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 ra mắt: MoE 309B, ngữ cảnh gốc 1M, tối đa khoảng 2000 tok/s – mô hình mã nguồn mở Trung Quốc của đội ngũ có nền tảng Thanh Hoa

14 tháng 11, 2026

Naive-N0.5-FlashNaiveAImô hình mã nguồn mở Trung Quốcngữ cảnh 1M2000 tok/s

309B tham số tổng, mỗi token chỉ kích hoạt 15,5B. Ngữ cảnh gốc 1M. Bậc Ultrafast đạt tối đa khoảng 2000 tok/s. Giấy phép MIT, toàn bộ trọng số được mở.

Bốn con số, một ý chính: lần này, mô hình mã nguồn mở Trung Quốc đã đẩy chữ "nhanh" lên một tầm khác.

Ngày 27/9/2026, NaiveAI, một công ty AI Trung Quốc do đội ngũ có nền tảng Thanh Hoa sáng lập, phát hành Naive-N0.5-Flash. Trên NL2Repo-Bench, model card chính thức công bố 71,9. Trong bảng đối chiếu do Latent Space tổng hợp, DeepSeek V4.1 Flash đạt 68,2 và GLM 5.3 Flash đạt 56,3. Một mô hình chỉ xử lý văn bản và mã nguồn, nhưng đi vừa sâu vừa nhanh trên đúng đường đua của mình.

Đây không phải câu chuyện "thêm tham số" quen thuộc. Đây là câu chuyện về tốc độ phản hồi. Khi mô hình nhả ra hàng nghìn token mỗi giây, viết code, chạy Agent hay đọc cả kho mã không còn là chờ nó nghĩ xong, mà là nó đã trả lời xong.

Kết luận trước

Đơn vị phát hành: NaiveAI (naive.ai), tài khoản X chính thức @naiveailab, ngày phát hành 27/9/2026.
Giấy phép: MIT, trọng số mở. Ngưỡng dùng thương mại và phát triển tiếp rất thấp.
Quy mô: MoE với 309B tham số tổng, mỗi token kích hoạt 15,5B tham số.
Ngữ cảnh: gốc 1M.
Tốc độ: bậc Standard chính thức khoảng 50 tok/s, bậc Ultrafast tối đa khoảng 2000 tok/s, do công cụ suy luận tự phát triển NaiveRT vận hành.
Giới hạn năng lực: chỉ văn bản và mã nguồn, không hỗ trợ đầu vào hình ảnh.
Benchmark: NL2Repo-Bench 71,9, cao hơn DeepSeek V4.1 Flash (68,2) và GLM 5.3 Flash (56,3). Số liệu từ model card chính thức, do Latent Space tổng hợp.

Ai đứng sau: NaiveAI, công ty do đội ngũ có nền tảng Thanh Hoa sáng lập

NaiveAI là công ty AI Trung Quốc do một đội ngũ có nền tảng Thanh Hoa sáng lập. Theo truyền thông đưa tin, nhà sáng lập Đại Quý Phong (代季峰) là phó giáo sư Khoa Kỹ thuật Điện tử của Đại học Thanh Hoa. Naive-N0.5-Flash là sản phẩm của công ty NaiveAI.

Một đội ngũ có chiều sâu học thuật chọn mở toàn bộ trọng số theo giấy phép MIT, rồi dùng công cụ suy luận tự phát triển để đẩy tốc độ đến mức cao nhất. Lối đi này khá nổi bật trong các mô hình lớn của Trung Quốc.

Đứng trên vai những người khổng lồ mã nguồn mở, đẩy tốc độ đến cực hạn

Naive-N0.5-Flash không giấu nguồn gốc của mình, và còn nói về nó với niềm tự hào.

