Naive-N0.5-Flash muncul: MoE 309B, konteks asal 1M, sehingga kira-kira 2000 tok/s – model sumber terbuka China daripada pasukan berlatar belakang Tsinghua

309B parameter keseluruhan, tetapi setiap token hanya mengaktifkan 15.5B. Konteks asal 1M. Tahap Ultrafast sehingga kira-kira 2000 tok/s. Lesen MIT, semua pemberat dibuka.

Empat angka, satu ayat: model sumber terbuka China kali ini membawa perkataan "pantas" ke tahap yang lain.

Pada 27 September 2026, NaiveAI, syarikat AI China yang diasaskan oleh pasukan berlatar belakang Tsinghua, melancarkan Naive-N0.5-Flash. Pada NL2Repo-Bench, kad model rasmi melaporkan skor 71.9. Dalam perbandingan yang dihimpunkan oleh Latent Space, DeepSeek V4.1 Flash mencatat 68.2 dan GLM 5.3 Flash 56.3. Sebuah model yang hanya mengendalikan teks dan kod, tetapi memecut dalam lorongnya sendiri dengan mendalam dan pantas.

Ini bukan lagi cerita "parameter lebih besar". Ini cerita tentang kelajuan respons. Apabila sesebuah model mampu menghasilkan ribuan token sesaat, menulis kod, menjalankan Agent dan membaca repositori tidak lagi bermaksud menunggu model habis berfikir, sebaliknya model sudah pun selesai menjawab.

Kesimpulan dahulu

• Penerbit: NaiveAI (naive.ai), akaun X rasmi @naiveailab, tarikh pelancaran 2026-09-27.
• Lesen: MIT, pemberat sumber terbuka. Halangan untuk kegunaan komersial dan pembangunan lanjutan sangat rendah.
• Skala: MoE dengan 309B parameter keseluruhan, 15.5B parameter diaktifkan bagi setiap token.
• Konteks: asal 1M.
• Kelajuan: tahap Standard rasmi kira-kira 50 tok/s, tahap Ultrafast sehingga kira-kira 2000 tok/s, dipacu oleh enjin inferens buatan sendiri NaiveRT.
• Had keupayaan: tertumpu pada teks dan kod sahaja, tidak menyokong input imej.
• Penanda aras: NL2Repo-Bench 71.9, lebih tinggi daripada DeepSeek V4.1 Flash (68.2) dan GLM 5.3 Flash (56.3). Data kad model rasmi, dihimpunkan oleh Latent Space.

Siapa pembuatnya: NaiveAI, diasaskan oleh pasukan berlatar belakang Tsinghua

NaiveAI ialah syarikat AI China yang diasaskan oleh pasukan berlatar belakang Tsinghua. Menurut laporan media, pengasasnya Dai Jifeng (代季峰) ialah profesor madya di Jabatan Kejuruteraan Elektronik, Universiti Tsinghua. Naive-N0.5-Flash ialah produk syarikat NaiveAI.

Pasukan yang berkedalaman akademik memilih untuk membuka pemberat sepenuhnya di bawah lesen MIT, kemudian menggunakan enjin inferens buatan sendiri untuk menolak kelajuan ke had maksimum. Laluan ini cukup menonjol dalam kalangan model besar China.

Berdiri di bahu gergasi sumber terbuka, menolak kelajuan sehingga ke hujung

Naive-N0.5-Flash tidak menyembunyikan asal-usulnya, malah menyebutnya dengan bangga.

Pihak rasmi mengesahkan bahawa model ini menggunakan Xiaomi MiMo-V2.5 sebagai asas dan merujuk perhatian jarang DSA daripada DeepSeek, ditambah enjin inferens buatan sendiri NaiveAI iaitu NaiveRT. Tiga perkara ini disusun bertindih:

1. MiMo-V2.5 menyediakan asas yang kukuh. Pelari peringkat sebelumnya dalam dunia sumber terbuka China sudah meletakkan asasnya.
2. Perhatian jarang DSA memberi hala tuju untuk konteks panjang. DeepSeek menerbitkan kaedahnya, pendatang kemudian boleh terus berdiri di atasnya.
3. NaiveRT memerah kejuruteraan hingga ke had. Dua tahap yang diumumkan secara rasmi, Standard kira-kira 50 tok/s dan Ultrafast sehingga kira-kira 2000 tok/s, menunjukkan bahawa keupayaan model yang sama boleh dilepaskan dalam bentuk perkhidmatan yang berbeza. NaiveRT ialah enjin yang meluru ke tahap tertinggi itu.

