Naive-N0.5-Flash: MoE 309B, contextus nativus 1M et usque ad ~2000 tok/s. Exemplar Sinicum pondera aperiens, a grege Tsinghua oriundo creatum
309B parametri in summa, sed 15,5B tantum per singulum token activi. Contextus nativus 1M. In gradu Ultrafast usque ad ~2000 tok/s. Licentia MIT, pondera omnia publicata.
Quattuor numeri, una sententia: exemplaria Sinica aperta celeritatem nunc ad alium ordinem magnitudinis extulerunt.
Die 27 Septembris 2026 NaiveAI, societas Sinica intellegentiae artificialis a grege Tsinghua oriundo condita, Naive-N0.5-Flash edidit. In NL2Repo-Bench charta officialis exemplaris 71,9 praebet. In comparatione a Latent Space collecta DeepSeek V4.1 Flash 68,2 consequitur, GLM 5.3 Flash 56,3. Exemplar quod solum textum et codicem tractat, in suo campo et alte et celeriter procedit.
Haec non est fabula de "pluribus parametris". Fabula est de tempore responsionis. Ubi exemplar milia tokenum per secundum edit, codicem scribere, agentes agere, repositorium legere non iam est exspectare dum cogitet, sed responsum iam adesse.
Summa primum
- Editor: NaiveAI (naive.ai), ratio officialis in X @naiveailab, dies editionis 2026-09-27.
- Licentia: MIT, pondera aperta. Aditus ad usum commercialem et opera derivata perfacilis.
- Magnitudo: MoE cum 309B parametris totis, 15,5B per token activis.
- Contextus: nativus 1M.
- Celeritas: secundum editorem gradus Standard circiter 50 tok/s, gradus Ultrafast usque ad ~2000 tok/s, machina inferentiae propria NaiveRT impulsa.
- Fines: textus et codex tantum, imagines non accipiuntur.
- Probatio: 71,9 in NL2Repo-Bench, supra DeepSeek V4.1 Flash (68,2) et GLM 5.3 Flash (56,3). Data ex charta exemplaris officiali, a Latent Space collecta.
Quis fecit: NaiveAI, a grege Tsinghua oriundo condita
NaiveAI est societas Sinica intellegentiae artificialis a grege Tsinghua oriundo condita. Ut instrumenta nuntiandi referunt, conditor Dai Jifeng professor associatus est in Facultate Electronica Universitatis Tsinghua. Naive-N0.5-Flash productum societatis NaiveAI est.
Grex doctrina altus pondera integra sub licentia MIT aperit, deinde machina inferentiae propria celeritatem ad summum extendit. Haec via inter exemplaria Sinica facile cognoscitur.
Super umeros apertos ad summam celeritatem
Naive-N0.5-Flash unde veniat non celat, idque cum superbia dicit.
Editor confirmat id Xiaomi MiMo-V2.5 pro fundamento habere et attentionem sparsam DSA a DeepSeek inventam imitari. Accedit machina propria NaiveRT. Tria superposita:
- MiMo-V2.5 fundamentum solidum praebet. Prior cursor exemplarium Sinicorum apertorum iam basin posuit.
- Attentio sparsa DSA consilium pro contextu longo praebet. DeepSeek methodum publicavit, et qui sequuntur ei insistere possunt.
- NaiveRT ingeniariam ad extremum premit. Duo gradus officiales, Standard circiter 50 tok/s et Ultrafast usque ad ~2000 tok/s, ostendunt eandem exemplaris facultatem in diversis servitii formis explicari posse. NaiveRT est machina quae ad gradum summum urget.
Haec est vis cursus apertae staffetae: Xiaomi primam partem cucurrit, DeepSeek methodum tradidit, NaiveAI testem accepit et ad celeritatem extremam contendit. Nemo rotam de integro fingit, quisque aliorum opus paulo longius promovet. Ecosystema apertum optimum sic apparet: quaeque pars prior celerior.
