العربية Deutsch English Español Français 日本語 한국어 Latina Bahasa Melayu Português (Brasil)Русский ไทย Tiếng Việt 繁體中文中文

Naive-N0.5-Flash 등장: 309B MoE, 네이티브 1M 컨텍스트, 최대 약 2000 tok/s. 칭화대 배경 팀이 만든 중국 오픈소스 LLM

2026년 11월 14일

Naive-N0.5-FlashNaiveAI중국 오픈소스 LLM1M 컨텍스트2000 tok/s

총 309B 파라미터, 토큰당 활성 파라미터는 15.5B뿐. 네이티브 1M 컨텍스트. Ultrafast 티어 최대 약 2000 tok/s. MIT 라이선스, 가중치 전체 공개.

숫자 네 개가 전하는 메시지는 하나입니다. 중국 오픈소스 LLM이 "빠르다"는 말의 차원을 바꿨습니다.

2026년 9월 27일, 칭화대 배경 팀이 창업한 중국 AI 기업 NaiveAI가 Naive-N0.5-Flash를 발표했습니다. NL2Repo-Bench에서 공식 모델 카드가 제시한 점수는 71.9입니다. Latent Space가 정리한 비교표에서 DeepSeek V4.1 Flash는 68.2, GLM 5.3 Flash는 56.3이었습니다. 텍스트와 코드만 다루는 모델이 자기 영역을 깊게, 그리고 빠르게 달립니다.

이것은 "파라미터가 더 커졌다"는 이야기가 아닙니다. 응답 속도에 관한 이야기입니다. 모델이 초당 수천 토큰을 쏟아내면 코드 작성, Agent 실행, 저장소 읽기는 "생각이 끝나길 기다리는" 경험이 아니라 "이미 답이 나와 있는" 경험이 됩니다.

먼저 결론

발표 주체: NaiveAI(naive.ai), 공식 X 계정 @naiveailab, 공개일 2026-09-27.
라이선스: MIT, 오픈 가중치. 상업적 이용과 2차 개발의 문턱이 매우 낮습니다.
규모: 총 309B 파라미터 MoE, 토큰당 15.5B 파라미터 활성화.
컨텍스트: 네이티브 1M.
속도: 공식 Standard 티어 약 50 tok/s, Ultrafast 티어 최대 약 2000 tok/s. 자체 개발 추론 엔진 NaiveRT가 구동합니다.
능력 범위: 텍스트와 코드 전용. 이미지 입력은 지원하지 않습니다.
벤치마크: NL2Repo-Bench 71.9. DeepSeek V4.1 Flash의 68.2, GLM 5.3 Flash의 56.3보다 높습니다(공식 모델 카드 데이터, Latent Space 정리).

누가 만들었나: 칭화대 배경 팀이 창업한 NaiveAI

NaiveAI는 칭화대 배경 팀이 창업한 중국 AI 기업입니다. 언론 보도에 따르면 창업자 다이지펑(代季峰)은 칭화대학교 전자공학과 부교수입니다. Naive-N0.5-Flash는 NaiveAI의 회사 제품입니다.

학술적 깊이를 갖춘 팀이 가중치를 MIT 라이선스로 완전히 공개하고, 자체 추론 엔진으로 속도를 끝까지 끌어올렸습니다. 중국 대형 모델 중에서도 눈에 띄는 노선입니다.

오픈소스 거인의 어깨 위에서 속도를 극한까지

Naive-N0.5-Flash는 자신의 출신을 숨기지 않습니다. 오히려 자랑스럽게 말합니다.

공식 확인에 따르면 이 모델은 샤오미 MiMo-V2.5를 기반 모델로 삼았고, DeepSeek의 DSA 희소 어텐션을 참고했습니다. 여기에 NaiveAI가 자체 개발한 추론 엔진 NaiveRT가 더해집니다. 세 가지가 겹쳐집니다.

