Your privacy choices

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

Voltar ao 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 e até ~2000 tok/s. O modelo chinês de pesos abertos criado por uma equipe com origem em Tsinghua

Naive-N0.5-FlashNaiveAImodelo chinês de pesos abertos1M de contexto2000 tok/s

309B de parâmetros totais e apenas 15,5B ativos por token. 1M de contexto nativo. Até ~2000 tok/s no nível Ultrafast. Licença MIT, com todos os pesos liberados.

Quatro números, uma ideia: os modelos abertos chineses acabaram de levar a velocidade a outra ordem de grandeza.

Em 27 de setembro de 2026, a NaiveAI, empresa chinesa de IA criada por uma equipe com origem em Tsinghua, lançou o Naive-N0.5-Flash. No NL2Repo-Bench, o model card oficial traz 71,9. Na comparação reunida pelo Latent Space, o DeepSeek V4.1 Flash marca 68,2 e o GLM 5.3 Flash, 56,3. Um modelo só de texto e código que vai fundo e rápido no seu território.

Esta não é mais uma história de "mais parâmetros". É uma história sobre tempo de resposta. Quando um modelo cospe milhares de tokens por segundo, escrever código, rodar agentes e ler um repositório deixam de ser "esperar ele pensar" e viram "a resposta já saiu".

A conclusão primeiro

  • Quem lançou: NaiveAI (naive.ai), conta oficial no X @naiveailab, data de lançamento 2026-09-27.
  • Licença: MIT, pesos abertos. Barreira muito baixa para uso comercial e derivações.
  • Tamanho: MoE com 309B de parâmetros totais e 15,5B ativos por token.
  • Contexto: 1M nativo.
  • Velocidade: segundo o fornecedor, ~50 tok/s no nível Standard e até ~2000 tok/s no Ultrafast, com o motor de inferência próprio NaiveRT.
  • Escopo: só texto e código, sem entrada de imagens.
  • Benchmark: 71,9 no NL2Repo-Bench, acima do DeepSeek V4.1 Flash (68,2) e do GLM 5.3 Flash (56,3). Dados do model card oficial, reunidos pelo Latent Space.

Quem fez: a NaiveAI, criada por uma equipe com origem em Tsinghua

A NaiveAI é uma empresa chinesa de IA criada por uma equipe com origem em Tsinghua. Segundo a imprensa, o fundador, Dai Jifeng, é professor associado do Departamento de Engenharia Eletrônica da Universidade Tsinghua. O Naive-N0.5-Flash é um produto da empresa NaiveAI.

Uma equipe com profundidade acadêmica que libera os pesos completos sob licença MIT e leva a velocidade ao extremo com um motor de inferência próprio. É um caminho bem reconhecível entre os modelos chineses.

Sobre ombros abertos, rumo à máxima velocidade

O Naive-N0.5-Flash não esconde de onde veio, e conta isso com orgulho.

O fornecedor confirma que ele usa o Xiaomi MiMo-V2.5 como base e se inspira na atenção esparsa DSA da DeepSeek. Soma-se a isso o motor próprio NaiveRT. Três peças empilhadas:

  1. O MiMo-V2.5 dá uma base sólida. O bastão anterior dos modelos abertos chineses já deixou o alicerce pronto.
  2. A atenção esparsa DSA traz a ideia para o contexto longo. A DeepSeek tornou o método público, e quem vem depois pode subir nele.
  3. O NaiveRT leva a engenharia ao limite. Os dois níveis oficiais, Standard com ~50 tok/s e Ultrafast com até ~2000 tok/s, mostram que a mesma capacidade de modelo pode ser entregue em formas de serviço diferentes. O NaiveRT é o motor que empurra para o nível mais alto.

É a força de uma corrida de revezamento aberta: a Xiaomi correu a primeira perna, a DeepSeek passou o método e a NaiveAI pegou o bastão para disparar rumo à velocidade extrema. Ninguém precisa reinventar a roda, e cada um leva o trabalho do outro um pouco mais longe. O melhor retrato de um ecossistema aberto é este: cada perna mais rápida que a anterior.

