Your privacy choices

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

Volver al blog
العربيةDeutschEnglishEspañolFrançais日本語한국어LatinaBahasa MelayuPortuguês (Brasil)РусскийไทยTiếng Việt繁體中文中文

Naive-N0.5-Flash: MoE de 309B, 1M de contexto nativo y hasta ~2000 tok/s. El modelo chino de pesos abiertos de un equipo con raíces en Tsinghua

Naive-N0.5-FlashNaiveAImodelo chino de pesos abiertos1M de contexto2000 tok/s

309B de parámetros totales y solo 15,5B activos por token. 1M de contexto nativo. Hasta ~2000 tok/s en el nivel Ultrafast. Licencia MIT y pesos publicados por completo.

Cuatro cifras y una idea: los modelos abiertos chinos acaban de llevar la velocidad a otro orden de magnitud.

El 27 de septiembre de 2026, NaiveAI, una empresa china de IA fundada por un equipo con raíces en Tsinghua, presentó Naive-N0.5-Flash. En NL2Repo-Bench, la ficha oficial del modelo da 71,9. En la comparación recopilada por Latent Space, DeepSeek V4.1 Flash obtiene 68,2 y GLM 5.3 Flash, 56,3. Un modelo solo de texto y código que avanza muy rápido y muy a fondo en su terreno.

No es otra historia de "más parámetros". Es una historia de tiempo de respuesta. Cuando un modelo emite miles de tokens por segundo, escribir código, ejecutar agentes o leer un repositorio deja de ser esperar a que piense y pasa a ser recibir la respuesta ya terminada.

Lo esencial

  • Quién lo publica: NaiveAI (naive.ai), cuenta oficial en X @naiveailab, fecha de lanzamiento 2026-09-27.
  • Licencia: MIT, pesos abiertos. Muy pocas barreras para uso comercial y desarrollos derivados.
  • Tamaño: MoE con 309B de parámetros totales y 15,5B activos por token.
  • Contexto: 1M nativo.
  • Velocidad: según el proveedor, ~50 tok/s en el nivel Standard y hasta ~2000 tok/s en Ultrafast, con el motor de inferencia propio NaiveRT.
  • Alcance: solo texto y código, sin entrada de imágenes.
  • Benchmark: 71,9 en NL2Repo-Bench, por encima de DeepSeek V4.1 Flash (68,2) y GLM 5.3 Flash (56,3). Datos de la ficha oficial, recopilados por Latent Space.

Quién está detrás: NaiveAI, fundada por un equipo con raíces en Tsinghua

NaiveAI es una empresa china de IA fundada por un equipo con raíces en Tsinghua. Según informan los medios, su fundador, Dai Jifeng, es profesor asociado del Departamento de Ingeniería Electrónica de la Universidad de Tsinghua. Naive-N0.5-Flash es un producto de la empresa NaiveAI.

Un equipo con profundidad académica que publica los pesos completos bajo licencia MIT y exprime la velocidad con un motor de inferencia propio. Es una ruta muy reconocible dentro de los modelos chinos.

Sobre hombros abiertos, hacia la máxima velocidad

Naive-N0.5-Flash no esconde de dónde viene, y lo cuenta con orgullo.

El proveedor confirma que parte de Xiaomi MiMo-V2.5 como base y que se inspira en la atención dispersa DSA de DeepSeek. A eso suma su motor propio, NaiveRT. Tres piezas apiladas:

  1. MiMo-V2.5 aporta una base sólida. El relevo anterior de los modelos abiertos chinos ya dejó los cimientos puestos.
  2. La atención dispersa DSA aporta la idea para el contexto largo. DeepSeek publicó el método y quien llega después puede apoyarse en él.
  3. NaiveRT lleva la ingeniería al límite. Los dos niveles oficiales, Standard con ~50 tok/s y Ultrafast con hasta ~2000 tok/s, muestran que una misma capacidad de modelo puede ofrecerse en formas de servicio distintas. NaiveRT es el motor que empuja hacia el nivel alto.

Es la fuerza de un relevo abierto: Xiaomi corre el primer tramo, DeepSeek pasa el método y NaiveAI toma el testigo para esprintar hacia la velocidad extrema. Nadie reinventa la rueda, cada uno lleva el trabajo ajeno un poco más lejos. Así se ve un buen ecosistema abierto, con cada tramo más rápido que el anterior.