Inilah kuasa pecut berganti sumber terbuka: Xiaomi berlari di peringkat pertama, DeepSeek menyerahkan kaedah, NaiveAI menyambut tongkat dan meluru ke arah "kelajuan muktamad". Tiada pihak perlu mencipta roda dari kosong, setiap pihak menolak hasil kerja pihak lain lebih jauh. Ekosistem sumber terbuka yang terbaik memang begini, setiap peringkat lebih pantas daripada yang sebelumnya.

Jadual parameter teras

Perkara	Maklumat
Nama paparan	Naive-N0.5-Flash
ID model API rasmi (utama)	naive-n0.5-flash
ID model API rasmi (pemikiran dimatikan)	naive-n0.5-lite (model yang sama, pemikiran dimatikan)
Penerbit	NaiveAI (naive.ai)
Tarikh pelancaran	2026-09-27
Lesen	MIT, pemberat sumber terbuka
Seni bina	MoE, keseluruhan 309B, diaktifkan 15.5B
Bilangan lapisan	48 lapisan: 39 lapisan perhatian tetingkap gelongsor (SWA) + 9 lapisan perhatian jarang DSA
Konteks	Asal 1M
Kelajuan (rasmi)	Standard kira-kira 50 tok/s; Ultrafast sehingga kira-kira 2000 tok/s
Enjin inferens	NaiveRT buatan sendiri
Jenis input	Teks dan kod sahaja, tidak menyokong imej
Model asas	Xiaomi MiMo-V2.5

Membedah seni bina: mengapa besar, panjang dan pantas sekali gus

309B parameter keseluruhan, 15.5B diaktifkan: kapasiti besar, pengiraan kecil

Idea MoE (campuran pakar) cukup tegas: model boleh jadi sangat besar, tetapi setiap token hanya membangunkan sebahagian kecil pakar. Naive-N0.5-Flash mempunyai 309B parameter keseluruhan, dan setiap token hanya mengaktifkan 15.5B. Kapasiti pengetahuan datang daripada 309B, manakala beban pengiraan setiap langkah hanya dikira mengikut 15.5B. Pengetahuan model besar, langkah model kecil. Itulah asas struktur yang membolehkan daya pemprosesan tinggi.

39 lapisan SWA + 9 lapisan DSA: pembahagian tugas tepat antara tempatan dan global

Dalam rangkaian 48 lapisan, 39 lapisan menggunakan perhatian tetingkap gelongsor (SWA) yang hanya memerhati kawasan berdekatan, jadi kosnya tidak membengkak tanpa had mengikut konteks. 9 lapisan menggunakan perhatian jarang DSA yang memilih kedudukan yang benar-benar penting dalam skop global. Sebahagian besar pengiraan diserahkan kepada lapisan tempatan yang ringan, manakala beberapa lapisan global menanggung kebergantungan jarak jauh. Pembahagian ini menjadikan konteks asal 1M satu keupayaan yang benar-benar boleh digunakan, bukan sekadar angka dalam jadual spesifikasi.

Asal 1M: seluruh repositori, dibaca sekali gus

Apakah maksud konteks 1M? Repositori kod bersaiz sederhana, set dokumentasi teknikal yang lengkap dan sejarah perbualan yang sangat panjang boleh dimasukkan terus ke dalam satu permintaan tanpa dipotong-potong. Bagi tugasan kod, ini mengurangkan satu lapisan kehilangan maklumat berbanding "cari dahulu, kemudian cantum". Model melihat konteks yang lengkap, bukan serpihan yang dicantum.