Tabela de parâmetros

Item Informação
Nome Naive-N0.5-Flash
ID do modelo na API oficial (principal) naive-n0.5-flash
ID do modelo na API oficial (sem raciocínio) naive-n0.5-lite (o mesmo modelo, com o raciocínio desativado)
Lançado por NaiveAI (naive.ai)
Data de lançamento 2026-09-27
Licença MIT, pesos abertos
Arquitetura MoE, 309B totais, 15,5B ativos
Camadas 48 camadas: 39 de atenção de janela deslizante (SWA) + 9 de atenção esparsa DSA
Contexto 1M nativo
Velocidade (oficial) Standard ~50 tok/s; Ultrafast até ~2000 tok/s
Motor de inferência NaiveRT, desenvolvimento próprio
Tipo de entrada Só texto e código, sem imagens
Base Xiaomi MiMo-V2.5

Arquitetura: por que ele é grande, longo e rápido

309B totais, 15,5B ativos: muita capacidade, pouco cálculo

A ideia do MoE (mistura de especialistas) é direta: o modelo pode ser enorme, mas cada token acorda apenas uma pequena parte dos especialistas. O Naive-N0.5-Flash tem 309B de parâmetros totais e ativa 15,5B por token. O conhecimento cabe nos 309B, e o custo de cada passo é o de 15,5B. A bagagem de um modelo grande com o passo de um pequeno: essa é a base estrutural do alto throughput.

39 camadas SWA + 9 camadas DSA: divisão precisa entre o local e o global

Das 48 camadas, 39 usam atenção de janela deslizante (SWA), que olha só a vizinhança próxima e não deixa o custo crescer sem limite com o contexto. 9 usam atenção esparsa DSA, que escolhe, no texto inteiro, as posições realmente importantes. A maior parte do cálculo fica com camadas locais leves, e poucas camadas globais cobrem as dependências de longa distância. Com essa divisão, o contexto nativo de 1M é uma capacidade que dá para usar de verdade, não só um número na tabela.

1M nativo: o repositório inteiro, numa leitura só

O que 1M de contexto significa? Um repositório de código de porte médio, um conjunto de documentação técnica ou um histórico de conversa muito longo cabem numa mesma requisição, sem picotar. Em tarefas de código, isso elimina a perda de informação do "primeiro buscar, depois montar". O modelo enxerga o contexto completo, não fragmentos remontados.

Até ~2000 tok/s: a resposta do NaiveRT

O fornecedor divide o serviço em dois níveis: Standard com ~50 tok/s e Ultrafast com até ~2000 tok/s. Por trás do Ultrafast está o NaiveRT, motor de inferência próprio da NaiveAI. A arquitetura cuida de calcular menos, e o motor de calcular rápido. É preciso acertar as duas coisas para chegar a esse número.

O que a velocidade muda

2000 tok/s parece só um número. Coloque-o em situações reais de desenvolvimento e a cena muda.

Autocompletar em tempo real na IDE. Você digita um comentário e a implementação inteira se desenrola quase junto na tela. Sem rodinha girando, sem "pensando": o cursor para e o código já está pronto. Completar deixa de ser espera e vira respiração. Quem desenvolve passa a chamar com mais frequência, e a diferença se acumula ao longo do dia.

Dezenas de chamadas de um agente. Um agente lê arquivos, altera código, roda testes, lê resultados e altera de novo. Uma tarefa pode passar por dezenas de chamadas. Se cada rodada economiza alguns segundos, a tarefa toda economiza minutos. Com passos mais rápidos, no mesmo orçamento de tempo o agente pode tentar e verificar mais vezes, e a taxa de sucesso tem mais espaço para subir.

Repositórios longos, numa leitura. 1M de contexto mais alto throughput permite entregar a base de código inteira ao modelo e receber um plano completo de mudanças, sem picotar repetidamente por causa do limite da janela. Ler tudo e responder rápido é o que o contexto longo deveria ser.

Tarefas em lote, em paralelo. Revisão de código, geração de documentação, complemento de testes: em trabalho paralelizável, mais throughput reduz diretamente o tempo total.

Trocar tempo por qualidade. Com velocidade suficiente, sobra margem para alongar a cadeia de raciocínio. Pensar muito era luxo e pode virar opção comum.

A velocidade não é o objetivo em si. Ela muda o ritmo da colaboração entre pessoa e modelo: de "enviar e esperar" para "conversar e seguir adiante".

Por que isso importa para o código aberto chinês

Quando se fala em modelos abertos chineses, a conversa costuma parar em "quantos parâmetros" e "qual posição no ranking". O Naive-N0.5-Flash abre outra porta: entre modelos igualmente abertos, quem consegue uma velocidade de inferência que surpreenda quem desenvolve.

Essa porta tem três leituras.

Primeira: abrir não é só liberar pesos. A licença MIT permite implantar, ajustar e integrar por conta própria, sem camadas de restrições de licença. Com os pesos na mão, a escolha é de quem desenvolve.