MiMo-V2.5가 탄탄한 기반을 제공합니다. 중국 오픈소스 모델의 앞 주자가 이미 지반을 다져 놓았습니다.
DSA 희소 어텐션이 장문 컨텍스트의 방법론을 제공합니다. DeepSeek이 방법을 공개했으니 후발 주자는 그 위에 바로 올라설 수 있습니다.
NaiveRT가 엔지니어링을 극한까지 짜냅니다. 공식이 제시한 Standard 약 50 tok/s와 Ultrafast 최대 약 2000 tok/s라는 두 티어는, 같은 모델 능력이 서비스 형태에 따라 다르게 발휘될 수 있음을 보여 줍니다. 높은 티어를 향해 달리는 엔진이 NaiveRT입니다.

이것이 오픈소스 릴레이의 힘입니다. 샤오미가 첫 주자로 달리고, DeepSeek이 방법을 건네고, NaiveAI가 바통을 받아 "극한의 속도"를 향해 질주했습니다. 처음부터 바퀴를 새로 만드는 곳은 없고, 모두가 남의 성과를 더 멀리 밀어 줍니다. 오픈소스 생태계가 가장 좋은 모습일 때가 바로 이렇습니다. 주자가 바뀔 때마다 더 빨라집니다.

핵심 사양표

항목	내용
표시 이름	Naive-N0.5-Flash
공식 API 모델 ID(주력)	`naive-n0.5-flash`
공식 API 모델 ID(사고 끔)	`naive-n0.5-lite`(같은 모델, 사고 기능 끔)
발표 주체	NaiveAI(naive.ai)
공개일	2026-09-27
라이선스	MIT, 오픈 가중치
아키텍처	MoE, 총 파라미터 309B, 활성 15.5B
레이어	48층: 슬라이딩 윈도우 어텐션(SWA) 39층 + DSA 희소 어텐션 9층
컨텍스트	네이티브 1M
속도(공식)	Standard 약 50 tok/s, Ultrafast 최대 약 2000 tok/s
추론 엔진	자체 개발 NaiveRT
입력 유형	텍스트와 코드 전용. 이미지 입력 미지원
기반 모델	샤오미 MiMo-V2.5

아키텍처 해부: 왜 크고, 길고, 빠른가

총 309B, 활성 15.5B: 큰 용량, 작은 연산

MoE(Mixture of Experts)의 발상은 단순합니다. 모델은 아주 커도 되지만, 토큰마다 깨우는 전문가는 일부뿐입니다. Naive-N0.5-Flash는 총 309B 파라미터 중 토큰당 15.5B만 활성화합니다. 지식 용량은 309B에서 나오고, 한 단계의 연산량은 15.5B 몫입니다. 큰 모델의 식견에 작은 모델의 걸음걸이를 더한 것이 높은 처리량의 구조적 토대입니다.

SWA 39층 + DSA 9층: 국소와 전역의 정밀한 분업

48개 층 가운데 **39층은 슬라이딩 윈도우 어텐션(SWA)**을 사용합니다. 가까운 이웃만 보기 때문에 비용이 컨텍스트 길이에 따라 끝없이 불어나지 않습니다. 9층은 DSA 희소 어텐션으로, 전체 범위에서 정말 중요한 위치를 골라냅니다. 연산의 대부분은 가벼운 국소 층이 맡고, 소수의 전역 층이 먼 거리의 의존 관계를 받쳐 줍니다. 이 배분 덕분에 네이티브 1M 컨텍스트는 사양표 위의 숫자에 그치지 않고 실제로 쓸 수 있는 능력이 됩니다.

네이티브 1M: 저장소 전체를 한 번에

1M 컨텍스트는 무슨 뜻일까요? 중간 규모의 코드 저장소, 한 벌의 기술 문서, 아주 긴 대화 이력을 쪼개지 않고 한 번의 요청에 넣을 수 있다는 뜻입니다. 코드 작업에서는 "먼저 검색하고 이어 붙이는" 방식보다 정보 손실이 한 단계 줄어듭니다. 모델이 보는 것은 이어 붙인 조각이 아니라 온전한 컨텍스트입니다.