Sehingga kira-kira 2000 tok/s: jawapan NaiveRT

Pihak rasmi membahagikan perkhidmatan kepada dua tahap: Standard kira-kira 50 tok/s, Ultrafast sehingga kira-kira 2000 tok/s. Di belakang Ultrafast ialah enjin inferens buatan sendiri NaiveAI, NaiveRT. Seni bina model bertanggungjawab untuk "mengira lebih sedikit", enjin inferens bertanggungjawab untuk "mengira lebih pantas". Kedua-dua perkara mesti betul serentak barulah angka ini tercapai.

Apa yang diubah oleh kelajuan

2000 tok/s kedengaran seperti sekadar angka. Letakkannya dalam senario pembangunan sebenar dan gambarannya berubah.

Pelengkapan kod masa nyata dalam IDE. Anda menaip satu baris komen, seluruh pelaksanaan hampir serentak memenuhi skrin. Tiada ikon berputar, tiada "sedang berfikir". Kursor baru berhenti, kod sudah siap. Pelengkapan bertukar daripada "menunggu" kepada "bernafas", pembangun lebih rela memanggilnya kerap, dan perbezaan sepanjang hari terkumpul sedikit demi sedikit.

Berpuluh-puluh pusingan panggilan Agent. Agent perlu membaca fail, mengubah kod, menjalankan ujian, membaca keputusan, lalu mengubah lagi. Satu tugasan boleh melalui berpuluh-puluh pusingan panggilan. Jika setiap pusingan menjimatkan beberapa saat, seluruh tugasan menjimatkan beberapa minit. Setiap langkah lebih pantas, dalam bajet masa yang sama Agent boleh mencuba lebih banyak kali dan mengesahkan lebih banyak kali, justeru ruang untuk kadar kejayaan meningkat juga lebih luas.

Repositori panjang, dibaca sekali gus. Konteks 1M ditambah daya pemprosesan tinggi bermakna anda boleh menyerahkan seluruh pangkalan kod kepada model supaya ia memberikan pelan pengubahsuaian yang lengkap, tanpa memotong berulang kali dalam had tetingkap. Baca penuh, jawab pantas, itulah rupa sebenar konteks panjang.

Tugasan kelompok, dibentangkan secara selari. Semakan kod, penjanaan dokumentasi dan penambahan ujian ialah kerja yang boleh dijalankan selari. Apabila daya pemprosesan tinggi, jumlah masa terus menurun.

Menukar masa dengan kualiti. Apabila cukup pantas, ada ruang untuk memanjangkan rantai pemikiran. Dahulu "berfikir lama" ialah kemewahan, kini ia boleh menjadi pilihan biasa.

Kelajuan bukanlah matlamat. Yang diubahnya ialah rentak kerjasama antara manusia dan model: daripada "hantar, kemudian tunggu" kepada "berbual, kemudian teruskan".

Mengapa perkara ini penting bagi sumber terbuka China

Dahulu, apabila membincangkan model sumber terbuka China, topiknya sering berhenti pada "berapa besar parameter" dan "kedudukan keberapa dalam senarai". Naive-N0.5-Flash membawa satu sudut baharu: sama-sama sumber terbuka, siapa yang dapat menjadikan kelajuan inferens sehingga pembangun terkejut dengan gembira.

Sudut ini mempunyai tiga lapisan makna.

Pertama, sumber terbuka bukan sekadar melepaskan pemberat. Lesen MIT bermakna pasukan boleh menyebarkan sendiri, menala sendiri dan menyepadukan sendiri tanpa bimbang tentang sekatan lesen berlapis-lapis. Pemberat di tangan, hak memilih berada pada pembangun.

