Your privacy choices

Allow optional cookies for referral attribution, visit analytics, and Google Ads purchase measurement.

Zurück zum Blog
العربيةDeutschEnglishEspañolFrançais日本語한국어LatinaBahasa MelayuPortuguês (Brasil)РусскийไทยTiếng Việt繁體中文中文

Naive-N0.5-Flash: MoE mit 309B, nativer 1M-Kontext und bis zu ~2000 Tok/s. Das chinesische Open-Weights-Modell eines Teams mit Tsinghua-Hintergrund

Naive-N0.5-FlashNaiveAIChinesisches Open-Weights-Modell1M Kontext2000 Tok/s

309B Gesamtparameter, pro Token nur 15,5B aktiv. Nativer 1M-Kontext. In der Stufe Ultrafast bis zu ~2000 Tok/s. MIT-Lizenz, alle Gewichte veröffentlicht.

Vier Zahlen, ein Satz: Chinesische offene Modelle haben das Tempo gerade in eine andere Größenordnung gehoben.

Am 27. September 2026 hat NaiveAI, ein chinesisches KI-Unternehmen, gegründet von einem Team mit Tsinghua-Hintergrund, Naive-N0.5-Flash vorgestellt. Im NL2Repo-Bench nennt die offizielle Modellkarte 71,9. In dem von Latent Space zusammengestellten Vergleich kommt DeepSeek V4.1 Flash auf 68,2 und GLM 5.3 Flash auf 56,3. Ein Modell nur für Text und Code, das auf seinem Feld tief und schnell unterwegs ist.

Das ist nicht noch eine Geschichte über „mehr Parameter“. Es ist eine Geschichte über Antwortzeit. Wenn ein Modell Tausende Token pro Sekunde ausgibt, heißt Code schreiben, Agenten laufen lassen oder ein Repository lesen nicht mehr „warten, bis es zu Ende gedacht hat“, sondern „die Antwort steht schon da“.

Das Wichtigste zuerst

  • Herausgeber: NaiveAI (naive.ai), offizielles X-Konto @naiveailab, Veröffentlichung am 2026-09-27.
  • Lizenz: MIT, offene Gewichte. Sehr niedrige Hürde für kommerzielle Nutzung und Weiterentwicklung.
  • Größe: MoE mit 309B Gesamtparametern, 15,5B davon pro Token aktiv.
  • Kontext: nativ 1M.
  • Tempo: laut Anbieter ca. 50 Tok/s in der Stufe Standard und bis zu ~2000 Tok/s in Ultrafast, angetrieben von der eigenen Inferenz-Engine NaiveRT.
  • Grenzen: nur Text und Code, keine Bildeingabe.
  • Benchmark: 71,9 im NL2Repo-Bench, vor DeepSeek V4.1 Flash (68,2) und GLM 5.3 Flash (56,3). Daten aus der offiziellen Modellkarte, zusammengestellt von Latent Space.

Wer dahintersteht: NaiveAI, gegründet von einem Team mit Tsinghua-Hintergrund

NaiveAI ist ein chinesisches KI-Unternehmen, gegründet von einem Team mit Tsinghua-Hintergrund. Medienberichten zufolge ist der Gründer Dai Jifeng außerordentlicher Professor am Fachbereich Elektrotechnik der Tsinghua-Universität. Naive-N0.5-Flash ist ein Produkt des Unternehmens NaiveAI.

Ein Team mit akademischer Tiefe, das die Gewichte vollständig unter MIT-Lizenz öffnet und das Tempo mit einer eigenen Inferenz-Engine auf die Spitze treibt. Unter den chinesischen Modellen ist dieser Weg gut erkennbar.

Auf offenen Schultern zum Höchsttempo

Naive-N0.5-Flash verschweigt seine Herkunft nicht und sagt sie mit Stolz.

