Rihpig

Posted on Jul 17 • Originally published at apidog.com

키미 K3 vs 키미 K2.7 코드: 무엇이 달라졌나?

이미 Kimi를 사용하고 있다면, 2026년 7월 16일 Kimi K3 출시 이후 가장 실용적인 질문은 이것입니다. K3로 전환할 가치가 있을까요, 아니면 K2.7 Code를 계속 사용하는 편이 나을까요? Kimi K2.7 Code는 코딩과 에이전트·CI 워크플로우에 초점을 맞춘 K2 계열 모델입니다. 반면 K3는 새로운 어텐션 설계와 100만 토큰 컨텍스트 창을 갖춘 Moonshot의 대규모 플래그십 모델입니다. 이 글에서는 두 모델의 차이점, 비용 영향, 그리고 실제 워크로드에서 마이그레이션을 판단하는 방법을 정리합니다.

지금 Apidog 사용해 보기

두 모델 모두 OpenAI 호환 API를 제공하므로, 프로덕션 코드를 변경하기 전에 Apidog에서 kimi-k3와 kimi-k2-7-code에 동일한 요청을 보내 비교할 수 있습니다. 출력 품질, 지연 시간, 토큰 사용량을 나란히 확인한 뒤 결정하는 것이 가장 안전합니다.

TL;DR: 한눈에 보는 결론

K3는 더 크고 범용적인 모델입니다. K2.7 Code가 속한 약 1조(T) 매개변수급 K2 계열과 비교해, K3는 총 2.8조(T) 매개변수의 MoE 모델입니다.
컨텍스트 창이 100만 토큰으로 확장되었습니다. K3는 최대 1,048,576 토큰을 지원합니다.
아키텍처가 새로워졌습니다. Kimi Delta Attention, Attention Residuals, Stable LatentMoE를 사용합니다.
가격은 플래그십 수준입니다. 캐시 적중 입력은 100만 토큰당 $0.30, 캐시 미스 입력은 $3, 출력은 $15입니다.
K3가 모든 모델을 능가하는 것은 아닙니다. Moonshot의 설명에 따르면 Claude Fable 5와 GPT-5.6 Sol에는 전반적으로 뒤처집니다.
대규모 컨텍스트, 장기 에이전트 실행, 일반 추론이 필요하면 K3를 테스트하세요.
좁은 코딩 작업에서 K2.7 Code가 이미 품질과 비용 기준을 충족한다면 유지하세요.

두 가지 종류의 모델

K2.7 Code와 K3는 단순한 세대 차이가 아니라, 목표로 하는 워크로드가 다릅니다.

Kimi K2.7 Code

Kimi K2.7 Code는 K2 계보(K2, K2 Thinking, K2.5, K2.6, K2.7 Code)의 코딩 중심 모델입니다. 코드 생성, 수정, 에이전트 기반 개발 작업처럼 “API를 통해 코드를 작성하고 변경하는” 워크로드에 맞춰져 있습니다.

정확한 컨텍스트 길이, 가격, 매개변수 정보는 Kimi K2.7 Code는 무엇인가 문서를 확인하세요.

Kimi K3

K3는 코딩 전용 모델이 아니라 Moonshot의 새 플래그십 범용 모델입니다. 코딩도 강점 중 하나지만, 계획 수립, 분석, 긴 작업 실행, 상태 유지형 에이전트 워크플로우까지 더 넓은 작업을 목표로 합니다.

따라서 비교 기준은 “기존 코더 vs 새 코더”가 아닙니다.

K2.7 Code: 좁고 반복적인 코딩 작업에 맞는 전문 모델
K3: 코딩과 일반 추론을 함께 처리하는 플래그십 모델

이 차이가 마이그레이션 판단의 핵심입니다.

세대별로 실제로 변경된 사항

규모: 총 매개변수가 약 3배 증가

K3는 총 2.8조(T) 매개변수의 전문가 혼합(MoE) 모델입니다. K2.7 Code가 속한 K2 계열은 약 1조(T) 매개변수급이므로, 총 매개변수 기준으로 K3는 약 3배 더 큽니다.