Phía chính thức xác nhận mô hình lấy Xiaomi MiMo-V2.5 làm nền, tham khảo cơ chế chú ý thưa DSA của DeepSeek, cộng thêm công cụ suy luận tự phát triển NaiveRT của NaiveAI. Ba thứ chồng lên nhau:

MiMo-V2.5 cung cấp nền tảng vững chắc. Người chạy chặng trước trong làng mã nguồn mở Trung Quốc đã đặt xong móng.
Chú ý thưa DSA cung cấp hướng đi cho ngữ cảnh dài. DeepSeek công khai phương pháp, người đến sau có thể đứng thẳng lên đó.
NaiveRT ép kỹ thuật đến giới hạn. Hai bậc do phía chính thức công bố, Standard khoảng 50 tok/s và Ultrafast tối đa khoảng 2000 tok/s, cho thấy cùng một năng lực mô hình có thể phát huy ở những hình thức dịch vụ khác nhau. NaiveRT chính là động cơ lao về bậc cao nhất.

Đó là sức mạnh của cuộc chạy tiếp sức mã nguồn mở: Xiaomi chạy chặng đầu, DeepSeek trao phương pháp, NaiveAI nhận gậy và lao về đích "tốc độ cực hạn". Không ai phải chế tạo lại bánh xe từ đầu, ai cũng đưa thành quả của người khác đi xa hơn. Hệ sinh thái mã nguồn mở đẹp nhất chính là như vậy: mỗi chặng nhanh hơn chặng trước.

Bảng thông số cốt lõi

Hạng mục	Thông tin
Tên hiển thị	Naive-N0.5-Flash
ID mô hình API chính thức (chủ lực)	`naive-n0.5-flash`
ID mô hình API chính thức (tắt suy nghĩ)	`naive-n0.5-lite` (cùng một mô hình, tắt suy nghĩ)
Đơn vị phát hành	NaiveAI (naive.ai)
Ngày phát hành	27/9/2026
Giấy phép	MIT, trọng số mở
Kiến trúc	MoE, tổng 309B, kích hoạt 15,5B
Số lớp	48 lớp: 39 lớp chú ý cửa sổ trượt (SWA) + 9 lớp chú ý thưa DSA
Ngữ cảnh	Gốc 1M
Tốc độ (chính thức)	Standard khoảng 50 tok/s; Ultrafast tối đa khoảng 2000 tok/s
Công cụ suy luận	NaiveRT tự phát triển
Loại đầu vào	Văn bản và mã nguồn, không hỗ trợ hình ảnh
Nền tảng	Xiaomi MiMo-V2.5

Giải phẫu kiến trúc: vì sao vừa lớn, vừa dài, vừa nhanh

309B tham số tổng, 15,5B kích hoạt: dung lượng lớn, tính toán nhỏ

Ý tưởng của MoE (hỗn hợp chuyên gia) rất gọn: mô hình có thể rất lớn, nhưng mỗi token chỉ đánh thức một phần nhỏ các chuyên gia. Naive-N0.5-Flash có 309B tham số tổng, mỗi token chỉ kích hoạt 15,5B. Dung lượng tri thức đến từ 309B, còn khối lượng tính toán mỗi bước chỉ tính theo 15,5B. Hiểu biết của mô hình lớn, nhịp bước của mô hình nhỏ. Đó là nền tảng cấu trúc cho thông lượng cao.

39 lớp SWA + 9 lớp DSA: phân công chính xác giữa cục bộ và toàn cục

Trong mạng 48 lớp, 39 lớp dùng chú ý cửa sổ trượt (SWA), chỉ nhìn vùng lân cận nên chi phí không phình vô hạn theo ngữ cảnh. 9 lớp dùng chú ý thưa DSA, chọn ra những vị trí thật sự quan trọng trên phạm vi toàn cục. Phần lớn phép tính giao cho các lớp cục bộ nhẹ, số ít lớp toàn cục đảm nhiệm các phụ thuộc xa. Cách phân bổ này biến ngữ cảnh gốc 1M thành năng lực dùng được thật, chứ không chỉ là một con số trong bảng thông số.