Der Anbieter bestätigt, dass es auf Xiaomi MiMo-V2.5 als Basis aufbaut und die Sparse Attention DSA von DeepSeek aufgreift. Dazu kommt die selbst entwickelte Engine NaiveRT. Drei Bausteine übereinander:

  1. MiMo-V2.5 liefert eine solide Basis. Die vorherige Staffel der chinesischen offenen Modelle hat das Fundament bereits gelegt.
  2. DSA Sparse Attention liefert die Idee für langen Kontext. DeepSeek hat die Methode offengelegt, wer danach kommt, kann darauf aufbauen.
  3. NaiveRT holt das Letzte aus der Technik heraus. Die zwei offiziellen Stufen, Standard mit ca. 50 Tok/s und Ultrafast mit bis zu ~2000 Tok/s, zeigen: Dieselbe Modellfähigkeit lässt sich in unterschiedlichen Serviceformen entfalten. NaiveRT ist die Engine, die in die höhere Stufe drängt.

Das ist die Kraft einer offenen Staffel: Xiaomi läuft die erste Etappe, DeepSeek reicht die Methode weiter, NaiveAI übernimmt den Stab und sprintet Richtung Höchsttempo. Niemand erfindet das Rad neu, jeder trägt die Arbeit der anderen ein Stück weiter. So sieht ein offenes Ökosystem im besten Fall aus: Jede Etappe schneller als die vorige.

Parameter im Überblick

Punkt Angabe
Anzeigename Naive-N0.5-Flash
Modell-ID der offiziellen API (Hauptmodell) naive-n0.5-flash
Modell-ID der offiziellen API (ohne Denkmodus) naive-n0.5-lite (dasselbe Modell, Denkmodus aus)
Herausgeber NaiveAI (naive.ai)
Veröffentlichung 2026-09-27
Lizenz MIT, offene Gewichte
Architektur MoE, 309B gesamt, 15,5B aktiv
Schichten 48 Schichten: 39 Sliding-Window-Attention (SWA) + 9 DSA Sparse Attention
Kontext nativ 1M
Tempo (offiziell) Standard ca. 50 Tok/s; Ultrafast bis zu ~2000 Tok/s
Inferenz-Engine NaiveRT, Eigenentwicklung
Eingabetyp nur Text und Code, keine Bilder
Basis Xiaomi MiMo-V2.5

Die Architektur: warum es groß, lang und schnell ist

309B gesamt, 15,5B aktiv: große Kapazität, kleiner Rechenaufwand

Die Idee von MoE (Mixture of Experts) ist unkompliziert: Das Modell darf riesig sein, aber jedes Token weckt nur einen kleinen Teil der Experten. Naive-N0.5-Flash hat 309B Gesamtparameter und aktiviert pro Token nur 15,5B. Das Wissen steckt in den 309B, der Rechenaufwand pro Schritt entspricht 15,5B. Der Wissensschatz eines großen Modells bei der Schrittgeschwindigkeit eines kleinen: Das ist das strukturelle Fundament des hohen Durchsatzes.

39 Schichten SWA + 9 Schichten DSA: saubere Arbeitsteilung zwischen lokal und global

Von den 48 Schichten nutzen 39 Sliding-Window-Attention (SWA). Sie schauen nur auf die lokale Umgebung, ihre Kosten wachsen nicht unbegrenzt mit dem Kontext. 9 nutzen DSA Sparse Attention und wählen im gesamten Text die wirklich entscheidenden Stellen aus. Der größte Teil der Rechnung liegt bei den leichten lokalen Schichten, wenige globale Schichten fangen Abhängigkeiten über große Distanz auf. Durch diese Aufteilung ist der native 1M-Kontext eine Fähigkeit, die sich tatsächlich nutzen lässt, und nicht bloß eine Zahl im Datenblatt.

Nativer 1M-Kontext: das ganze Repository in einem Zug

Was bedeutet 1M Kontext? Ein mittelgroßes Code-Repository, ein ganzer Satz technischer Dokumente oder ein sehr langer Gesprächsverlauf passen ohne Zerstückelung in dieselbe Anfrage. Bei Code-Aufgaben spart das den Informationsverlust des Ansatzes „erst abrufen, dann zusammensetzen“. Das Modell sieht den vollständigen Kontext und keine zusammengeklebten Bruchstücke.