다만 MoE 모델에서는 총 매개변수만으로 추론 비용이나 속도를 판단하면 안 됩니다. Moonshot은 K3의 활성 매개변수 수를 공개하지 않았습니다. 공개된 정보는 토큰당 896명의 전문가 중 16명을 활성화한다는 점입니다.

즉, 다음처럼 이해하는 것이 적절합니다.

총 매개변수: 2.8T
활성 전문가: 토큰당 16 / 896

2.8T가 모든 요청에서 동시에 실행된다는 의미는 아닙니다.

어텐션 아키텍처: 단순 확장이 아닌 재설계

K3에는 다음 구성 요소가 포함됩니다.

Kimi Delta Attention: 하이브리드 선형 어텐션 메커니즘
Attention Residuals: 표준 residual connection의 대체 설계
Stable LatentMoE: 토큰당 896명 중 16명의 전문가를 활성화하는 MoE 프레임워크

Moonshot은 Kimi K2 대비 약 2.5배 향상된 확장 효율성을 보고합니다. 이는 단지 모델이 커졌다는 뜻이 아니라, 더 긴 컨텍스트와 더 큰 규모를 처리하기 위한 구조 자체가 달라졌다는 의미입니다.

컨텍스트: 최대 100만 토큰

K3의 컨텍스트 창은 최대 1,048,576 토큰입니다.

코딩 워크플로우에서는 다음과 같은 차이를 만들 수 있습니다.

일부 파일만 전달하는 코드 수정 요청
리포지토리의 큰 부분, 테스트, 오류 로그, 설계 문서를 함께 전달하는 요청
긴 에이전트 대화와 여러 도구 호출의 상태를 유지하는 작업

K2.7 Code에서 대규모 리포지토리, 긴 로그, 장기 대화 때문에 컨텍스트가 잘렸다면 K3의 100만 토큰 창은 가장 직접적인 업그레이드 이유입니다.

포지셔닝: 코딩 전문가에서 플래그십 제너럴리스트로

K2.7 Code는 코딩 중심 릴리스입니다. K3는 장기적 에이전트 코딩을 포함한 복합 작업을 목표로 하는 플래그십 모델입니다.

Moonshot은 칩 설계 작업에서 단일 48시간 실행 사례를 언급합니다. 이런 사례가 실제 워크로드에 그대로 적용된다고 가정할 수는 없지만, K3가 목표로 하는 방향은 분명합니다.

여러 단계로 이어지는 작업
긴 컨텍스트 유지
반복적인 도구 호출
코드와 일반 추론의 결합

가격: 캐시 적중률이 핵심

K3 가격은 다음과 같습니다.

항목	가격
입력: 캐시 적중	100만 토큰당 $0.30
입력: 캐시 미스	100만 토큰당 $3
출력	100만 토큰당 $15

입력 비용은 캐시 적중 여부에 따라 10배 차이가 납니다.

다음과 같은 워크로드라면 캐시 적중 입력 가격의 이점을 얻을 가능성이 있습니다.

큰 시스템 프롬프트를 반복 사용하는 에이전트
리포지토리 컨텍스트를 여러 호출에 재사용하는 작업
동일한 프로젝트 컨텍스트에서 반복적으로 도구를 호출하는 작업

반대로 매번 새로운 컨텍스트를 보내는 일회성 요청은 캐시 미스 입력 비용인 $3/100만 토큰 기준으로 계산해야 합니다.

캐시 비용을 포함한 계산은 Kimi K3 가격 가이드를 참고하세요.

