Kimi K2.8 Preview 全量上线 Kimi Code：1M 上下文全会员开放，综合性能直追 K3

2 months ago AI笔记

9月11日，月之暗面正式向 Kimi Code 全量推送 Kimi K2.8 Preview 模型，综合性能接近 K3，编码与 Agent 能力全面提升，思考效率较 K2.7 Code 显著改善。

核心升级

  • 上下文扩展至 1M：全部会员档位均开放百万 token 上下文，解决大代码仓库、长任务频繁截断历史的问题
  • 编码与 Agent 能力全面提升：长程编码指令遵循能力增强，端到端任务成功率更高
  • 思考效率改善：相比 K2.7 Code，thinking token 用量更省，效率更高
  • 思考强度可调节：支持 low / high / max 三档（默认 max），与 K3 保持一致
  • 多模态输入：支持图片和视频输入

使用方式不变，无缝升级

Model ID 保持不变，仍为 kimi-for-coding。已在使用 Kimi Code 的用户无需修改任何配置，原入口直接升级到 K2.8 Preview，第三方工具和脚本均可继续沿用原配置。

关闭 thinking 后，K3 系列与 K2.8 Preview 的请求均路由到 K2.8 Preview（无思考版本）。

K3 对比

对比项 K2.8 Preview K3
上下文 1M（全会员开放） 1M（Allegretto 及以上）
思考强度 low / high / max（默认 max） low / high / max（默认 high）
图片/视频输入 支持 支持
无思考模式 关闭 thinking 后路由至此 关闭 thinking 后路由至 K2.8 Preview

目前官方未公布具体基准测试成绩，「综合性能接近 K3」仍待实际验证，后续真正拉开差距的将是代码补全、SWE 类任务和长上下文处理等场景。

来源：IT之家、网易新闻

「全量上线」和「灰度」差在哪

灰度是先放给一小部分用户，观察稳定性再逐步扩大。全量上线意味着所有符合条件的用户同时拿到新模型。这次更彻底的一点是模型 ID 不变，仍然沿用 kimi-for-coding，用户不需要改任何配置，第三方工具和脚本也不用动。

这个做法在工程上比发一个新模型名更考究，它等于承诺了接口层面的向后兼容，把升级的复杂度全部留在服务端。

百万上下文全档位开放的分量

多数厂商把长上下文当作高配套餐的卖点，基础档位只给几十万 token。Kimi 这次把 1M 上下文对全部会员档位开放，等于把这项能力从差异项降级成基础项。

对用户的实际影响在于，处理大代码仓库、长技术文档、多轮长任务时不用再考虑截断策略，也不需要为上下文长度额外付费。工程上省掉的这部分心智负担，往往比模型跑分更能影响留存。

K2.8 和 K3 是什么关系

两者是同系列里的不同定位。K3 面向更强能力，K2.8 Preview 主打性价比与速度，官方说综合性能接近 K3，但明确的基准成绩还没公布。有意思的是无思考模式下的路由设计，关闭 thinking 之后，K3 系列与 K2.8 Preview 的请求会统一路由到 K2.8，说明这一档在效率上更有优势。

思考强度分成 low、high、max 三档，默认 max。这个可调设计对成本敏感的用户很实用，简单任务用 low，复杂任务再往上调。

编码模型到底该比什么

跑分只是入场券。真正拉开体验差距的是三类场景，一是长程任务的指令遵循，多步骤任务会不会中途跑偏。二是大仓库的上下文理解，能不能在几十万行代码里找到相关片段。三是补全的响应延迟，慢半秒用户就会关掉提示。第三项很难在榜单上体现，却最影响日常使用。

官方没有公布具体成绩，这几项的真实表现还需要实际使用来验证。

常见问题

需要重新配置工具吗？不需要。模型 ID 保持不变，原入口直接升级，第三方工具和脚本沿用原配置即可。

多模态输入支持到什么程度？目前支持图片和视频输入，具体格式与大小限制以官方文档为准。对编码场景来说，图片输入的实用价值主要是截图报错、UI 稿转代码。

和 K3 相比该选哪个？看任务类型。追求最强能力选 K3，追求响应速度和成本效率选 K2.8。日常编码任务里两者的体验差距可能并不明显。

开源阵营在编码模型上的处境

编码模型这个赛道的特点是能力可量化，跑分能直接对上生产力。闭源模型靠持续投入保持领先，开源模型靠社区迭代缩短差距，两边的拉锯一直在进行。Kimi 这条线走的是半开放路线，模型能力对外开放调用，权重不完全放开，试图在生态覆盖和商业回报之间找平衡。

对国内开发者来说，这套供给结构其实是有利的。闭源模型拼能力上限，开源模型拼成本和可控性，用户按场景取用即可，不必押注单一家。真正需要警惕的是生态锁定，一旦工作流深度依赖某家的私有工具链，切换成本会迅速上升。

从这个角度看，判断一个编码模型值不值得长期投入，除了当下跑分，还要看它的接口是否稳定、退出成本是否可控。

更实际的做法是把调用层做薄，模型能力通过统一接口接入，换供应商时只改配置不改业务代码。这件事在编码工具上尤其重要，因为工具链的粘性往往来自配置和插件，而不是模型本身。

小结

这次更新的关键词是低摩擦，ID 不变、配置不动、上下文不额外收费。对已经在用 Kimi Code 的开发者来说，升级成本接近零，这是好的产品做法。真正的考验在官方后续公布基准成绩之后。

相关阅读

这条线上还有几篇站内文章可以接着看：

延伸阅读

AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。

继续读

同一批更新里这几篇值得一看：

想快速查定义？对应的词条在这里：

  • Kimi词条 · AI 自学笔记

Related News