Tabula parametrorum
| Res | Notitia |
|---|---|
| Nomen | Naive-N0.5-Flash |
| ID exemplaris in API officiali (principale) | naive-n0.5-flash |
| ID exemplaris in API officiali (sine cogitatione) | naive-n0.5-lite (idem exemplar, cogitatione exstincta) |
| Editor | NaiveAI (naive.ai) |
| Dies editionis | 2026-09-27 |
| Licentia | MIT, pondera aperta |
| Architectura | MoE, 309B in summa, 15,5B activi |
| Strata | 48 strata: 39 attentionis fenestrae labentis (SWA) + 9 attentionis sparsae DSA |
| Contextus | nativus 1M |
| Celeritas (officialis) | Standard circiter 50 tok/s; Ultrafast usque ad ~2000 tok/s |
| Machina inferentiae | NaiveRT, propria |
| Genus initus | textus et codex tantum, imagines non |
| Fundamentum | Xiaomi MiMo-V2.5 |
Architectura: cur magnum, longum et celere sit
309B in summa, 15,5B activi: magna capacitas, parvus calculus
Consilium MoE (mixtura peritorum) simplex est: exemplar ingens esse potest, sed quodque token partem tantum exiguam peritorum excitat. Naive-N0.5-Flash 309B parametros totos habet, et per token 15,5B tantum activat. Scientia in 309B continetur, sumptus cuiusque gradus est 15,5B. Doctrina magni exemplaris cum gradu parvi: hoc est fundamentum structurale altae celeritatis.
39 strata SWA + 9 strata DSA: partitio accurata inter localia et universa
Ex 48 stratis 39 attentione fenestrae labentis (SWA) utuntur, quae vicinitatem proximam tantum spectat, nec sumptus cum contextu sine fine crescit. 9 attentione sparsa DSA utuntur, quae in toto textu loca vere decretoria eligit. Maxima pars calculi stratis localibus levibus committitur, pauca strata universalia dependentias longinquas sustinent. Hac partitione contextus nativus 1M facultas vere usui apta fit, non solum numerus in tabula.
Nativus 1M: totum repositorium una lectione
Quid significat contextus 1M? Repositorium codicis mediocre, series documentorum technicorum, historia colloquii longissima, sine incisione in eadem petitione poni possunt. In muneribus codicis hoc detrimentum informationis eius rationis "primum quaerere, deinde conglutinare" tollit. Exemplar contextum integrum videt, non fragmenta compacta.
Usque ad ~2000 tok/s: responsum NaiveRT
Editor servitium in duos gradus dividit: Standard circiter 50 tok/s, Ultrafast usque ad ~2000 tok/s. Post Ultrafast stat NaiveRT, machina inferentiae propria NaiveAI. Architectura curat ut minus computetur, machina ut celeriter computetur. Utrumque recte fieri debet ut hic numerus nascatur.
Quid celeritas mutet
2000 tok/s mere numerus videtur. In vera programmandi condicione scaena mutatur.
Completio in tempore reali in IDE. Commentarium scribis, et tota exsecutio paene simul in tabula explicatur. Nulla rotula volvitur, nullum "cogitat": cursor sistit et codex iam scriptus est. Completio ex exspectatione fit respiratio. Qui programmant saepius vocant, et per diem differentia cumulatur.
Multae vices unius agentis. Agens fasciculos legit, codicem mutat, probationes agit, eventus legit, iterum mutat. Unum munus multas vices percurrere potest. Si quaeque vice paucae secundae servantur, totum munus minuta servat. Gradibus celerioribus agens in eodem tempore pluries temptare et comprobare potest, et locus ad successum augendum amplior est.
Repositorium longum, una lectione. Contextus 1M cum fluxu alto significat totam codicis basin exemplari tradi posse, planumque restitutionis integrum accipi, non iterum atque iterum propter finem fenestrae incidi. Omnia legere, celeriter respondere: sic contextus longus esse debet.