Segunda: capacidade de engenharia vira vantagem competitiva. A base vem do MiMo-V2.5 e a ideia de atenção esparsa vem da DSA da DeepSeek, peças públicas do ecossistema aberto. A NaiveAI dedicou grande esforço ao motor NaiveRT e fez de "as mesmas peças, mais velocidade" a sua marca. Na era do código aberto, a excelência de engenharia é em si uma barreira.

Terceira: o código aberto chinês forma um revezamento. O resultado de um é o ponto de partida do outro, e o método de um é validado, melhorado e liberado de novo por outro. Esse ciclo gira cada vez mais rápido e quem ganha são os usuários: mais modelos para escolher, menor custo de experimentar, iteração mais ágil.

Quatro palavras para ler o relatório técnico

Se quiser guardar só o essencial técnico deste modelo, quatro palavras bastam.

MoE. Os 309B de parâmetros totais são o "depósito de conhecimento" e os 15,5B ativos são a "potência real de cada passo". Depósito grande significa capacidade. Mexer só em uma parte a cada passo significa velocidade.

SWA. Atenção de janela deslizante, presente em 39 das 48 camadas. Faz a maioria das camadas olhar só o que está perto e mantém o custo sob controle.

DSA. Atenção esparsa, nas outras 9 camadas. Escolhe posições-chave no conjunto e traz de volta a informação distante que realmente serve.

NaiveRT. O motor de inferência próprio, o elo que transforma a vantagem da arquitetura em "tokens por segundo".

As quatro juntas formam uma lógica clara: MoE para calcular menos, SWA para conter o custo do contexto longo, DSA para manter a visão global e NaiveRT para entregar a velocidade.

Usos que vale imaginar

O que segue são cenários pensados a partir dos parâmetros e do escopo oficiais. Não representam casos que já aconteceram.

  • Pipeline de revisão de código: colocar o repositório inteiro no contexto e obter sugestões de mudança entre arquivos. É aqui que o valor do 1M nativo fica mais evidente.
  • Assistente de IDE: completar, explicar e sugerir refatorações quase em tempo real, sem que a espera interrompa a atenção de quem desenvolve.
  • Agentes de vários passos: ler, alterar, testar e revisar em ciclo. Quanto mais rápido cada passo, mais fluida a cadeia.
  • Sincronia entre documentação e código: documentos longos e base de código no mesmo contexto, para conferir se a descrição da interface bate com a implementação.

Todos esses cenários amplificam as duas vantagens, velocidade e tamanho do contexto, e ficam dentro de texto e código, exatamente o escopo do modelo.

O que terceiros dizem: a avaliação do Latent Space

Em 10 de novembro de 2026, o Latent Space publicou uma avaliação escrita por Gabriele Beltramo. Todos os dados abaixo vêm desse texto e não são medições da Guishu Intelligence.

Resultados de benchmark

Resultados no NL2Repo-Bench (dados do model card oficial, reunidos pelo Latent Space):

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

Velocidade medida

A avaliação do Latent Space mostra:

  • pico medido de ~2100 tok/s, um pouco acima dos 2000 tok/s do fornecedor;
  • ~984 tok/s na fase de raciocínio e ~1816 tok/s na fase de resposta;
  • mediana de tempo de ponta a ponta de 3,1 segundos, contra 10,1 segundos da DeepSeek.

Caso de aplicação

No caso de "gerar um aplicativo do sistema solar", o Naive-N0.5-Flash teve o melhor desempenho. Em tarefas de estruturas em árvore, ficou próximo da DeepSeek.

Lendo os dados com frieza

Ao ler esses números, leve junto as três condições apresentadas no texto original:

  • a velocidade do Naive foi medida no servidor oficial, enquanto os outros modelos passaram pelo OpenRouter, então o caminho da requisição é diferente;
  • os tempos médios dos dois são parecidos: 45,3 segundos e 45,0 segundos;
  • em problemas difíceis, o tempo médio foi de 89,8 segundos contra 79,7 segundos, por causa da cadeia de raciocínio mais longa.

A mídia chinesa também acompanha o modelo. O Qbitai (量子位) o resumiu em um artigo em sua conta de WeChat em 13 de novembro de 2026. É uma compilação de segunda mão, e para os números vale o texto original do Latent Space.

Para quem e para quê

Muito indicado para:

  • autocompletar de código interativo e perguntas dentro da IDE, sensíveis à latência;
  • compreensão e reescrita em nível de repositório que exigem muito contexto;
  • equipes que precisam de implantação privada e de licença permissiva (MIT);
  • ciclos de agente de alta frequência, em que cada espera é multiplicada.