Kimi K3 대 Kimi K2.7 Code: 나란히 비교

차원	Kimi K2.7 Code	Kimi K3
포지셔닝	K2 계열의 코딩 중심 릴리스	플래그십 범용 모델, 에이전트 코딩에 강점
세대	K2 계보	새로운 K3 세대
총 매개변수	약 1조(T)급 K2 계열	총 2.8조(T), MoE
활성 매개변수	K2.7 Code 문서 확인 필요	미공개, 896명 중 16명 활성화
어텐션 설계	K2 세대 어텐션	Kimi Delta Attention + Attention Residuals
MoE 프레임워크	K2 세대 MoE	Stable LatentMoE
컨텍스트 창	K2.7 Code 문서 확인 필요	1,048,576 토큰
모델 ID	`kimi-k2-7-code`	`kimi-k3`
API 호환성	OpenAI SDK 호환	OpenAI SDK 호환
명시된 가격	K2.7 Code 문서 확인 필요	캐시 적중/미스 입력 $0.30/$3, 출력 $15
오픈 가중치	K2.7 Code 문서 참조	2026년 7월 27일경 예상
독립 신호	K2.7 Code 문서 참조	Artificial Analysis Intelligence Index 57, 189개 중 4위
적합한 작업	비용이 정해진 좁은 코딩 작업	대규모 컨텍스트, 장기 실행, 일반 추론 + 코딩

K2.7 Code의 정확한 수치는 Kimi K2.7 Code는 무엇인가와 Kimi K2.7 Code API 가이드에서 확인하세요.

K3는 최첨단 모델과 비교해 어디에 있나

K3가 2.8조(T) 플래그십 모델이라고 해서 무조건 새로운 최고 성능 모델이라는 뜻은 아닙니다.

Moonshot의 출시 블로그에 따르면 K3는 Claude Fable 5와 GPT-5.6 Sol에 전반적으로 뒤처집니다. 일부 벤치마크에서는 경쟁력이 있거나 앞서지만, 모든 영역에서 선두라고 주장하지는 않습니다.

Artificial Analysis의 Kimi K3 평가에 따르면 K3의 지능 지수는 57이며, 189개 모델 중 4위입니다. 출력 속도는 초당 약 62토큰으로, 가격대 대비 느린 편에 속합니다.

Moonshot이 공개한 코딩 벤치마크에서도 결과는 혼합되어 있습니다.

벤치마크	K3	Fable 5
DeepSWE	67.5	70.0
Terminal-Bench 2.1	88.3	84.6

전체 주장과 원본 수치는 공식 Kimi K3 출시 게시물에서 확인할 수 있습니다. 공급업체 발표와 독립 평가의 차이는 Kimi K3 벤치마크 분석도 참고할 수 있습니다.

마이그레이션 관점에서는 다음 두 문장을 구분해야 합니다.

K3는 이전 세대보다 발전했습니다.
K3는 모든 폐쇄형 모델을 능가합니다.

첫 번째는 업그레이드 판단의 근거가 될 수 있지만, 두 번째는 이 글에서 뒷받침되지 않습니다.

K3로 마이그레이션해야 할까요?

다음 질문을 워크로드에 순서대로 적용해 보세요.

다음 중 하나라도 해당한다면 K3를 테스트하세요

컨텍스트 한계에 도달한다

대형 리포지토리, 서비스 전체 리팩토링, 긴 에이전트 기록에서 K2.7 Code의 컨텍스트가 잘린다면 K3의 100만 토큰 창이 직접적인 해결책이 될 수 있습니다.
장기 실행 에이전트를 운영한다

여러 도구 호출, 다단계 계획, 긴 작업 상태를 유지해야 한다면 K3가 의도한 워크로드에 가깝습니다.
코드와 일반 추론을 함께 처리한다

코드 생성뿐 아니라 분석, 계획, 문서 해석, 의사결정이 포함된다면 범용 모델인 K3가 더 적합할 수 있습니다.
캐시 적중률이 높다

대규모 시스템 프롬프트와 공유 컨텍스트를 반복 사용한다면 K3의 캐시 적중 입력 가격이 실제 비용을 낮출 수 있습니다.

다음 중 하나라도 해당한다면 K2.7 Code를 유지하세요

좁은 코딩 작업에서 K2.7 Code가 이미 품질 기준을 만족한다

테스트 통과율, 수정 정확도, 실행 비용이 모두 목표를 충족한다면 플래그십 모델로 바꿀 이유가 없을 수 있습니다.
캐시 재사용률이 낮고 비용에 민감하다

매번 새로운 코드와 로그를 전달하는 일회성 요청이 많다면 K3의 캐시 미스 입력 비용과 출력 비용을 고려해야 합니다.
지연 시간이 가장 중요한 요구사항이다

K3의 약 62 tokens/s 출력 속도가 대화형 앱의 응답성에 맞는지 먼저 측정해야 합니다.
자체 호스팅이 필수다

K3 가중치는 2026년 7월 27일경 공개될 예정입니다. 자체 호스팅 계획은 Moonshot Hugging Face의 실제 릴리스를 기준으로 검토해야 합니다.