Bis zu ~2000 Tok/s: die Antwort von NaiveRT

Der Anbieter teilt den Service in zwei Stufen: Standard mit ca. 50 Tok/s, Ultrafast mit bis zu ~2000 Tok/s. Hinter Ultrafast steht NaiveRT, die selbst entwickelte Inferenz-Engine von NaiveAI. Die Modellarchitektur sorgt dafür, dass weniger gerechnet wird, die Inferenz-Engine dafür, dass schnell gerechnet wird. Erst wenn beides stimmt, entsteht diese Zahl.

Was Tempo verändert

2000 Tok/s klingt nach einer bloßen Zahl. Im echten Entwicklungsalltag sieht das Bild anders aus.

Echtzeit-Vervollständigung in der IDE. Sie tippen einen Kommentar, und die ganze Implementierung füllt fast gleichzeitig den Bildschirm. Kein Ladekringel, kein „Denke nach…“: Der Cursor stoppt, und der Code steht schon da. Vervollständigung wird vom Warten zum Atmen. Entwickler rufen sie öfter auf, und über einen Tag summiert sich der Unterschied.

Dutzende Aufrufe eines Agenten. Ein Agent liest Dateien, ändert Code, führt Tests aus, liest Ergebnisse und ändert erneut. Eine Aufgabe kann Dutzende Aufrufe durchlaufen. Spart jede Runde ein paar Sekunden, spart die ganze Aufgabe Minuten. Mit schnelleren Schritten kann der Agent im gleichen Zeitbudget öfter versuchen und prüfen, und die Erfolgsquote hat mehr Luft nach oben.

Langes Repository, in einem Zug gelesen. 1M Kontext plus hoher Durchsatz heißt: Sie können dem Modell die gesamte Codebasis geben und einen vollständigen Umbauplan erhalten, statt wegen der Fenstergrenze immer wieder zu zerteilen. Alles lesen, schnell antworten: So sollte langer Kontext aussehen.

Stapelaufgaben, parallel ausgebreitet. Code-Review, Dokumentationserzeugung, Testergänzung: Bei parallelisierbarer Arbeit senkt höherer Durchsatz die Gesamtdauer direkt.

Zeit gegen Qualität tauschen. Ist das Tempo hoch genug, bleibt Spielraum für längere Denkketten. Langes Nachdenken war ein Luxus und kann zur normalen Option werden.

Tempo ist kein Selbstzweck. Es verändert den Rhythmus der Zusammenarbeit zwischen Mensch und Modell: von „abschicken, dann warten“ zu „sich austauschen und weitermachen“.

Warum das für chinesisches Open Source zählt

Wenn über chinesische offene Modelle gesprochen wird, bleibt das Thema oft bei „wie viele Parameter“ und „welcher Rang in der Bestenliste“. Naive-N0.5-Flash eröffnet einen neuen Zugang: Wer unter ebenfalls offenen Modellen eine Inferenzgeschwindigkeit erreicht, die Entwickler überrascht.

Dieser Zugang hat drei Ebenen.

Erstens: Offenheit heißt mehr als Gewichte freigeben. Die MIT-Lizenz erlaubt es Teams, selbst zu deployen, selbst zu feintunen und selbst zu integrieren, ohne Sorge vor Lizenzauflagen. Mit den Gewichten in der Hand liegt die Wahl bei den Entwicklern.

Zweitens: Ingenieurskunst wird zum Wettbewerbsvorteil. Die Basis stammt von MiMo-V2.5, die Idee der Sparse Attention von DeepSeeks DSA. Beides sind öffentlich verfügbare Bausteine des offenen Ökosystems. NaiveAI hat viel Kraft in die Inferenz-Engine NaiveRT gesteckt und „aus denselben Bausteinen mehr Tempo herausholen“ zu seinem Merkmal gemacht. Im Open-Source-Zeitalter ist ingenieurtechnische Perfektion selbst eine Eintrittsbarriere.