최대 약 2000 tok/s: NaiveRT의 답안

공식 서비스는 두 티어로 나뉩니다. Standard는 약 50 tok/s, Ultrafast는 최대 약 2000 tok/s입니다. Ultrafast 뒤에는 NaiveAI가 자체 개발한 추론 엔진 NaiveRT가 있습니다. 모델 아키텍처는 "덜 계산하게" 하고, 추론 엔진은 "빠르게 계산하게" 합니다. 두 가지를 동시에 제대로 해야 이 숫자가 나옵니다.

속도가 바꾸는 것

2000 tok/s는 숫자만 보면 그저 한 줄입니다. 실제 개발 현장에 놓으면 풍경이 달라집니다.

IDE의 실시간 자동 완성. 주석 한 줄을 쓰면 전체 구현이 거의 동시에 화면을 채웁니다. 로딩 아이콘도, "생각 중"도 없습니다. 커서가 멈췄을 때 코드는 이미 다 적혀 있습니다. 자동 완성이 "기다림"에서 "호흡"으로 바뀌고, 개발자는 더 자주 호출하게 됩니다. 하루가 지나면 그 차이가 쌓입니다.

Agent의 수십 차례 호출. Agent는 파일을 읽고, 코드를 고치고, 테스트를 돌리고, 결과를 읽고, 다시 고칩니다. 작업 하나가 수십 차례 호출을 거치기도 합니다. 매 차례 몇 초를 줄이면 작업 전체에서 몇 분이 줄어듭니다. 한 단계가 빠르면 같은 시간 예산 안에서 Agent가 더 많이 시도하고 더 많이 검증할 수 있고, 성공률이 올라갈 여지도 커집니다.

긴 저장소를 한 번에 읽기. 1M 컨텍스트와 높은 처리량이 있으면 코드베이스 전체를 모델에 넘기고 전면적인 개선안을 받을 수 있습니다. 윈도우 제한 안에서 계속 쪼갤 필요가 없습니다. 전부 읽고 빠르게 답합니다. 장문 컨텍스트가 원래 가져야 할 모습입니다.

일괄 작업을 병렬로 펼치기. 코드 리뷰, 문서 생성, 테스트 보완처럼 병렬화할 수 있는 작업은 처리량이 높아지면 총 소요 시간이 곧바로 줄어듭니다.

시간을 품질로 바꾸기. 충분히 빠르면 사고 체인을 길게 가져갈 여유가 생깁니다. 예전에는 "오래 생각하기"가 사치였지만 이제는 일상적인 선택지가 될 수 있습니다.

속도 자체가 목적은 아닙니다. 바뀌는 것은 사람과 모델이 협업하는 리듬입니다. "제출하고 기다리는" 방식에서 "대화하고 계속 나아가는" 방식으로 바뀝니다.

중국 오픈소스에 왜 중요한가

그동안 중국 오픈소스 LLM에 관한 논의는 "파라미터가 얼마나 큰가", "순위가 몇 위인가"에서 멈추는 경우가 많았습니다. Naive-N0.5-Flash는 새로운 접근점을 제시합니다. 같은 오픈소스라면, 개발자가 놀랄 만큼 추론을 빠르게 만들 수 있는 쪽은 누구인가.

이 접근점에는 세 겹의 의미가 있습니다.

첫째, 오픈소스는 가중치를 내놓는 것에 그치지 않습니다. MIT 라이선스는 팀이 직접 배포하고, 직접 파인튜닝하고, 직접 통합할 수 있다는 뜻입니다. 라이선스 제약을 겹겹이 걱정할 필요가 없습니다. 가중치가 손에 있으면 선택권은 개발자에게 있습니다.