Munera in acervo, parallele explicata. Recensio codicis, documentorum generatio, probationum supplementum: in opere parallelo fluxus altior tempus totum directe minuit.
Tempus pro qualitate permutare. Si celeritas satis est, spatium superest catenam cogitationis extendendi. Diu cogitare luxus erat, nunc optio communis fieri potest.
Celeritas ipsa finis non est. Mutat ritmum collaborationis inter hominem et exemplar: ex "mitte, deinde exspecta" ad "colloquere, deinde perge".
Cur hoc pro codice aperto Sinico magni momenti sit
Cum de exemplaribus Sinicis apertis disputatur, sermo saepe in "quot parametri" et "quotus in tabula ordinis" subsistit. Naive-N0.5-Flash novum aditum aperit: inter exemplaria aeque aperta, quod celeritatem inferentiae consequatur quae programmantes mirari faciat.
Hic aditus tres sensus habet.
Primo: aperire non est solum pondera emittere. Licentia MIT sinit per se instituere, per se accommodare, per se coniungere, sine timore stratorum restrictionum licentiae. Pondera in manu, electio penes programmantes est.
Secundo: facultas ingeniariae fit virtus certaminis. Fundamentum ex MiMo-V2.5 venit, consilium attentionis sparsae ex DSA DeepSeek, quae omnia sunt latericii publici in ecosystemate aperto. NaiveAI magnam operam machinae NaiveRT dedit, et "eosdem latericios ad maiorem celeritatem componere" proprium suum fecit. Aetate codicis aperti perfectio ingeniariae ipsa munimentum est.
Tertio: codex apertus Sinicus staffetam format. Fructus unius fit principium alterius, methodus unius ab altero comprobatur, emendatur, rursus emittitur. Hic circuitus celerius semper volvitur, et omnes utentes iuvat: plura exemplaria ad eligendum, minor aditus ad temptandum, iteratio celerior.
Relationem technicam legere: quattuor verba clavis
Si de hoc exemplari solum capita technica meminisse vis, haec quattuor verba sufficiunt.
MoE. 309B parametri toti sunt "horreum scientiae", 15,5B activi sunt "vis vera cuiusque gradus". Horreum magnum capacitatem significat. Singulis gradibus partem tantum parvam movere celeritatem significat.
SWA. Attentio fenestrae labentis, 39 ex 48 stratis. Pleraque strata proxima tantum spectant, sumptus in potestate manet.
DSA. Attentio sparsa, reliqua 9 strata. In toto loca clavis eligit et informationem longinquam vere utilem reducit.
NaiveRT. Machina inferentiae propria, nexus qui commodum architecturae in "tokena per secundum" convertit.
Quattuor verba in unam rationem clare coeunt: MoE ut minus computetur, SWA ut sumptus contextus longi contineatur, DSA ut visio universa servetur, NaiveRT ut celeritas reddatur.
Usus qui imaginari digni sunt
Quae sequuntur sunt cogitationes ex parametris et finibus officialibus ductae. Nullum casum re vera factum repraesentant.
- Fistula recensionis codicis: totum repositorium simul in contextum ponere et consilia mutationis inter fasciculos accipere. Hic valor contextus nativi 1M manifestissimus est.
- Adiutor IDE: completio, explicatio, consilia refactoriae paene simul redeunt, attentio programmantis exspectatione non interrumpitur.
- Agentes multigradus: legere, mutare, probare, recensere in orbe. Quo celerior singulus gradus, eo fluentior tota catena.
- Consensus documentorum et codicis: documenta longa et codicis basis simul in contextu, ut inspiciatur num descriptio interfaciei cum exsecutione congruat.
Haec omnia in eo conveniunt: duas virtutes, celeritatem et longitudinem contextus, augent, et intra textum et codicem manent, quod exacte finibus exemplaris respondet.