Drittens: Chinesisches Open Source bildet eine Staffel. Das Ergebnis des einen wird zum Ausgangspunkt des nächsten, die Methode des einen wird vom anderen geprüft, verbessert und erneut veröffentlicht. Dieser Kreislauf dreht sich immer schneller, und davon profitieren alle Nutzer: mehr Modelle zur Auswahl, niedrigere Hürden zum Ausprobieren, schnellere Iteration.

Die technische Bilanz in vier Stichworten

Wer sich nur die technischen Kernpunkte dieses Modells merken will, braucht diese vier Begriffe.

MoE. Die 309B Gesamtparameter sind das „Wissenslager“, die 15,5B aktiven Parameter die „tatsächliche Rechenleistung pro Schritt“. Ein großes Lager bedeutet ausreichend Kapazität. Pro Schritt nur einen kleinen Teil zu bewegen bedeutet Tempo.

SWA. Sliding-Window-Attention, 39 der 48 Schichten. Die meisten Schichten achten nur auf Naheliegendes, die Kosten bleiben kontrollierbar.

DSA. Sparse Attention, die übrigen 9 Schichten. Sie wählt im Gesamttext die Schlüsselstellen aus und holt wirklich nützliche Informationen aus der Ferne zurück.

NaiveRT. Die eigene Inferenz-Engine, das Glied, das den Architekturvorteil in „Token pro Sekunde“ umsetzt.

Zusammen ergeben die vier Begriffe eine klare Logik: MoE rechnet weniger, SWA hält die Kosten des langen Kontexts im Griff, DSA bewahrt den Überblick, und NaiveRT löst das Tempo ein.

Einsatzszenarien zum Weiterdenken

Die folgenden Szenarien sind Überlegungen auf Basis der offiziellen Parameter und Fähigkeitsgrenzen. Sie stehen für keinen tatsächlich eingetretenen Fall.

  • Code-Review-Pipeline: das ganze Repository auf einmal in den Kontext legen und dateiübergreifende Änderungsvorschläge bekommen. Hier zeigt sich der Wert des nativen 1M-Kontexts am deutlichsten.
  • IDE-Assistent: Vervollständigung, Erklärung und Refactoring-Vorschläge kommen nahezu synchron zurück, die Aufmerksamkeit der Entwickler wird nicht durch Warten unterbrochen.
  • Mehrstufige Agenten: Lesen, Ändern, Testen, Auswerten im Kreis. Je schneller der einzelne Schritt, desto flüssiger die ganze Kette.
  • Abgleich von Dokumentation und Code: lange Dokumente und Codebasis gleichzeitig im Kontext, um zu prüfen, ob Schnittstellenbeschreibung und Implementierung übereinstimmen.

Diese Szenarien haben eines gemeinsam: Sie verstärken die beiden Vorteile Tempo und Kontextlänge und bleiben im Bereich von Text und Code, also genau in den Fähigkeitsgrenzen des Modells.

Wie Dritte es sehen: die Latent-Space-Auswertung

Am 10. November 2026 veröffentlichte Latent Space eine Auswertung von Gabriele Beltramo. Alle folgenden Daten stammen aus diesem Beitrag und sind keine Messungen von Guishu Intelligence.

Benchmark-Ergebnisse

Ergebnisse im NL2Repo-Bench (Daten aus der offiziellen Modellkarte, zusammengestellt von Latent Space):

Modell NL2Repo-Bench
Naive-N0.5-Flash 71,9
DeepSeek V4.1 Flash 68,2
GLM 5.3 Flash 56,3

Gemessenes Tempo

Die Auswertung von Latent Space zeigt:

  • gemessene Spitze von ca. 2100 Tok/s, etwas über den vom Anbieter genannten 2000 Tok/s;
  • in der Denkphase ca. 984 Tok/s, in der Antwortphase ca. 1816 Tok/s;
  • mittlere End-to-End-Dauer (Median) von 3,1 Sekunden, gegenüber 10,1 Sekunden bei DeepSeek.