둘째, 엔지니어링 역량이 경쟁력이 됩니다. 기반은 MiMo-V2.5에서, 희소 어텐션 아이디어는 DeepSeek의 DSA에서 왔습니다. 모두 오픈소스 생태계에서 누구나 쓸 수 있는 블록입니다. NaiveAI는 추론 엔진 NaiveRT에 힘을 쏟아 "같은 블록으로 더 빠른 속도를 조립하는 것"을 자기만의 특색으로 만들었습니다. 오픈소스 시대에는 엔지니어링의 극한 자체가 진입 장벽입니다.

셋째, 중국 오픈소스에 릴레이가 형성되었습니다. 한 팀의 성과가 다른 팀의 출발점이 되고, 한 팀의 방법이 다른 팀에서 검증되고 개선되어 다시 공개됩니다. 이 순환은 돌수록 빨라지고, 혜택은 모든 사용자에게 돌아갑니다. 선택할 수 있는 모델이 늘고, 시행착오의 문턱이 낮아지고, 반복 속도가 빨라집니다.

기술 성적표를 읽는 네 가지 키워드

이 모델의 기술 요점만 기억하고 싶다면 네 단어면 충분합니다.

MoE. 총 309B 파라미터는 "지식 창고", 활성 15.5B는 "한 단계의 실제 연산력"입니다. 창고가 크다는 것은 용량이 넉넉하다는 뜻이고, 한 단계에 일부만 움직인다는 것은 빠르게 달린다는 뜻입니다.

SWA. 슬라이딩 윈도우 어텐션으로 48층 중 39층을 차지합니다. 대부분의 층이 가까운 내용에만 주목하게 하여 비용을 통제합니다.

DSA. 희소 어텐션으로 나머지 9층을 차지합니다. 전체에서 핵심 위치를 골라 멀리 있는 정말 유용한 정보를 끌어옵니다.

NaiveRT. 자체 개발 추론 엔진. 아키텍처의 장점을 "초당 몇 토큰"으로 바꿔 주는 고리입니다.

네 단어를 이으면 논리가 분명합니다. MoE로 덜 계산하고, SWA로 장문 컨텍스트 비용을 통제하고, DSA로 전역 시야를 지키고, NaiveRT로 속도를 실현합니다.

상상해 볼 만한 활용 방식

아래는 공식 사양과 능력 범위를 바탕으로 한 활용 구상이며, 실제로 일어난 사례가 아닙니다.

코드 리뷰 파이프라인: 저장소 전체를 한 번에 컨텍스트에 넣고 파일을 가로지르는 수정 제안을 받습니다. 네이티브 1M의 가치가 가장 직관적으로 드러나는 곳입니다.
IDE 어시스턴트: 자동 완성, 설명, 리팩터링 제안이 거의 동시에 돌아와 기다림이 개발자의 집중을 끊지 않습니다.
다단계 Agent: 읽기, 수정, 테스트, 되돌아보기를 반복합니다. 한 단계가 빠를수록 전체 흐름이 매끄럽습니다.
문서와 코드의 동기화: 긴 문서와 코드베이스를 함께 컨텍스트에 넣고 인터페이스 설명과 구현이 일치하는지 대조합니다.

이 장면들에는 공통점이 있습니다. "속도"와 "컨텍스트 길이"라는 두 강점을 증폭하며, 모두 텍스트와 코드의 범위 안에 있어 모델의 능력 범위와 정확히 맞습니다.

제3자의 평가: Latent Space 리뷰

2026년 11월 10일, Latent Space가 Gabriele Beltramo가 쓴 리뷰를 게재했습니다. 아래 데이터는 모두 이 글에서 가져온 것이며 贵数智能의 실측이 아닙니다.

벤치마크 결과

NL2Repo-Bench 점수(공식 모델 카드 데이터, Latent Space 정리):

모델	NL2Repo-Bench
Naive-N0.5-Flash	71.9
DeepSeek V4.1 Flash	68.2
GLM 5.3 Flash	56.3

속도 실측

Latent Space 리뷰에 따르면:

실측 최고치는 약 2100 tok/s로, 공식 수치 2000 tok/s보다 약간 높습니다.
사고 단계는 약 984 tok/s, 답변 단계는 약 1816 tok/s입니다.
엔드투엔드 소요 시간 중앙값은 3.1초로, DeepSeek의 10.1초와 비교됩니다.