Quid tertii iudicent: aestimatio Latent Space
Die 10 Novembris 2026 Latent Space aestimationem a Gabriele Beltramo scriptam edidit. Omnia data sequentia ex eo scripto sumpta sunt, non sunt mensurae Guishu Intelligence.
Eventus probationis
Eventus in NL2Repo-Bench (data ex charta exemplaris officiali, a Latent Space collecta):
| Exemplar | NL2Repo-Bench |
|---|---|
| Naive-N0.5-Flash | 71,9 |
| DeepSeek V4.1 Flash | 68,2 |
| GLM 5.3 Flash | 56,3 |
Celeritas mensurata
Aestimatio Latent Space ostendit:
- culmen mensuratum circiter 2100 tok/s, paulo supra 2000 tok/s ab editore datos;
- in phase cogitationis circiter 984 tok/s, in phase responsionis circiter 1816 tok/s;
- mediana temporis ab initio ad finem 3,1 secundae, contra 10,1 secundas apud DeepSeek.
Casus applicationis
In casu "applicationem systematis solaris generare" Naive-N0.5-Flash optime se gessit. In muneribus structurarum arboreorum DeepSeek prope accedit.
Data sobrie legere
Haec data legens, tres condiciones ab originali scripto datas tecum feras:
- Celeritas Naive in servitore officiali mensurata est, alia exemplaria per OpenRouter ierunt, itaque via petitionis diversa est;
- Tempora media amborum similia sunt, nempe 45,3 secundae et 45,0 secundae;
- In quaestionibus difficilibus tempus medium est 89,8 secundae contra 79,7 secundas, quia catena cogitationis longior est.
Instrumenta Sinica quoque hoc exemplar observant. Qbitai (量子位) die 13 Novembris 2026 in scripto suo in WeChat id rettulit. Scriptum illud collectio secundae manus est, et pro numeris textus originalis Latent Space valet.
Cui et ad quid aptum sit
Valde aptum ad:
- completionem codicis interactivam et quaestiones in IDE, quae latentiae sensibiles sunt;
- intellectum et rescriptionem in gradu repositorii, quae contextu magno egent;
- greges qui institutionem privatam et licentiam laxam (MIT) requirunt;
- orbes agentium frequenter vocantium, ubi quaeque exspectatio multiplicatur.
Fines praenoscendi:
- Textum et codicem tantum tractat. Ad munera quae imagines postulant aliud exemplar eligendum est;
- Puncta officialia sunt indicia, effectus verus ex propriis muneribus iudicandus est.
Quomodo programmantes tale exemplar per interfaciem compatibilem coniungant
Pro exemplaribus per API stilo Chat Completions oblatis, ratio coniunctionis fere eadem est: terminus, clavis et ID exemplaris configurantur, et petitio per fluxum mittitur. Sequitur exemplum generale. Terminus et clavis sunt locatores, et documenta API officialia atque monita servitii quo uteris sequenda sunt.
curl -N "https://<tuus provisor aut terminus officialis>/v1/chat/completions" \
-H "Authorization: Bearer <tua API Key>" \
-H "Content-Type: application/json" \
-d '{
"model": "naive-n0.5-flash",
"stream": true,
"messages": [{"role": "user", "content": "Scribe in Python cache LRU concurrentiae tutum"}]
}'
Ante coniunctionem singula comprobare convenit:
- ID exemplaris: principale officiale est
naive-n0.5-flash, versio sine cogitatione estnaive-n0.5-lite; - Exitus per fluxum: exemplar altae celeritatis per fluxum adhibendum est, alioquin celeritas non videtur;
- Genus initus: textum tantum mitte, non imagines;
- Tempora limitis et repetitiones: petitiones contextus longi et catenae cogitationis longae limites temporis laxiores requirunt;
- Tua ipsius series aestimationis: orbem cum veris muneribus age antequam transire decernas.
