Zwei Open-Weights-Coding-Modelle sind in derselben Woche erschienen. Moonshot AI hat Kimi K2.7-Code auf Hugging Face als coding-fokussierten agentischen Build der Kimi-K2.6-Basis veröffentlicht, und Xiaomi hat MiMo Code als separaten Open-Weights-Drop geliefert. Für TypeScript- und JavaScript-Entwickler:innen, die ihre Dev-Tools selbst hosten, erweitert das die praxisnahe Auswahl an Modellen, die hinter Continue, Aider, OpenCode oder jedem anderen Tool mit lokalem Modell-Backend sitzen können.
Kimi K2.7-Code
Kimi K2.7-Code ist ein 1T-Parameter-Mixture-of-Experts-Modell mit 32B pro Token aktivierten Parametern, 61 Schichten (eine dense), 7168-dim Attention-Hidden-State, 2048-dim MoE-Hidden-State pro Experte, 64 Attention-Heads, 384 Experten mit 8 pro Token ausgewählten, und einem Shared Expert. Das Vokabular umfasst 160K, die Kontextlänge liegt bei 256K. Die Attention ist Multi-head Latent Attention (MLA), die Aktivierung SwiGLU, und das Modell wird mit einem 400M-Parameter-MoonViT-Vision-Encoder ausgeliefert, wobei die Coding-Variante zur Inferenzzeit text-only ist.
Die Schlagzeilen-Metrik von Moonshot ist ein Rückgang der Thinking-Token-Nutzung um etwa 30% gegenüber K2.6 bei denselben langlaufenden Coding-Aufgaben, gepaart mit stärkerer End-to-End-Vollständigkeit bei mehrstufiger Software-Engineering-Arbeit. Die 256K Kontext sind die praktische Geschichte für Aufgaben, die eine große TypeScript-Codebase umspannen: das Modell kann einen aussagekräftigen Ausschnitt eines echten Repos plus das Issue, den Testplan und die vorherige Konversation halten.
Die Architektur impliziert ein paar Dinge fürs Self-Hosting. Bei 1T Parametern ist K2.7-Code kein Single-GPU-Modell. Multi-GPU ist das Minimum, und ein gehosteter Inferenz-Partner ist die realistische Produktionsgeschichte. Das agentische Scaffolding (Tool-Use, Planung, Fehler-Recovery) ist der Engpass, nicht die Gewichte selbst. Erwartet, dass die Lücke zwischen dem rohen Modell und einem Agent der Claude-Fable-5-Klasse bei rohen Coding-Benchmarks viel kleiner ist als bei langlaufenden agentischen Evaluierungen.
Xiaomi MiMo Code
Xiaomis MiMo Code ist der zweite Open-Weights-Drop der Woche, und auf Consumer-Hardware das zugänglichere der beiden. Xiaomi hat noch keine Model Card mit dem gleichen architektonischen Detaillierungsgrad wie Moonshot veröffentlicht; das öffentliche Material positioniert MiMo Code als coding-fokussierten Drop mit offenen Gewichten und dem gleichen Framing für agentische Workloads.
Die Relevanz ist gleichzeitig symbolisch und praktisch. Zwei Open-Weights-Coding-Modelle in einer einzigen Woche, von zwei verschiedenen chinesischen Anbietern, ist ein starkes Signal, dass die Open-Weights-Frontier keine Single-Vendor-Geschichte mehr ist. Für selbstgehostete Dev-Tools ist das Menü nun breit genug, um Architekturen zu vergleichen, nicht nur Parameterzählungen.
Was das für selbstgehostete Dev-Tools bedeutet
Die praktische Frage für ein TypeScript-Team, das einen lokalen Coding-Agent betreibt, ist, ob die Open-Weights-Alternative gut genug für die jeweilige Workload ist. Die Antwort hängt davon ab, was der Agent tun muss.
Für Code-Vervollständigung, Single-File-Edits und eng umrissene Refactorings hat das Open-Weights-Ökosystem seit über einem Jahr brauchbare Optionen. Für agentische Aufgaben, die Multi-File-Reasoning, langfristige Kontextbeibehaltung und verlässlichen Tool-Use über viele Turns hinweg erfordern, ist die Lücke zur Closed-Weight-Frontier (Claude Fable 5, GPT-Klasse, Gemini-Klasse) weiterhin real, aber enger als vor sechs Monaten. Der Aufstieg von Claude Code 2026 und das Dev-Tool-Ranking vom März 2026 wurden geschrieben, als das Open-Weights-Menü eine Ein-Punkt-Liste war. Nach dieser Woche ist es mindestens eine kurze Liste, und die Closed-Weight-Anbieter müssen weiterhin Kapazitätssprünge liefern, um vorn zu bleiben.
Tooling-seitig: Continue, Aider, OpenCode und Cline mit lokalem Backend können alle heute einen Hugging-Face-Checkpoint laden. Kimi K2.7-Code mit 1T Parametern braucht Multi-GPU; MiMo Code ist der Kandidat für Laptop-Inferenz. Die Architekturzahlen legen nahe, dass K2.7-Code die Reserven für ernsthafte Arbeit hat, aber der Praxistest ist, ob das agentische Scaffold sie nutzen kann. Dieselbe Evaluierung wird auf die Service-powered TS Engine in WebStorm 2026.1 und jeden anderen Editor zutreffen, der einen lokalen Modell-Picker anbietet.