Ngữ cảnh gốc 1M: cả kho mã, đọc một lần

1M ngữ cảnh nghĩa là gì? Một kho mã cỡ vừa, bộ tài liệu kỹ thuật đầy đủ, lịch sử hội thoại rất dài có thể được đưa thẳng vào cùng một yêu cầu mà không cần cắt nhỏ. Với tác vụ lập trình, cách này bớt một tầng mất mát thông tin so với "tìm kiếm trước rồi ghép sau". Mô hình nhìn thấy ngữ cảnh trọn vẹn, không phải những mảnh chắp vá.

Tối đa khoảng 2000 tok/s: lời đáp của NaiveRT

Phía chính thức chia dịch vụ thành hai bậc: Standard khoảng 50 tok/s, Ultrafast tối đa khoảng 2000 tok/s. Đứng sau Ultrafast là công cụ suy luận tự phát triển NaiveRT của NaiveAI. Kiến trúc mô hình lo việc "tính ít đi", công cụ suy luận lo việc "tính nhanh lên". Làm đúng cả hai việc cùng lúc mới có con số này.

Tốc độ thay đổi điều gì

2000 tok/s nghe chỉ như một con số. Đặt nó vào bối cảnh phát triển thực tế, bức tranh khác hẳn.

Gợi ý code theo thời gian thực trong IDE. Bạn gõ một dòng chú thích, cả đoạn triển khai gần như trải đầy màn hình cùng lúc. Không vòng quay chờ, không dòng "đang suy nghĩ". Con trỏ vừa dừng, code đã xong. Gợi ý code từ "chờ đợi" thành "hơi thở", lập trình viên sẽ gọi thường xuyên hơn, và khác biệt tích lũy theo từng ngày làm việc.

Hàng chục lượt gọi của Agent. Một Agent phải đọc tệp, sửa code, chạy test, đọc kết quả rồi sửa tiếp. Một tác vụ có thể đi qua hàng chục lượt gọi. Mỗi lượt tiết kiệm vài giây thì cả tác vụ tiết kiệm vài phút. Mỗi bước nhanh hơn, trong cùng một ngân sách thời gian Agent có thể thử thêm, kiểm chứng thêm, và tỷ lệ thành công cũng có thêm dư địa tăng lên.

Kho mã dài, đọc một lần. Ngữ cảnh 1M cộng với thông lượng cao nghĩa là bạn có thể giao cả codebase cho mô hình để nhận một phương án cải tạo hoàn chỉnh, thay vì cắt nhỏ lặp đi lặp lại trong giới hạn cửa sổ. Đọc đủ, trả lời nhanh, đó mới là ngữ cảnh dài đúng nghĩa.

Tác vụ hàng loạt, trải song song. Review code, sinh tài liệu, bổ sung test là những việc song song được. Thông lượng càng cao, tổng thời gian càng giảm.

Đổi thời gian lấy chất lượng. Đủ nhanh thì có dư địa kéo dài chuỗi suy nghĩ. Trước đây "nghĩ lâu" là xa xỉ, giờ có thể thành lựa chọn thường ngày.

Bản thân tốc độ không phải mục đích. Nó thay đổi nhịp hợp tác giữa người và mô hình: từ "gửi đi rồi chờ" thành "trò chuyện rồi làm tiếp".

Vì sao điều này quan trọng với mã nguồn mở Trung Quốc

Trước đây, khi bàn về mô hình mã nguồn mở Trung Quốc, câu chuyện thường dừng ở "bao nhiêu tham số" và "xếp hạng mấy trên bảng". Naive-N0.5-Flash mở ra một góc nhìn mới: cùng là mã nguồn mở, ai làm tốc độ suy luận khiến lập trình viên phải bất ngờ.

Góc nhìn này có ba tầng ý nghĩa.

Thứ nhất, mã nguồn mở không chỉ là công bố trọng số. Giấy phép MIT nghĩa là đội ngũ có thể tự triển khai, tự tinh chỉnh, tự tích hợp mà không lo vướng nhiều lớp ràng buộc về giấy phép. Có trọng số trong tay, quyền lựa chọn nằm ở nhà phát triển.

