft op 1 juli het codeermodel Kimi K2.7 Code van het Chinese Moonshot AI algemeen beschikbaar gemaakt in de modelkeuze van GitHub Copilot. Het is de eerste keer dat ontwikkelaars op de meest gebruikte AI-codeerassistent ter wereld een model kunnen kiezen waarvan de volledige gewichten openbaar te downloaden zijn. Voor Nederlandse devteams betekent dat concreet: een fors goedkoper alternatief dat vandaag in dezelfde vertrouwde omgeving klaarstaat, zonder dat je iets aan je tooling hoeft te veranderen.

De overstap van open-weight-release naar enterprise-platform ging opvallend snel. Tussen het moment dat Moonshot de gewichten van K2.7 Code op Hugging Face publiceerde en GitHub het model selecteerbaar maakte in Copilot zaten volgens de analyse van Tech Times negentien dagen, een van de snelste transities op record. De Copilot-modelkeuze telt daarmee nu vijf onafhankelijke AI-labs: OpenAI, Anthropic, Google, Microsoft en Moonshot AI, en is het enige grote codeergereedschap dat onder een enkel abonnement over vijf aanbieders routeert.

Welke abonnementen toegang krijgen, en wat het kost

De uitrol begint bij de individuele abonnementen: Copilot Pro, Pro+ en Max krijgen K2.7 Code stapsgewijs in de modelkeuze, bereikbaar in Visual Studio Code 1.127.0 of nieuwer, Visual Studio 17.14.6 of nieuwer, JetBrains 1.9.1-251 of nieuwer, Xcode, Eclipse, de Copilot CLI, GitHub.com en GitHub Mobile. Voor Business- en Enterprise-abonnementen breidt de toegang de komende weken uit, maar daar staat het model standaard uit: een beheerder moet de Kimi-policy eerst expliciet aanzetten in de Copilot-instellingen voordat iemand in de organisatie het kan kiezen.

De prijs is het echte verkoopargument. K2.7 Code wordt afgerekend via het AI Credit-systeem dat GitHub op 1 juni invoerde (een credit staat gelijk aan 0,01 dollar), tegen de list-prijs van de aanbieder, en valt daarmee in een lagere kostenklasse dan de frontier-modellen die nu in Copilot zitten. Er is geen nieuw of duurder abonnement voor nodig. GitHub zelf omschrijft het model op basis van eigen eerste tests als een goedkopere optie met prestaties vergelijkbaar met populaire frontier-modellen.

Waarom een biljoen-parametermodel toch goedkoop is

Die lage prijs is geen subsidie maar een architectuurkeuze. K2.7 Code is een Mixture-of-Experts-model met 1 biljoen parameters in totaal, maar activeert er per token slechts 32 miljard: uit een pool van 384 gespecialiseerde experts kiest een router er acht plus een gedeelde expert. Elke inferentie rekent daardoor als een dicht 32-miljard-model, terwijl het de representatiekracht van het volledige biljoen behoudt. Het model heeft een contextvenster van 256.000 tokens en draait met een verplichte denk-modus die volgens Moonshot ongeveer 30 procent minder redeneertokens verbruikt dan de voorganger K2.6, wat de kosten per taak in agentische workflows direct drukt.

Dit is niet de eerste keer dat we Kimi K2.7 Code tegenkomen. De modellancering zelf beschreven we eerder in het open codeermodel dat met lagere tokenprijzen onder GPT-5.5 en Claude dook; dit stuk gaat over de volgende stap, de distributie via Copilot. Wil je breder afwegen wanneer een open-weight model bij je past en wanneer een cloud-API goedkoper blijft, dan helpt onze keuzegids voor open-weight AI-modellen met een eigen mini-benchmark en kosten per taak.

De adder onder het gras: een Beijing-model in je editor

Goedkoop en direct bruikbaar, maar niet zonder afweging. GitHub zet er een uitgesproken waarschuwing bij: K2.7 Code is volgens de eigen documentatie van GitHub een open-weight model dat minder gealigneerd kan zijn dan andere Copilot-modellen, met een verhoogd risico op schadelijke output, al blijft de standaard contentfiltering van GitHub van kracht. Zwaarder weegt de juridische kant: Moonshot AI is een Chinees bedrijf en valt onder de Chinese National Intelligence Law uit 2017, die organisaties verplicht mee te werken aan inlichtingenwerk. Je prompts routeren in Copilot niet naar de servers van Moonshot maar naar de Azure-infrastructuur van Microsoft in de VS, wat je data tijdens inferentie binnen Microsofts perimeter houdt; die verplichting geldt echter het bedrijf Moonshot zelf en daarmee ook toekomstige modelversies, ongeacht waar de inferentie draait.

Er is nog een nuchtere kanttekening voor wie op kwaliteit selecteert: alle prestatiecijfers komen op dit moment van Moonshot zelf. Onafhankelijke resultaten op publieke ranglijsten zoals SWE-bench Verified bestonden op 2 juli nog niet; de gepubliceerde score van 62,0 komt uit Moonshots eigen Kimi Code Bench v2. Behandel de benchmarkclaims dus als een richting, niet als een garantie.

Wat dit betekent voor jouw devteam

Voor een individuele ontwikkelaar op Pro, Pro+ of Max is de keuze vooral praktisch: probeer K2.7 Code op je eigen representatieve taken, vergelijk de kwaliteit met het model dat je nu gebruikt, en incasseer de lagere rekening waar het werk goed genoeg is. Voor Business- en Enterprise-teams is de standaard-uit-instelling geen drempel om weg te klikken maar een bewust advies: laat je juridische en security-mensen eerst toetsen welke code, credentials en bedrijfslogica je door zo'n model wilt sturen voordat je de policy aanzet. De bredere les is dat de modelkeuze in Copilot verandert van een voorkeursmenu in een governance-beslissing. Wie modelselectie behandelt als beleid, niet als een knopje, plukt de kostenvoordelen zonder de risico's per ongeluk mee te importeren.