응용 사례

"태양계 앱 생성" 사례에서는 Naive-N0.5-Flash가 가장 좋은 결과를 냈습니다. 트리 구조 과제에서는 DeepSeek과 비슷했습니다.

숫자는 차분하게 보기

이 숫자를 볼 때는 리뷰 원문이 밝힌 세 가지 조건을 함께 기억하세요.

Naive의 속도는 공식 서버에서 측정되었고, 다른 모델은 OpenRouter를 통해 측정되어 두 경로가 다릅니다.
평균 소요 시간은 비슷하여 각각 45.3초와 45.0초입니다.
어려운 문제의 평균 소요 시간은 89.8초 대 79.7초이며, 이유는 사고 체인이 더 길기 때문입니다.

중국 언론도 이 모델에 주목하고 있으며, 量子位(QbitAI)가 2026년 11월 13일 위챗 공식 계정 글에서 이를 소개했습니다. 이 글은 2차 정리이므로, 수치는 Latent Space 원문을 기준으로 하세요.

어떤 사람, 어떤 상황에 맞나

매우 적합합니다:

지연 시간에 민감한 대화형 코드 자동 완성, IDE 내 질의응답
큰 컨텍스트가 필요한 저장소 단위의 이해와 재작성
프라이빗 배포가 필요하고 라이선스 조건이 느슨하길 원하는 팀(MIT)
고빈도 호출에 의존하는 Agent 루프. 단계마다의 대기가 반복해서 증폭됩니다.

미리 알아 둘 범위:

텍스트와 코드만 처리하므로, 이미지 입력이 필요한 작업에는 다른 모델이 필요합니다.
공식 점수는 참고 자료이며, 실제 업무 효과는 여전히 직접 하는 작업을 기준으로 판단해야 합니다.

개발자가 호환 API로 이런 모델을 연동하는 방법

API로 제공되며 Chat Completions 방식을 따르는 모델이라면 연동 방식은 대체로 같습니다. 엔드포인트, 키, 모델 ID를 설정하고 스트리밍으로 요청을 보냅니다. 아래는 일반적인 예시입니다. 엔드포인트와 키는 자리 표시자이므로, 공식 API 문서와 사용하는 서비스의 안내를 따르세요.

curl -N "https://<사용하는 공급자 또는 공식 엔드포인트>/v1/chat/completions" \
  -H "Authorization: Bearer <API 키>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Python으로 스레드 안전한 LRU 캐시를 작성해 줘"}]
  }'

연동 전에 다음 항목을 하나씩 확인하길 권합니다.

모델 ID: 공식 주력은 naive-n0.5-flash, 사고를 끈 버전은 naive-n0.5-lite입니다.
스트리밍 출력: 처리량이 높은 모델일수록 스트리밍을 써야 합니다. 그렇지 않으면 속도가 보이지 않습니다.
입력 유형: 텍스트만 보내고 이미지는 보내지 마세요.
타임아웃과 재시도: 장문 컨텍스트 요청과 긴 사고 체인에는 더 넉넉한 타임아웃이 필요합니다.
자체 평가 세트: 실제 작업으로 한 번 돌려 보고 전환 여부를 결정하세요.

어떻게 평가해야 설득력이 있을까요? 자기 코드베이스에서 나온 실제 작업을 20개에서 50개 고르세요. 첫 토큰까지의 시간과 총 소요 시간을 따로 기록하고, naive-n0.5-flash와 naive-n0.5-lite를 비교합니다. 코드 작업은 테스트를 돌려 통과율을 확인합니다. 그리고 실제 저장소를 1M 윈도우에 넣어 따로 한 차례 시험합니다. 이렇게 얻은 결론이 자기 기술 선정 문서에 넣을 수 있는 데이터입니다.

