Unsiloed 评测：Kimi K2.7 Code 与 GLM 5.2 真实代码生成与大型仓库分析受控对比

一句话结论

在严格受控的同提示词实测中，Kimi K2.7 在从零脚手架生成可运行项目（FastAPI）中因组件完整、无依赖遗漏以 53/60 击败 GLM 5.2（48/60）；而在超大仓库全貌解构（Saleor）中，GLM 5.2 凭借 1M 上下文对深度细节的挖掘更胜一筹。

测试环境、输入/配置

• 参测模型：

  • Kimi K2.7 Code：MoE 1T 总参数 / 32B 激活，256K 上下文，官方 API 价格 $0.95 输入 ($0.19 缓存) / $4.00 输出 每百万 Token。

  • GLM 5.2：MoE 744B-753B 总参数 / 40B 激活，1M 上下文，官方 API 价格 $1.40 输入 ($0.26 缓存) / $4.40 输出 每百万 Token。

• 任务设计：

  • Task 1（特性实现）：从零构建完整 FastAPI + PostgreSQL 任务管理 API（JWT、SQLAlchemy、CRUD、分层架构、输入校验）。

  • Task 2（仓库分析）：分析生产级开源电商平台 Saleor（Python/Django/GraphQL）代码库，输出架构、请求链路、技术债与改进建议。

结果数据

Task 1: FastAPI 从零实现打分矩阵

Task 2: Saleor 大型仓库分析表现

结论

1. 代码落地生成首选 Kimi K2.7：在实际编写代码、新建工程、模块实现等任务中，Kimi K2.7 生成完整度更高，很少出现“看似合理但缺少关键定义”的致命缺陷，人工介入修复成本低。

2. 长上下文架构探索首选 GLM 5.2：在 Monorepo 级代码摸排、跨几十个文件的复杂调用链分析中，GLM 5.2 凭借 1M 窗口与 Sparse Attention 展现出更深层次的代码关联理解能力。

3. 性价比优势：Kimi K2.7 官方 API 单价较 GLM 5.2 低约 10%~30%，在代码编写和 Agent 循环中具备更优的成本效益比。

局限

• 该测试采用单轮零样本/少样本提示词对比，未评估多轮 Agent 自动纠错（如自运行 pytest 修复遗漏）下的最终收敛表现。

• 价格对比仅基于官方 API 标准定价，未计入第三方聚合平台或特定订阅计划折扣。

复现步骤

1. 使用相同的 Prompt 模板分别调用 Kimi K2.7 Code 与 GLM 5.2 API。

2. 将 Task 1 生成的文件写入本地目录，运行 pip install -r requirements.txt && uvicorn app.main:app，验证能否无报错启动并通过 Swagger 发起请求。

3. 对比 Task 2 中对 Saleor 请求流的追踪深度，检查是否包含 GraphQL resolve 与 DataLoader 相关逻辑。

原始证据与数据

Unsiloed AI 原文提供了两项任务的完整输入 Prompt、评分细则、模型输出缺陷记录以及详细的架构参数对比表。

来源摘录或观察（仅做合规短引）

• 评测指出：“Kimi K2.7 seems better suited to implementation-heavy tasks where you want the model to generate working files with fewer missing components. GLM 5.2 seems better suited to codebase exploration, architectural reviews, dependency tracing.”