Thứ hai, năng lực kỹ thuật trở thành sức cạnh tranh. Nền tảng đến từ MiMo-V2.5, hướng chú ý thưa đến từ DSA của DeepSeek, đều là những viên gạch công khai trong hệ sinh thái mã nguồn mở. NaiveAI dồn nhiều sức vào công cụ suy luận NaiveRT, biến việc "cùng những viên gạch ấy, ghép ra tốc độ nhanh hơn" thành đặc sản của mình. Trong thời đại mã nguồn mở, sự cực hạn về kỹ thuật tự nó đã là hào lũy.

Thứ ba, mã nguồn mở Trung Quốc đã hình thành cuộc chạy tiếp sức. Thành quả của nhà này là điểm xuất phát của nhà khác, phương pháp của nhà này được nhà khác kiểm chứng, cải tiến rồi công bố lại. Vòng lặp này càng quay càng nhanh, và người hưởng lợi là mọi người dùng: nhiều mô hình để chọn hơn, ngưỡng thử sai thấp hơn, nhịp lặp nhanh hơn.

Đọc hiểu bài thi kỹ thuật này qua bốn từ khóa

Nếu chỉ muốn nhớ các điểm kỹ thuật của mô hình, nhớ bốn từ này là đủ.

MoE. 309B tham số tổng là "kho tri thức", 15,5B tham số kích hoạt là "sức tính thực tế của mỗi bước". Kho lớn nghĩa là dung lượng dồi dào. Mỗi bước chỉ động đến một phần nhỏ nghĩa là chạy nhanh.

SWA. Chú ý cửa sổ trượt, chiếm 39 trong 48 lớp. Phần lớn các lớp chỉ để ý nội dung gần, nên chi phí kiểm soát được.

DSA. Chú ý thưa, chiếm 9 lớp còn lại. Nó chọn ra các vị trí then chốt trên toàn cục, kéo về những thông tin ở xa thật sự hữu ích.

NaiveRT. Công cụ suy luận tự phát triển, khâu biến lợi thế kiến trúc thành "bao nhiêu token mỗi giây".

Nối bốn từ lại là một mạch logic rõ ràng: dùng MoE để tính ít, dùng SWA để kiểm soát chi phí ngữ cảnh dài, dùng DSA để giữ tầm nhìn toàn cục, dùng NaiveRT để biến tốc độ thành hiện thực.

Một vài cách dùng đáng hình dung

Dưới đây là những hình dung sử dụng dựa trên thông số và giới hạn năng lực chính thức, không đại diện cho bất kỳ trường hợp nào đã xảy ra.

Quy trình review code: đưa cả kho mã vào ngữ cảnh một lần, để mô hình đề xuất thay đổi xuyên nhiều tệp. Giá trị của 1M ngữ cảnh gốc thể hiện trực quan nhất ở đây.
Trợ lý trong IDE: gợi ý code, giải thích, đề xuất refactor trả về gần như đồng thời, sự chú ý của lập trình viên không bị chờ đợi cắt ngang.
Agent nhiều bước: đọc, sửa, test, nhìn lại lặp đi lặp lại. Mỗi bước càng nhanh, cả chuỗi càng trơn tru.
Đồng bộ tài liệu và code: tài liệu dài và codebase cùng vào ngữ cảnh, đối chiếu xem mô tả giao diện có khớp với phần triển khai không.

Các kịch bản này có điểm chung: đều khuếch đại hai lợi thế "tốc độ" và "độ dài ngữ cảnh", và đều nằm trong phạm vi văn bản và mã nguồn, khớp hoàn toàn với giới hạn năng lực của mô hình.

Bên thứ ba nhìn nhận thế nào: đánh giá của Latent Space

Ngày 10/11/2026, Latent Space đăng bài đánh giá do Gabriele Beltramo viết. Mọi số liệu dưới đây đều lấy từ bài đó, không phải kết quả đo của Guishu Intelligence.

Kết quả benchmark

Kết quả NL2Repo-Bench (số liệu từ model card chính thức, do Latent Space tổng hợp):

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

Tốc độ đo thực tế

Đánh giá của Latent Space cho thấy:

đỉnh đo được khoảng 2100 tok/s, hơi cao hơn mức 2000 tok/s phía chính thức đưa ra;
giai đoạn suy nghĩ khoảng 984 tok/s, giai đoạn trả lời khoảng 1816 tok/s;
thời gian trung vị từ đầu đến cuối là 3,1 giây, so với 10,1 giây của DeepSeek.