Kedua, keupayaan kejuruteraan menjadi daya saing. Asasnya datang daripada MiMo-V2.5, idea perhatian jarang datang daripada DSA DeepSeek, semuanya blok binaan yang tersedia secara terbuka dalam ekosistem sumber terbuka. NaiveAI melaburkan banyak tenaga pada enjin inferens NaiveRT, menjadikan "blok binaan yang sama, disusun menjadi kelajuan yang lebih tinggi" sebagai ciri tersendiri. Ini menunjukkan bahawa dalam era sumber terbuka, kecemerlangan kejuruteraan itu sendiri ialah benteng.

Ketiga, sumber terbuka China sudah membentuk acara pecut berganti. Hasil satu pihak menjadi titik mula pihak lain, kaedah satu pihak disahkan, diperbaiki, lalu dilepaskan semula oleh pihak lain. Kitaran ini makin lama makin laju, dan semua pengguna mendapat manfaat: lebih banyak model untuk dipilih, halangan percubaan yang lebih rendah, rentak lelaran yang lebih pantas.

Memahami kertas jawapan teknikal ini: empat kata kunci

Jika anda hanya mahu mengingat inti teknikal model ini, ingat empat perkataan ini sudah memadai.

MoE. 309B parameter keseluruhan ialah "gudang pengetahuan", 15.5B parameter diaktifkan ialah "kuasa pengiraan sebenar setiap langkah". Gudang besar bermakna kapasiti mencukupi. Setiap langkah hanya menggerakkan sebahagian kecil bermakna larian pantas.

SWA. Perhatian tetingkap gelongsor, meliputi 39 daripada 48 lapisan. Ia membolehkan kebanyakan lapisan hanya memberi perhatian pada kandungan yang dekat, jadi kos terkawal.

DSA. Perhatian jarang, meliputi 9 lapisan yang selebihnya. Ia memilih kedudukan penting dalam skop global dan menarik balik maklumat jauh yang benar-benar berguna.

NaiveRT. Enjin inferens buatan sendiri, mata rantai yang menukar kelebihan seni bina kepada "berapa token sesaat".

Susun keempat-empatnya dan logiknya jelas: gunakan MoE untuk mengira lebih sedikit, gunakan SWA untuk mengawal kos konteks panjang, gunakan DSA untuk mengekalkan pandangan global, gunakan NaiveRT untuk merealisasikan kelajuan.

Beberapa kegunaan yang wajar dibayangkan

Berikut ialah gambaran penggunaan berdasarkan parameter rasmi dan had keupayaan. Ia tidak mewakili sebarang kes yang telah berlaku.

• Saluran semakan kod: masukkan seluruh repositori ke dalam konteks sekali gus, minta model memberikan cadangan perubahan merentas fail. Nilai konteks asal 1M paling jelas di sini.
• Pembantu IDE: pelengkapan, penerangan dan cadangan pemfaktoran semula dikembalikan hampir serentak, tumpuan pembangun tidak terganggu oleh penantian.
• Agent berbilang langkah: baca, ubah, uji, semak semula dalam gelung. Semakin pantas setiap langkah, semakin lancar seluruh rantaian.
• Penyegerakan dokumen dan kod: dokumen panjang dan pangkalan kod masuk ke dalam konteks serentak, semak sama ada penerangan antara muka selaras dengan pelaksanaannya.

Senario-senario ini berkongsi satu persamaan: semuanya menguatkan dua kelebihan "kelajuan" dan "panjang konteks", dan semuanya berada dalam skop teks dan kod, selari sepenuhnya dengan had keupayaan model.

Pandangan pihak ketiga: penilaian Latent Space

Pada 10 November 2026, Latent Space menerbitkan penilaian yang ditulis oleh Gabriele Beltramo. Semua data di bawah datang daripada artikel itu, bukan hasil ujian Guishu Intelligence.

Keputusan penanda aras

Keputusan NL2Repo-Bench (data kad model rasmi, dihimpunkan oleh Latent Space):

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

Kelajuan yang diukur

Penilaian Latent Space menunjukkan:

• kemuncak terukur kira-kira 2100 tok/s, sedikit lebih tinggi daripada 2000 tok/s yang diberikan secara rasmi;
• fasa pemikiran kira-kira 984 tok/s, fasa menjawab kira-kira 1816 tok/s;
• masa median hujung ke hujung 3.1 saat, berbanding 10.1 saat bagi DeepSeek.