Anwendungsfall

Im Fall „Sonnensystem-App erzeugen“ schnitt Naive-N0.5-Flash am besten ab. Bei Aufgaben mit Baumstrukturen liegt es nahe bei DeepSeek.

Die Daten nüchtern lesen

Beim Lesen dieser Zahlen sollten Sie die drei Bedingungen aus dem Originaltext mitdenken:

  • Das Tempo von Naive wurde auf dem offiziellen Server gemessen, die anderen Modelle liefen über OpenRouter. Der Anfrageweg ist also unterschiedlich;
  • Die durchschnittlichen Dauern beider liegen nah beieinander, nämlich 45,3 Sekunden und 45,0 Sekunden;
  • Bei schweren Aufgaben beträgt die durchschnittliche Dauer 89,8 Sekunden gegenüber 79,7 Sekunden, weil die Denkketten länger sind.

Auch chinesische Medien beobachten das Modell. Qbitai (量子位) hat es am 13. November 2026 in einem Beitrag auf seinem WeChat-Kanal wiedergegeben. Dieser Beitrag ist eine Zusammenfassung aus zweiter Hand, für die Zahlen gilt der Originaltext von Latent Space.

Für wen und wofür geeignet

Sehr gut geeignet für:

  • latenzempfindliche, interaktive Code-Vervollständigung und Fragen und Antworten in der IDE;
  • Verständnis und Umschreiben auf Repository-Ebene mit großem Kontextbedarf;
  • Teams, die private Bereitstellung und eine großzügige Lizenz (MIT) brauchen;
  • Agenten-Schleifen mit hoher Aufruffrequenz, in denen jede Wartezeit vervielfacht wird.

Grenzen, die man vorher kennen sollte:

  • Es verarbeitet nur Text und Code. Für Aufgaben mit Bildeingabe braucht es ein anderes Modell;
  • Die offiziellen Benchmarkwerte sind eine Orientierung, die tatsächliche Wirkung sollte an den eigenen Aufgaben beurteilt werden.

So binden Entwickler ein solches Modell über eine kompatible Schnittstelle an

Bei Modellen, die per API im Stil von Chat Completions angeboten werden, ist das Vorgehen im Kern gleich: Endpunkt, Schlüssel und Modell-ID konfigurieren und die Anfrage als Stream senden. Nachfolgend ein generisches Beispiel. Endpunkt und Schlüssel sind Platzhalter, maßgeblich sind die offizielle API-Dokumentation und die Hinweise des von Ihnen genutzten Dienstes.

curl -N "https://<Ihr Anbieter oder der offizielle Endpunkt>/v1/chat/completions" \
  -H "Authorization: Bearer <Ihr API-Key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Schreibe in Python einen nebenläufigkeitssicheren LRU-Cache"}]
  }'

Vor der Anbindung empfiehlt sich, diese Punkte einzeln zu prüfen:

  1. Modell-ID: Das offizielle Hauptmodell ist naive-n0.5-flash, die Variante ohne Denkmodus naive-n0.5-lite;
  2. Streaming-Ausgabe: Bei einem Modell mit hohem Durchsatz sollte gestreamt werden, sonst ist das Tempo nicht zu sehen;
  3. Eingabetyp: nur Text senden, keine Bilder;
  4. Timeouts und Wiederholungen: Anfragen mit langem Kontext und lange Denkketten brauchen großzügigere Timeouts;
  5. Ein eigener Evaluationssatz: Lassen Sie eine Runde mit echten Aufgaben laufen, bevor Sie entscheiden, ob Sie wechseln.