Trường hợp ứng dụng

Ở ví dụ "tạo ứng dụng Hệ Mặt Trời", Naive-N0.5-Flash cho kết quả tốt nhất. Với các tác vụ về cấu trúc cây, nó ngang ngửa DeepSeek.

Nhìn số liệu một cách tỉnh táo

Khi đọc các con số này, hãy kèm theo ba điều kiện mà bài đánh giá gốc nêu ra:

tốc độ của Naive được đo trên máy chủ chính thức, còn các mô hình khác đi qua OpenRouter, hai bên có đường truyền khác nhau;
thời gian trung bình của hai bên xấp xỉ nhau, lần lượt là 45,3 giây và 45,0 giây;
với bài khó, thời gian trung bình là 89,8 giây so với 79,7 giây, nguyên nhân là chuỗi suy nghĩ dài hơn.

Truyền thông Trung Quốc cũng theo dõi mô hình này. Qubit (量子位) đã thuật lại trong bài trên tài khoản công chúng WeChat ngày 13/11/2026. Bài đó là tổng hợp lại từ nguồn khác, số liệu lấy theo bài gốc của Latent Space.

Phù hợp với ai, với tình huống nào

Rất phù hợp:

hoàn thành code tương tác và hỏi đáp trong IDE, nơi độ trễ rất nhạy cảm;
hiểu và viết lại ở cấp kho mã, cần ngữ cảnh lớn;
đội ngũ cần triển khai riêng và muốn giấy phép thoáng (MIT);
vòng lặp Agent gọi tần suất cao, nơi thời gian chờ ở mỗi bước bị nhân lên liên tục.

Giới hạn cần biết trước:

mô hình chỉ xử lý văn bản và mã nguồn, tác vụ cần đầu vào hình ảnh thì phải dùng mô hình khác;
điểm benchmark chính thức chỉ để tham khảo, hiệu quả thực tế vẫn nên lấy tác vụ của chính bạn làm chuẩn.

Nhà phát triển kết nối bằng giao diện tương thích như thế nào

Với các mô hình cung cấp qua API và theo kiểu Chat Completions, cách kết nối nhìn chung giống nhau: cấu hình endpoint, khóa và ID mô hình, rồi gửi yêu cầu theo kiểu streaming. Dưới đây là ví dụ chung, endpoint và khóa đều là chỗ giữ chỗ. Hãy lấy tài liệu API chính thức và hướng dẫn của dịch vụ bạn dùng làm chuẩn.

curl -N "https://<endpoint của nhà cung cấp hoặc endpoint chính thức>/v1/chat/completions" \
  -H "Authorization: Bearer <API Key của bạn>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "Viết bằng Python một bộ nhớ đệm LRU an toàn khi chạy đồng thời"}]
  }'

Trước khi kết nối, nên kiểm tra từng mục:

ID mô hình: chủ lực chính thức là naive-n0.5-flash, phiên bản tắt suy nghĩ là naive-n0.5-lite;
Đầu ra streaming: mô hình thông lượng cao càng nên dùng streaming, nếu không sẽ không thấy được tốc độ;
Loại đầu vào: chỉ gửi văn bản, không gửi hình ảnh;
Timeout và thử lại: yêu cầu ngữ cảnh dài và chuỗi suy nghĩ dài đều cần timeout rộng hơn;
Bộ đánh giá của riêng bạn: chạy một vòng bằng tác vụ thật rồi mới quyết định có chuyển đổi hay không.

Đánh giá thế nào cho thuyết phục? Chọn 20 đến 50 tác vụ thật từ chính codebase của bạn, ghi riêng thời gian đến token đầu tiên và tổng thời gian, so sánh naive-n0.5-flash với naive-n0.5-lite. Với tác vụ code thì chạy test xem tỷ lệ đạt, rồi nhét kho mã thật vào cửa sổ 1M để đo riêng một vòng. Kết luận có được mới là dữ liệu đưa vào tài liệu chọn công nghệ của bạn.