Kes aplikasi

Dalam kes "menjana aplikasi Sistem Suria", Naive-N0.5-Flash menunjukkan prestasi terbaik. Bagi tugasan jenis struktur pokok, ia hampir setara dengan DeepSeek.

Menilai data dengan tenang

Semasa membaca angka-angka ini, sertakan tiga syarat yang dinyatakan dalam teks asal penilaian:

• kelajuan Naive diukur pada pelayan rasmi, manakala model lain melalui OpenRouter, jadi laluan kedua-dua pihak berbeza;
• purata masa kedua-duanya hampir sama, iaitu 45.3 saat dan 45.0 saat;
• bagi soalan sukar, purata masa ialah 89.8 saat berbanding 79.7 saat, kerana rantai pemikiran yang lebih panjang.

Media China turut memberi perhatian kepada model ini. Qubit (量子位) menyampaikan semula dalam artikel akaun awam WeChat pada 13 November 2026. Artikel itu ialah himpunan sumber kedua, data tertakluk kepada teks asal Latent Space.

Sesuai untuk siapa dan senario apa

Sangat sesuai:

• pelengkapan kod interaktif dan soal jawab dalam IDE yang sensitif terhadap kependaman;
• pemahaman dan penulisan semula peringkat repositori yang memerlukan konteks besar;
• pasukan yang memerlukan penyebaran persendirian dan lesen yang longgar (MIT);
• gelung Agent yang bergantung pada panggilan berkekerapan tinggi, dengan penantian setiap langkah diganda berulang kali.

Had yang perlu diketahui lebih awal:

• model ini hanya memproses teks dan kod, tugasan yang memerlukan input imej perlu menggunakan model lain;
• skor rasmi hanyalah rujukan, kesan sebenar dalam perniagaan tetap perlu berpandukan tugasan anda sendiri.

Cara pembangun menyambung melalui antara muka serasi

Bagi model yang disediakan melalui API dan mengikut gaya Chat Completions, pendekatan penyambungan secara umumnya sama: tetapkan titik akhir, kunci dan ID model, kemudian hantar permintaan secara penstriman. Berikut ialah contoh umum, titik akhir dan kunci ialah pemegang tempat. Sila rujuk dokumentasi API rasmi dan penerangan perkhidmatan yang anda gunakan.

curl -N "https://<titik akhir penyedia anda atau titik akhir rasmi>/v1/chat/completions" \
  -H "Authorization: Bearer <API Key anda>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Tulis cache LRU yang selamat untuk konkurensi dalam Python"}]
  }'

Sebelum menyambung, disarankan menyemak satu demi satu:

1. ID model: yang utama secara rasmi ialah naive-n0.5-flash, versi pemikiran dimatikan ialah naive-n0.5-lite;
2. Output penstriman: model berdaya pemprosesan tinggi lebih wajar menggunakan penstriman, jika tidak kelajuannya tidak kelihatan;
3. Jenis input: hantar teks sahaja, jangan hantar imej;
4. Had masa dan cuba semula: permintaan konteks panjang dan rantai pemikiran panjang memerlukan had masa yang lebih longgar;
5. Set penilaian anda sendiri: jalankan satu pusingan dengan tugasan sebenar sebelum memutuskan sama ada hendak bertukar.

Bagaimana menilai dengan lebih meyakinkan? Pilih 20 hingga 50 tugasan sebenar daripada pangkalan kod anda sendiri, rekod masa token pertama dan jumlah masa secara berasingan, bandingkan naive-n0.5-flash dengan naive-n0.5-lite, bagi tugasan kod terus jalankan ujian untuk melihat kadar lulus, kemudian masukkan repositori sebenar ke dalam tetingkap 1M dan uji satu pusingan berasingan. Kesimpulan yang diperoleh barulah data yang boleh dimasukkan ke dalam dokumen pemilihan teknologi anda sendiri.