Ficha técnica

Concepto Información
Nombre Naive-N0.5-Flash
ID de modelo en la API oficial (principal) naive-n0.5-flash
ID de modelo en la API oficial (sin pensamiento) naive-n0.5-lite (el mismo modelo, con el pensamiento desactivado)
Publicado por NaiveAI (naive.ai)
Fecha de lanzamiento 2026-09-27
Licencia MIT, pesos abiertos
Arquitectura MoE, 309B totales, 15,5B activos
Capas 48 capas: 39 de atención de ventana deslizante (SWA) + 9 de atención dispersa DSA
Contexto 1M nativo
Velocidad (oficial) Standard ~50 tok/s; Ultrafast hasta ~2000 tok/s
Motor de inferencia NaiveRT, desarrollo propio
Tipo de entrada Solo texto y código, sin imágenes
Base Xiaomi MiMo-V2.5

La arquitectura: por qué es grande, largo y rápido

309B totales, 15,5B activos: mucha capacidad, poco cálculo

La idea de MoE (mezcla de expertos) es directa: el modelo puede ser enorme, pero cada token despierta solo a una pequeña parte de los expertos. Naive-N0.5-Flash tiene 309B de parámetros totales y activa 15,5B por token. El conocimiento cabe en los 309B, el coste de cada paso es el de 15,5B. La riqueza de un modelo grande con el paso de uno pequeño: esa es la base estructural de su alto rendimiento.

39 capas SWA + 9 capas DSA: reparto preciso entre lo local y lo global

De las 48 capas, 39 usan atención de ventana deslizante (SWA), que solo mira el entorno cercano y no encarece el coste sin límite al crecer el contexto. 9 usan atención dispersa DSA, que elige en todo el texto las posiciones realmente importantes. La mayor parte del cálculo recae en capas locales ligeras y unas pocas capas globales cubren las dependencias a larga distancia. Con este reparto, el contexto nativo de 1M es una capacidad utilizable y no solo una cifra en una tabla.

1M nativo: un repositorio entero, de una lectura

¿Qué significa 1M de contexto? Un repositorio de tamaño medio, un conjunto de documentación técnica o un historial de conversación muy largo caben en una sola petición, sin trocear. En tareas de código esto evita la pérdida de información de "primero recuperar, luego ensamblar". El modelo ve el contexto completo y no fragmentos recompuestos.

Hasta ~2000 tok/s: la respuesta de NaiveRT

El proveedor ofrece dos niveles: Standard con ~50 tok/s y Ultrafast con hasta ~2000 tok/s. Detrás de Ultrafast está NaiveRT, el motor de inferencia propio de NaiveAI. La arquitectura se encarga de calcular menos y el motor de calcular rápido. Hacen falta las dos cosas para llegar a esa cifra.

Lo que cambia la velocidad

2000 tok/s suena a un simple número. En un entorno de desarrollo real, la escena cambia.

Autocompletado en tiempo real en el IDE. Escribes un comentario y la implementación casi se despliega a la vez en pantalla. Sin ruedita, sin "pensando": el cursor se detiene y el código ya está escrito. Completar deja de ser esperar y pasa a ser respirar. Se invoca con más frecuencia, y la diferencia se acumula a lo largo del día.

Decenas de llamadas de un agente. Un agente lee archivos, modifica código, ejecuta pruebas, lee resultados y vuelve a modificar. Una sola tarea puede recorrer decenas de llamadas. Si cada una ahorra unos segundos, la tarea entera ahorra minutos. Con pasos más rápidos, en el mismo presupuesto de tiempo el agente puede intentar y verificar más veces, y hay más margen para mejorar la tasa de éxito.

Repositorios largos, de una lectura. 1M de contexto más alto rendimiento permite entregar toda la base de código al modelo y recibir un plan de cambios completo, sin trocear una y otra vez por el límite de la ventana. Leer todo y responder rápido es lo que debería ser el contexto largo.

Tareas por lotes, en paralelo. Revisión de código, generación de documentación, ampliación de pruebas: en trabajo paralelizable, más rendimiento reduce directamente el tiempo total.

Cambiar tiempo por calidad. Con velocidad suficiente hay margen para alargar la cadena de pensamiento. Pensar mucho era un lujo y puede pasar a ser una opción habitual.

La velocidad no es un fin en sí misma. Cambia el ritmo de la colaboración entre persona y modelo: de "enviar y esperar" a "conversar y seguir".

Por qué importa para el código abierto chino

Cuando se habla de modelos abiertos chinos, la conversación suele quedarse en "cuántos parámetros" o "qué puesto en el ranking". Naive-N0.5-Flash abre otra entrada: entre modelos igualmente abiertos, quién consigue una velocidad de inferencia que sorprenda a quien desarrolla.

Esa entrada tiene tres lecturas.

Primera: abrir no es solo publicar pesos. La licencia MIT permite desplegar, ajustar e integrar por cuenta propia, sin capas de restricciones de licencia. Con los pesos en la mano, la decisión es de quien desarrolla.