贵数智能은 이러한 고속 오픈소스 모델의 동향을 주시하고 있습니다. 현재는 평가 단계이며, 제공 시점에 대해서는 어떤 약속도 하지 않습니다.

자주 묻는 질문(FAQ)

Naive-N0.5-Flash는 누가 만들었나요? NaiveAI가 공개했습니다. NaiveAI는 칭화대 배경 팀이 창업한 중국 AI 기업이며, 언론 보도에 따르면 창업자 다이지펑(代季峰)은 칭화대학교 전자공학과 부교수입니다. Naive-N0.5-Flash는 NaiveAI의 회사 제품으로, 2026년 9월 27일에 공개되었습니다.

처음부터 학습한 모델인가요? 공식은 샤오미 MiMo-V2.5를 기반으로 하고 DeepSeek의 DSA 희소 어텐션을 참고했다고 확인했습니다. 자체 개발 추론 엔진 NaiveRT와 결합해 추론 속도의 극한 최적화에 초점을 맞췄습니다.

오픈소스인가요? 라이선스는 무엇인가요? 가중치가 공개되어 있으며 라이선스는 MIT입니다.

API 모델 ID는 무엇인가요? 주력은 naive-n0.5-flash입니다. naive-n0.5-lite는 같은 모델에서 사고를 끈 버전입니다.

2000 tok/s는 어디서 나온 수치인가요? 공식 설명은 Ultrafast 티어 최대 약 2000 tok/s이며, 자체 개발 추론 엔진 NaiveRT가 뒷받침합니다. Latent Space의 실측 최고치는 약 2100 tok/s였습니다.

1M 컨텍스트를 지원하나요? 네, 네이티브 1M 컨텍스트를 지원합니다. 아키텍처상 슬라이딩 윈도우 어텐션 39층과 DSA 희소 어텐션 9층이 함께 구현합니다.

이미지 입력을 지원하나요? 지원하지 않습니다. 텍스트와 코드에 집중한 모델입니다.

어떤 용도에 적합한가요? 코드 생성, 저장소 단위 이해, Agent 루프, 지연 시간에 민감한 대화형 개발 상황에 적합합니다.

마무리

MIT 오픈소스. 309B MoE에서 활성화는 15.5B뿐. SWA 39층과 DSA 9층이 네이티브 1M 컨텍스트를 받치고, 자체 개발 NaiveRT가 속도를 공식 최대 약 2000 tok/s까지 끌어올렸으며, NL2Repo-Bench 71.9를 기록했습니다.

샤오미 MiMo-V2.5가 기반이 되고, DeepSeek의 DSA가 아이디어를 주고, NaiveAI가 엔지니어링을 극한까지 밀어붙였습니다. 중국 오픈소스 LLM의 멋진 릴레이이며, "코드 모델은 얼마나 빨라질 수 있는가"라는 질문에 새로운 답을 내놓았습니다.

이 모델의 키워드는 가중치 공개, 긴 컨텍스트, 응답 속도입니다. 세 가지가 한 모델에 함께 나타났다면, 코드 도구와 Agent, 개발자 플랫폼을 만드는 모든 팀이 진지하게 살펴볼 가치가 있습니다.

개발자에게 가장 좋은 대응은 직접 써 보는 것입니다. 공식 문서를 읽고, 자기 작업으로 한 번 돌려 보고, 데이터가 말하게 하세요.

참고 자료

NaiveAI 공식 리서치 페이지: https://naive.ai/en/research/
Hugging Face 모델 페이지: https://huggingface.co/NaiveAI/Naive-N0.5-Flash
NaiveAI API 빠른 시작: https://platform.naive.ai/docs/api-quick-start
NaiveAI 공식 X(@naiveailab): https://x.com/naiveailab/status/2104247060186951725
Latent Space 리뷰(Gabriele Beltramo, 2026-11-10): https://latent.space/p/naiveai/
量子位 위챗 공식 계정 글(2026-11-13, 2차 소개): https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ

Your privacy choices