실제 시나리오별 선택

중간 규모 리포지토리의 CI 코드 수정 봇

다음 조건이라면 K2.7 Code를 유지하는 편이 합리적입니다.

작업 범위가 좁다.
필요한 파일이 현재 컨텍스트 창에 들어간다.
테스트 통과율이 충분하다.
실행당 비용이 중요하다.

이 경우에는 K3로 전환하기보다 실패율이나 컨텍스트 부족 문제가 발생할 때만 재평가하세요.

대규모 모노리포의 자율 리팩토링 에이전트

다음과 같은 작업은 K3를 테스트할 가치가 큽니다.

코드베이스 여러 영역을 한 번에 분석해야 한다.
테스트와 로그를 함께 제공해야 한다.
여러 파일에 걸친 변경 계획이 필요하다.
여러 단계의 도구 호출 상태를 유지해야 한다.

이 워크로드에서는 100만 토큰 컨텍스트와 장기 에이전트 지향 설계가 구조적으로 유리할 수 있습니다.

구현 방법은 Kimi K3 코딩 워크스루와 Kimi K3 API 가이드를 참고하세요. 이전 K2 계열을 사용 중이라면 K2.6 설명서에서 계보를 확인할 수 있습니다.

커밋하기 전에 두 모델을 A/B 테스트하는 방법

두 모델 모두 OpenAI SDK 호환 API를 제공하므로, 모델 ID만 변경해 제어된 비교를 만들 수 있습니다.

1. 동일한 요청을 준비합니다

다음 항목은 반드시 동일하게 유지하세요.

시스템 프롬프트
사용자 메시지
도구 정의
온도
최대 출력 토큰
리포지토리 또는 로그 컨텍스트

변경하는 값은 모델 ID뿐입니다.

MODEL = "kimi-k2-7-code"
# MODEL = "kimi-k3"

2. 같은 입력으로 두 번 실행합니다

OpenAI 호환 SDK를 사용하는 경우 모델 이름만 바꾸는 방식으로 비교할 수 있습니다.

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_MOONSHOT_API_KEY",
    base_url="YOUR_MOONSHOT_BASE_URL",
)

response = client.chat.completions.create(
    model="kimi-k2-7-code",
    messages=[
        {
            "role": "system",
            "content": "당신은 테스트 가능한 최소 변경을 우선하는 시니어 백엔드 엔지니어입니다."
        },
        {
            "role": "user",
            "content": "다음 오류 로그와 코드를 분석하고 최소 수정 패치를 제안하세요."
        }
    ],
    temperature=0,
)

print(response.choices[0].message.content)

두 번째 실행에서는 다음처럼 모델만 변경합니다.

model="kimi-k3"

3. 세 가지 지표를 비교합니다

출력 품질

“더 똑똑해 보이는가?”가 아니라 프로덕션 기준으로 평가하세요.

예를 들면 다음 항목을 점수화할 수 있습니다.

테스트 통과 여부
컴파일 또는 타입 체크 통과 여부
변경 범위 최소화 여부
존재하지 않는 API나 파일을 환각하지 않는지
요구사항 충족 여부

지연 시간

요청 시작부터 첫 토큰, 전체 응답 완료까지의 시간을 기록하세요.

TTFT: Time To First Token
Total latency: 요청 시작부터 완료까지의 전체 시간

K3는 독립적인 속도 수치상 더 느릴 수 있으므로, 대화형 서비스에서는 품질 향상보다 지연 시간 증가가 더 큰 문제가 될 수 있습니다.

토큰 사용량과 캐시 영향

다음을 분리해서 기록하세요.

입력 토큰
출력 토큰
캐시 적중 입력 토큰
캐시 미스 입력 토큰
요청당 추정 비용

특히 긴 시스템 프롬프트나 리포지토리 컨텍스트를 반복 사용한다면, 캐시 적중률이 K3의 실효 비용을 크게 바꿀 수 있습니다.