Segunda: la ingeniería es ventaja competitiva. La base viene de MiMo-V2.5 y la idea de atención dispersa, de la DSA de DeepSeek: piezas públicas del ecosistema abierto. NaiveAI ha puesto gran parte de su esfuerzo en el motor NaiveRT y ha hecho de "las mismas piezas, más velocidad" su sello. En la era del código abierto, la excelencia de ingeniería es en sí misma una barrera.

Tercera: el código abierto chino forma un relevo. El resultado de uno es el punto de partida de otro, y el método de uno lo valida, mejora y vuelve a publicar otro. Ese ciclo gira cada vez más rápido y gana quien usa los modelos: más opciones, menos coste de probar, iteración más ágil.

Cuatro palabras para leer el informe técnico

Si solo quieres recordar lo técnico de este modelo, bastan estas cuatro palabras.

MoE. Los 309B de parámetros totales son el "almacén de conocimiento" y los 15,5B activos son la "potencia real de cada paso". Un almacén grande da capacidad. Mover solo una parte en cada paso da velocidad.

SWA. Atención de ventana deslizante, presente en 39 de las 48 capas. Hace que la mayoría de capas miren solo lo cercano y mantiene el coste bajo control.

DSA. Atención dispersa, en las otras 9 capas. Elige posiciones clave en el conjunto y recupera la información lejana que de verdad sirve.

NaiveRT. El motor de inferencia propio, el eslabón que convierte la ventaja de arquitectura en "tokens por segundo".

Las cuatro forman una lógica clara: MoE para calcular menos, SWA para contener el coste del contexto largo, DSA para conservar la visión global y NaiveRT para convertir todo en velocidad.

Usos que vale la pena imaginar

Lo que sigue son escenarios planteados a partir de los parámetros y el alcance oficiales. No representan casos reales ocurridos.

  • Pipeline de revisión de código: meter el repositorio entero en el contexto y obtener sugerencias de cambio entre archivos. Aquí el valor del 1M nativo se ve con más claridad.
  • Asistente de IDE: completado, explicaciones y sugerencias de refactorización casi al instante, de modo que la atención de quien desarrolla no se interrumpe con esperas.
  • Agentes de varios pasos: leer, modificar, probar y revisar en bucle. Cuanto más rápido cada paso, más fluida la cadena.
  • Sincronía entre documentación y código: documentos largos y base de código en el mismo contexto, para comprobar si la descripción de la interfaz coincide con la implementación.

Todos estos escenarios amplifican las dos ventajas, velocidad y longitud de contexto, y quedan dentro de texto y código, justo el alcance del modelo.

Qué dicen terceros: la evaluación de Latent Space

El 10 de noviembre de 2026, Latent Space publicó una evaluación escrita por Gabriele Beltramo. Todos los datos siguientes proceden de ese artículo y no son mediciones de Guishu Intelligence.

Resultados de benchmark

Resultados en NL2Repo-Bench (datos de la ficha oficial, recopilados por Latent Space):

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

Velocidad medida

La evaluación de Latent Space indica:

  • pico medido de ~2100 tok/s, algo por encima de los 2000 tok/s del proveedor;
  • ~984 tok/s en la fase de pensamiento y ~1816 tok/s en la de respuesta;
  • mediana de tiempo de extremo a extremo de 3,1 segundos, frente a 10,1 segundos de DeepSeek.

Caso de aplicación

En el caso de "generar una aplicación del sistema solar", Naive-N0.5-Flash obtuvo el mejor resultado. En tareas de estructuras de árbol quedó cerca de DeepSeek.

Leer los datos con frialdad

Al leer estas cifras, tenga presentes las tres condiciones que da el texto original:

  • la velocidad de Naive se midió en el servidor oficial, mientras que los demás modelos pasaron por OpenRouter, así que el camino de la petición no es el mismo;
  • los tiempos medios de ambos son parecidos: 45,3 segundos y 45,0 segundos;
  • en problemas difíciles el tiempo medio fue de 89,8 segundos frente a 79,7 segundos, por una cadena de pensamiento más larga.

Los medios chinos también siguen este modelo. Qbitai (量子位) lo resumió en un artículo de su cuenta de WeChat del 13 de noviembre de 2026. Es una recopilación de segunda mano, y para las cifras vale el texto original de Latent Space.

Para quién y para qué

Muy adecuado para:

  • autocompletado interactivo de código y preguntas dentro del IDE, sensibles a la latencia;
  • comprensión y reescritura a nivel de repositorio que exigen mucho contexto;
  • equipos que necesitan despliegue privado y una licencia permisiva (MIT);
  • bucles de agentes de alta frecuencia, donde cada espera se multiplica.