Quomodo aestimatio persuasior fit? Elige 20 ad 50 munera vera ex tua ipsius codicis basi, tempus ad primum token et tempus totum separatim nota, naive-n0.5-flash cum naive-n0.5-lite confer, in muneribus codicis probationes directe age ut ratio transeuntium pateat, deinde repositorium verum in fenestram 1M pone et seorsum proba. Conclusiones sic acquisitae in tuum documentum electionis technicae poni possunt.
Guishu Intelligence huius generis exemplaria aperta et celeria observat. Nunc in gradu aestimationis est et de tempore praesto fiendi nihil promittit.
Quaestiones frequentes (FAQ)
Quis Naive-N0.5-Flash fecit? A NaiveAI editum est, societate Sinica intellegentiae artificialis a grege Tsinghua oriundo condita. Ut instrumenta nuntiandi referunt, conditor Dai Jifeng professor associatus est in Facultate Electronica Universitatis Tsinghua. Naive-N0.5-Flash productum societatis NaiveAI est, die 27 Septembris 2026 editum.
Num ab initio institutum est? Editor confirmat Xiaomi MiMo-V2.5 fundamentum esse, et attentionem sparsam DSA a DeepSeek inventam imitatum esse. Cum machina inferentiae propria NaiveRT, studium in extrema celeritatis inferentiae optimatione ponitur.
Estne apertum? Quae licentia? Pondera aperta sunt, licentia est MIT.
Quod est ID exemplaris in API?
Principale est naive-n0.5-flash. naive-n0.5-lite est idem exemplar cum cogitatione exstincta.
Unde 2000 tok/s? Secundum editorem gradus Ultrafast usque ad ~2000 tok/s pervenit, machina propria NaiveRT sustentatus. Culmen a Latent Space mensuratum fuit circiter 2100 tok/s.
Num contextum 1M sustinet? Sustinet, contextus nativus 1M. In architectura 39 strata attentionis fenestrae labentis una cum 9 stratis attentionis sparsae DSA id efficiunt.
Num imagines sustinet? Non, in textu et codice tantum intendit.
Ad quid hoc exemplar aptum est? Ad codicem generandum, intellectum in gradu repositorii, orbes agentium, et programmationem interactivam latentiae sensibilem.
Summarium
Codex apertus MIT, MoE 309B cum 15,5B tantum activis, 39 strata SWA et 9 strata DSA contextum nativum 1M sustinent, machina propria NaiveRT celeritatem officialem ad ~2000 tok/s usque extendit, et NL2Repo-Bench 71,9 attingit.
Xiaomi MiMo-V2.5 fundamentum, DSA DeepSeek consilium, NaiveAI ingeniariam ad extremum perduxit. Haec est pulchra staffeta codicis aperti Sinici, et novum responsum ad quaestionem quam celeriter exemplar codicis esse possit.
Verba clavis huius exemplaris: pondera aperta, contextus longus, celeritas responsionis. Cum tria haec in uno exemplari coeunt, omni gregi qui instrumenta codicis, agentes, vel suggestus programmantium aedificat attente inspiciendum est.
Programmantibus optimum responsum est ipsum experiri: documenta officialia legere, orbem cum propriis muneribus agere, et data loqui sinere.
Fontes
- Pagina inquisitionis officialis NaiveAI: https://naive.ai/en/research/
- Pagina exemplaris in Hugging Face: https://huggingface.co/NaiveAI/Naive-N0.5-Flash
- Initium rapidum API NaiveAI: https://platform.naive.ai/docs/api-quick-start
- X officialis NaiveAI (@naiveailab): https://x.com/naiveailab/status/2104247060186951725
- Aestimatio Latent Space (Gabriele Beltramo, 2026-11-10): https://latent.space/p/naiveai/
- Scriptum Qbitai in WeChat (2026-11-13, relatio secundae manus): https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