Limites que convém saber de antemão:

  • ele só processa texto e código. Tarefas com imagens exigem outro modelo;
  • as pontuações oficiais são referência, e o resultado real deve ser julgado com as suas próprias tarefas.

Como integrar um modelo desses por uma API compatível

Para modelos oferecidos por API no estilo Chat Completions, a integração segue quase sempre o mesmo padrão: configurar endpoint, chave e ID do modelo, e enviar a requisição em streaming. Abaixo, um exemplo genérico. Endpoint e chave são marcadores, e vale a documentação oficial da API e as orientações do serviço que você usa.

curl -N "https://<seu provedor ou o endpoint oficial>/v1/chat/completions" \
  -H "Authorization: Bearer <sua API Key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Escreva em Python um cache LRU seguro para concorrência"}]
  }'

Antes de integrar, vale conferir item por item:

  1. ID do modelo: o principal oficial é naive-n0.5-flash e a versão sem raciocínio é naive-n0.5-lite;
  2. Saída em streaming: num modelo de alto throughput é preciso usar streaming, senão a velocidade não aparece;
  3. Tipo de entrada: envie só texto, nunca imagens;
  4. Timeouts e retentativas: requisições de contexto longo e cadeias de raciocínio longas pedem timeouts mais folgados;
  5. Seu próprio conjunto de avaliação: rode uma rodada com tarefas reais antes de decidir se vai trocar.

Como avaliar de forma convincente? Escolha de 20 a 50 tarefas reais da sua própria base de código, registre separadamente o tempo até o primeiro token e o tempo total, compare naive-n0.5-flash com naive-n0.5-lite, rode os testes nas tarefas de código para ver a taxa de aprovação e faça uma rodada à parte colocando um repositório real na janela de 1M. Essas conclusões, sim, podem entrar no seu próprio documento de seleção técnica.

A Guishu Intelligence acompanha a evolução desse tipo de modelo aberto de alta velocidade. No momento está em fase de avaliação e não assume nenhum compromisso quanto a datas de disponibilidade.

Perguntas frequentes

Quem fez o Naive-N0.5-Flash? Foi lançado pela NaiveAI, empresa chinesa de IA criada por uma equipe com origem em Tsinghua. Segundo a imprensa, o fundador, Dai Jifeng, é professor associado do Departamento de Engenharia Eletrônica da Universidade Tsinghua. O Naive-N0.5-Flash é um produto da empresa NaiveAI e foi lançado em 27 de setembro de 2026.

Ele foi treinado do zero? O fornecedor confirma que usa o Xiaomi MiMo-V2.5 como base e se inspira na atenção esparsa DSA da DeepSeek. Com o motor de inferência próprio NaiveRT, o foco está na otimização extrema da velocidade de inferência.

É open source? Qual é a licença? Os pesos são abertos e a licença é MIT.

Qual é o ID do modelo na API? O principal é naive-n0.5-flash. O naive-n0.5-lite é o mesmo modelo com o raciocínio desativado.

De onde vêm os 2000 tok/s? Segundo o fornecedor, o nível Ultrafast chega a ~2000 tok/s, sustentado pelo motor próprio NaiveRT. O pico medido pelo Latent Space foi de ~2100 tok/s.

Suporta 1M de contexto? Sim, 1M de contexto nativo. Na arquitetura, isso é obtido por 39 camadas de atenção de janela deslizante junto com 9 camadas de atenção esparsa DSA.

Suporta imagens? Não. Ele se concentra em texto e código.

Para que serve este modelo? Geração de código, compreensão em nível de repositório, ciclos de agente e desenvolvimento interativo sensível à latência.

Resumo

Licença MIT, MoE de 309B com apenas 15,5B ativos, 39 camadas SWA mais 9 camadas DSA sustentando um contexto nativo de 1M, o motor próprio NaiveRT levando a velocidade oficial a até ~2000 tok/s e 71,9 no NL2Repo-Bench.

Xiaomi MiMo-V2.5 como base, a DSA da DeepSeek como ideia e a NaiveAI levando a engenharia ao extremo. É um belo revezamento do código aberto chinês, e dá uma nova resposta à pergunta de quão rápido um modelo de código pode ser.

As palavras-chave deste modelo: pesos abertos, contexto longo, velocidade de resposta. Quando as três aparecem juntas num só modelo, vale a atenção de toda equipe que constrói ferramentas de código, agentes ou plataformas para desenvolvedores.

Para quem desenvolve, a melhor resposta é testar: ler a documentação oficial, rodar uma rodada com as suas próprias tarefas e deixar os dados falarem.

Referências