Wie wird eine Bewertung überzeugend? Wählen Sie 20 bis 50 echte Aufgaben aus Ihrer eigenen Codebasis, erfassen Sie Zeit bis zum ersten Token und Gesamtdauer getrennt, vergleichen Sie naive-n0.5-flash mit naive-n0.5-lite, lassen Sie bei Code-Aufgaben direkt die Tests laufen und prüfen Sie die Bestehensquote, und testen Sie zusätzlich in einer eigenen Runde ein echtes Repository im 1M-Fenster. Die so gewonnenen Ergebnisse gehören in Ihr eigenes Dokument zur Technologieauswahl.

Guishu Intelligence beobachtet die Entwicklung solcher schnellen offenen Modelle. Aktuell befindet sich das Modell in der Evaluierung, und es werden keine Zusagen zur Verfügbarkeit gemacht.

Häufige Fragen (FAQ)

Wer hat Naive-N0.5-Flash entwickelt? Es wurde von NaiveAI veröffentlicht, einem chinesischen KI-Unternehmen, gegründet von einem Team mit Tsinghua-Hintergrund. Medienberichten zufolge ist der Gründer Dai Jifeng außerordentlicher Professor am Fachbereich Elektrotechnik der Tsinghua-Universität. Naive-N0.5-Flash ist ein Produkt des Unternehmens NaiveAI und erschien am 27. September 2026.

Wurde es von Grund auf trainiert? Der Anbieter bestätigt, dass Xiaomi MiMo-V2.5 die Basis ist und die DSA Sparse Attention von DeepSeek aufgegriffen wurde. Zusammen mit der eigenen Inferenz-Engine NaiveRT liegt der Schwerpunkt auf der konsequenten Optimierung der Inferenzgeschwindigkeit.

Ist es Open Source? Welche Lizenz gilt? Die Gewichte sind offen, die Lizenz ist MIT.

Wie lautet die API-Modell-ID? Das Hauptmodell ist naive-n0.5-flash. naive-n0.5-lite ist dasselbe Modell mit abgeschaltetem Denkmodus.

Woher kommen die 2000 Tok/s? Nach Angabe des Anbieters erreicht die Stufe Ultrafast bis zu ~2000 Tok/s, getragen von der eigenen Inferenz-Engine NaiveRT. Die von Latent Space gemessene Spitze liegt bei ca. 2100 Tok/s.

Wird 1M Kontext unterstützt? Ja, nativer 1M-Kontext. Architektonisch entsteht er aus 39 Schichten Sliding-Window-Attention und 9 Schichten DSA Sparse Attention.

Werden Bilder unterstützt? Nein, das Modell konzentriert sich auf Text und Code.

Wofür eignet sich das Modell? Code-Erzeugung, Verständnis auf Repository-Ebene, Agenten-Schleifen und latenzempfindliche, interaktive Entwicklung.

Fazit

MIT-Open-Source, 309B MoE mit nur 15,5B aktiven Parametern, 39 Schichten SWA plus 9 Schichten DSA tragen den nativen 1M-Kontext, die eigene Engine NaiveRT treibt das offizielle Tempo auf bis zu ~2000 Tok/s, und im NL2Repo-Bench stehen 71,9.

Xiaomi MiMo-V2.5 als Basis, DeepSeeks DSA als Ideengeber, NaiveAI als Ingenieursleistung auf die Spitze getrieben. Das ist eine gelungene Staffel des chinesischen Open Source und eine neue Antwort auf die Frage, wie schnell ein Code-Modell sein kann.

Die Stichworte dieses Modells: offene Gewichte, langer Kontext, Antwortgeschwindigkeit. Wenn alle drei in einem Modell zusammenkommen, sollte jedes Team, das Code-Werkzeuge, Agenten oder Entwicklerplattformen baut, genauer hinsehen.

Für Entwickler ist die beste Reaktion, es selbst auszuprobieren: die offizielle Dokumentation lesen, mit den eigenen Aufgaben eine Runde laufen lassen und die Daten sprechen lassen.

Quellen