Apidog을 사용하면 두 요청을 같은 프로젝트에 저장하고, 환경 변수로 모델 ID를 교체하며, 스트리밍 응답과 도구 호출 페이로드, 토큰 사용량을 비교할 수 있습니다.

kimi-k2-7-code 요청을 저장합니다.
요청을 복제합니다.
모델 ID만 kimi-k3으로 변경합니다.
같은 입력을 실행합니다.
응답, 지연 시간, 토큰 사용량을 비교합니다.

설치는 Apidog 다운로드에서 할 수 있습니다. 에디터 안에서 작업한다면 VS Code 내 Apidog 통합으로 코드 옆에서 요청을 관리할 수 있습니다.

결론

K3는 단순한 이름 변경이 아니라 K2.7 Code 대비 실질적인 세대 변화입니다.

총 2.8조(T) 매개변수의 MoE 구조
Kimi Delta Attention, Attention Residuals, Stable LatentMoE
최대 100만 토큰 컨텍스트
코딩 전문가에서 플래그십 범용 모델로의 포지셔닝 변화

하지만 업그레이드가 자동으로 정답은 아닙니다. K3는 플래그십 가격을 가지며, Moonshot의 자체 설명에 따르면 Claude Fable 5와 GPT-5.6 Sol보다 전반적으로 앞서는 모델도 아닙니다.

다음 기준으로 결정하세요.

대규모 컨텍스트, 일반 추론, 장기 에이전트 작업이 필요하다면 K3를 테스트하세요.
K2.7 Code가 이미 품질·비용·지연 시간 기준을 충족한다면 유지하세요.
최종 결정은 벤치마크가 아니라 실제 프롬프트의 A/B 테스트 결과로 내리세요.

자주 묻는 질문

코딩에는 어떤 모델이 더 좋나요?

K2.7 Code는 코딩 작업에 특화되어 있으며, 좁은 코딩 작업에서 비용 효율적인 선택이 될 수 있습니다. K3는 더 큰 컨텍스트와 장기 에이전트 작업을 목표로 하는 범용 플래그십 모델입니다.

대규모 리포지토리, 다단계 에이전트 작업, 코드와 분석이 섞인 작업에서는 K3가 구조적으로 유리할 수 있습니다. 반대로 K2.7 Code가 이미 잘 처리하는 좁은 작업에서는 K2.7 Code가 더 합리적인 선택일 수 있습니다.

Kimi K3가 K2.7 Code보다 비싼가요?

K3는 캐시 적중 입력 100만 토큰당 $0.30, 캐시 미스 입력 $3, 출력 $15의 플래그십 가격입니다.

실제 작업당 비용은 다음에 따라 달라집니다.

캐시 적중률
입력 컨텍스트 크기
출력 길이
도구 호출 횟수

두 모델 모두 OpenAI SDK 호환이므로, 모델 ID를 바꾸고 실제 프롬프트를 재실행해 비용을 비교하는 방법이 가장 정확합니다.

Kimi K3는 오픈 소스인가요?

출시일 기준으로는 아닙니다. Moonshot은 전체 모델 가중치를 2026년 7월 27일경 공개할 예정이라고 밝혔습니다.

가중치가 공개되기 전까지 K3는 API와 앱 중심으로 사용해야 하며, 자체 호스팅 계획은 실제 가중치 릴리스를 확인한 후 세워야 합니다.

K3가 Claude Fable 5 또는 GPT-5.6 Sol보다 낫나요?

Moonshot의 자체 블로그에 따르면 전반적으로는 아닙니다. K3는 일부 벤치마크에서 경쟁력이 있거나 앞서지만, 전체적으로 Claude Fable 5와 GPT-5.6 Sol을 능가한다고 주장하지는 않습니다.

Artificial Analysis는 K3를 지능 지수 57로 평가했고, 189개 모델 중 4위에 올렸습니다. 강력한 오픈 가중치 경쟁자라는 평가는 가능하지만, 확실한 최첨단 선두주자라고 보기는 어렵습니다.

DEV Community