Límites que conviene conocer de antemano:

  • solo procesa texto y código. Para tareas con imágenes hay que usar otro modelo;
  • las puntuaciones oficiales son una referencia, y el resultado real debe juzgarse con sus propias tareas.

Cómo integrar un modelo así con una API compatible

Para modelos ofrecidos por API con estilo Chat Completions, la integración sigue casi siempre el mismo patrón: configurar endpoint, clave e ID del modelo, y enviar la petición en streaming. Este es un ejemplo genérico. El endpoint y la clave son marcadores de posición, y debe seguir la documentación oficial de la API y las indicaciones del servicio que use.

curl -N "https://<tu proveedor o el endpoint oficial>/v1/chat/completions" \
  -H "Authorization: Bearer <tu API Key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Escribe en Python una caché LRU segura para concurrencia"}]
  }'

Antes de integrar, conviene confirmar punto por punto:

  1. ID del modelo: el principal oficial es naive-n0.5-flash y la versión sin pensamiento es naive-n0.5-lite;
  2. Salida en streaming: en un modelo de alto rendimiento hay que usar streaming, o la velocidad no se aprecia;
  3. Tipo de entrada: envíe solo texto, no imágenes;
  4. Timeouts y reintentos: las peticiones de contexto largo y las cadenas de pensamiento largas necesitan timeouts más holgados;
  5. Su propio conjunto de evaluación: ejecute una ronda con tareas reales antes de decidir si cambia.

¿Cómo evaluar de forma convincente? Elija entre 20 y 50 tareas reales de su propia base de código, registre por separado el tiempo hasta el primer token y el tiempo total, compare naive-n0.5-flash con naive-n0.5-lite, ejecute las pruebas en las tareas de código para ver la tasa de aciertos y haga una ronda aparte metiendo un repositorio real en la ventana de 1M. Esas conclusiones sí pueden entrar en su propio documento de selección técnica.

Guishu Intelligence sigue la evolución de este tipo de modelos abiertos de alta velocidad. Por ahora está en fase de evaluación y no asume ningún compromiso sobre fechas de disponibilidad.

Preguntas frecuentes

¿Quién creó Naive-N0.5-Flash? Lo publicó NaiveAI, una empresa china de IA fundada por un equipo con raíces en Tsinghua. Según informan los medios, su fundador, Dai Jifeng, es profesor asociado del Departamento de Ingeniería Electrónica de la Universidad de Tsinghua. Naive-N0.5-Flash es un producto de la empresa NaiveAI y se lanzó el 27 de septiembre de 2026.

¿Se entrenó desde cero? El proveedor confirma que parte de Xiaomi MiMo-V2.5 como base y que se inspira en la atención dispersa DSA de DeepSeek. Con el motor de inferencia propio NaiveRT, el foco está en optimizar al máximo la velocidad de inferencia.

¿Es de código abierto? ¿Qué licencia tiene? Los pesos son abiertos y la licencia es MIT.

¿Cuál es el ID del modelo en la API? El principal es naive-n0.5-flash. naive-n0.5-lite es el mismo modelo con el pensamiento desactivado.

¿De dónde sale la cifra de 2000 tok/s? Según el proveedor, el nivel Ultrafast alcanza hasta ~2000 tok/s, con el respaldo del motor propio NaiveRT. El pico medido por Latent Space fue de ~2100 tok/s.

¿Admite 1M de contexto? Sí, 1M de contexto nativo. En la arquitectura lo logran 39 capas de atención de ventana deslizante junto con 9 capas de atención dispersa DSA.

¿Admite imágenes? No. Se centra en texto y código.

¿Para qué sirve este modelo? Generación de código, comprensión a nivel de repositorio, bucles de agentes y desarrollo interactivo sensible a la latencia.

Conclusión

Licencia MIT, MoE de 309B con solo 15,5B activos, 39 capas SWA más 9 capas DSA sosteniendo un contexto nativo de 1M, el motor propio NaiveRT llevando la velocidad oficial hasta ~2000 tok/s y 71,9 en NL2Repo-Bench.

Xiaomi MiMo-V2.5 como base, la DSA de DeepSeek como idea y NaiveAI llevando la ingeniería al extremo. Es un buen relevo del código abierto chino, y da una nueva respuesta a cuánta velocidad puede tener un modelo de código.

Las palabras clave de este modelo: pesos abiertos, contexto largo, velocidad de respuesta. Cuando las tres coinciden en un mismo modelo, merece que lo mire con atención cualquier equipo que construya herramientas de código, agentes o plataformas para desarrolladores.

Para quien desarrolla, la mejor respuesta es probarlo: leer la documentación oficial, ejecutar una ronda con sus propias tareas y dejar que hablen los datos.

Referencias