Guishu Intelligence sedang memerhati perkembangan model sumber terbuka berkelajuan tinggi seperti ini, kini berada pada peringkat penilaian, dan tidak membuat sebarang komitmen tentang masa ketersediaan.

Soalan lazim (FAQ)

Siapa yang membuat Naive-N0.5-Flash? Dilancarkan oleh NaiveAI. NaiveAI ialah syarikat AI China yang diasaskan oleh pasukan berlatar belakang Tsinghua. Menurut laporan media, pengasasnya Dai Jifeng ialah profesor madya di Jabatan Kejuruteraan Elektronik, Universiti Tsinghua. Naive-N0.5-Flash ialah produk syarikat NaiveAI, dilancarkan pada 27 September 2026.

Adakah ia dilatih dari kosong? Pihak rasmi mengesahkan ia menggunakan Xiaomi MiMo-V2.5 sebagai asas dan merujuk perhatian jarang DSA daripada DeepSeek, digabungkan dengan enjin inferens buatan sendiri NaiveRT, dengan tumpuan pada pengoptimuman kelajuan inferens sehingga ke had.

Adakah ia sumber terbuka? Apakah lesennya? Pemberat sumber terbuka, lesennya MIT.

Apakah ID model API? Yang utama ialah naive-n0.5-flash. naive-n0.5-lite ialah versi model yang sama dengan pemikiran dimatikan.

Dari mana datangnya 2000 tok/s? Menurut pihak rasmi, tahap Ultrafast mencapai sehingga kira-kira 2000 tok/s, disokong oleh enjin inferens buatan sendiri NaiveRT. Kemuncak terukur Latent Space ialah kira-kira 2100 tok/s.

Adakah ia menyokong konteks 1M? Ya, konteks asal 1M. Dari sudut seni bina, ia dicapai oleh 39 lapisan perhatian tetingkap gelongsor bersama 9 lapisan perhatian jarang DSA.

Adakah ia menyokong input imej? Tidak, ia tertumpu pada teks dan kod sahaja.

Apakah yang sesuai dilakukan dengan model ini? Penjanaan kod, pemahaman peringkat repositori, gelung Agent, dan senario pembangunan interaktif yang sensitif terhadap kependaman.

Rumusan

Sumber terbuka MIT, MoE 309B yang hanya mengaktifkan 15.5B, 39 lapisan SWA dan 9 lapisan DSA menyokong konteks asal 1M, NaiveRT buatan sendiri menolak kelajuan sehingga kira-kira 2000 tok/s menurut pihak rasmi, NL2Repo-Bench mencapai 71.9.

Xiaomi MiMo-V2.5 sebagai asas, DSA DeepSeek memberi idea, NaiveAI membawa kejuruteraan ke tahap muktamad. Ini ialah pecut berganti yang cantik bagi model sumber terbuka China, dan memberi jawapan baharu kepada soalan "sepantas manakah model kod boleh jadi".

Kata kunci model ini ialah: pemberat terbuka, konteks panjang, kelajuan respons. Apabila ketiga-tiganya muncul pada satu model, ia wajar diteliti dengan serius oleh setiap pasukan yang membina alat kod, Agent atau platform pembangun.

Bagi pembangun, tindak balas terbaik ialah mencuba sendiri: baca dokumentasi rasmi, jalankan satu pusingan dengan tugasan anda sendiri, biar data bercakap.

Rujukan

• Halaman penyelidikan rasmi NaiveAI: https://naive.ai/en/research/
• Halaman model Hugging Face: https://huggingface.co/NaiveAI/Naive-N0.5-Flash
• Panduan mula pantas API NaiveAI: https://platform.naive.ai/docs/api-quick-start
• X rasmi NaiveAI (@naiveailab): https://x.com/naiveailab/status/2104247060186951725
• Penilaian Latent Space (Gabriele Beltramo, 2026-11-10): https://latent.space/p/naiveai/
• Artikel akaun awam WeChat Qubit (2026-11-13, disampaikan semula daripada sumber lain): https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