Guishu Intelligence đang theo dõi diễn biến của các mô hình mã nguồn mở tốc độ cao như thế này, hiện ở giai đoạn đánh giá và không cam kết bất kỳ mốc thời gian khả dụng nào.

Câu hỏi thường gặp (FAQ)

Ai làm ra Naive-N0.5-Flash? Do NaiveAI phát hành. NaiveAI là công ty AI Trung Quốc do đội ngũ có nền tảng Thanh Hoa sáng lập. Theo truyền thông đưa tin, nhà sáng lập Đại Quý Phong là phó giáo sư Khoa Kỹ thuật Điện tử của Đại học Thanh Hoa. Naive-N0.5-Flash là sản phẩm của công ty NaiveAI, phát hành ngày 27/9/2026.

Nó được huấn luyện từ đầu không? Phía chính thức xác nhận mô hình lấy Xiaomi MiMo-V2.5 làm nền, tham khảo chú ý thưa DSA của DeepSeek, kết hợp công cụ suy luận tự phát triển NaiveRT, đặt trọng tâm vào tối ưu cực hạn tốc độ suy luận.

Nó có mã nguồn mở không? Giấy phép là gì? Trọng số mở, giấy phép MIT.

ID mô hình API là gì? Chủ lực là naive-n0.5-flash. naive-n0.5-lite là phiên bản cùng mô hình nhưng tắt suy nghĩ.

2000 tok/s từ đâu ra? Theo phía chính thức, bậc Ultrafast đạt tối đa khoảng 2000 tok/s, nhờ công cụ suy luận tự phát triển NaiveRT. Đỉnh đo thực tế của Latent Space là khoảng 2100 tok/s.

Có hỗ trợ ngữ cảnh 1M không? Có, ngữ cảnh gốc 1M. Về kiến trúc, do 39 lớp chú ý cửa sổ trượt cùng 9 lớp chú ý thưa DSA tạo nên.

Có hỗ trợ đầu vào hình ảnh không? Không, mô hình chỉ tập trung vào văn bản và mã nguồn.

Mô hình này phù hợp làm gì? Sinh code, hiểu cấp kho mã, vòng lặp Agent, các tình huống phát triển tương tác nhạy cảm với độ trễ.

Tóm lại

Mã nguồn mở MIT, MoE 309B chỉ kích hoạt 15,5B, 39 lớp SWA cộng 9 lớp DSA nâng đỡ ngữ cảnh gốc 1M, NaiveRT tự phát triển đẩy tốc độ lên tối đa khoảng 2000 tok/s theo phía chính thức, NL2Repo-Bench đạt 71,9.

Xiaomi MiMo-V2.5 làm nền, DSA của DeepSeek cho hướng đi, NaiveAI đưa kỹ thuật đến cực hạn. Đây là một cuộc chạy tiếp sức đẹp của mô hình mã nguồn mở Trung Quốc, và cũng cho câu hỏi "mô hình code có thể nhanh đến đâu" một lời đáp mới.

Từ khóa của mô hình này là: trọng số mở, ngữ cảnh dài, tốc độ phản hồi. Khi ba điều đó cùng xuất hiện ở một mô hình, mọi đội làm công cụ lập trình, Agent hay nền tảng cho nhà phát triển đều đáng nhìn kỹ một lần.

Với nhà phát triển, cách đáp lại tốt nhất là tự tay thử: đọc tài liệu chính thức, chạy một vòng bằng tác vụ của chính mình, để dữ liệu lên tiếng.

Tài liệu tham khảo

Trang nghiên cứu chính thức của NaiveAI: https://naive.ai/en/research/
Trang mô hình trên Hugging Face: https://huggingface.co/NaiveAI/Naive-N0.5-Flash
Hướng dẫn bắt đầu nhanh API của NaiveAI: https://platform.naive.ai/docs/api-quick-start
X chính thức của NaiveAI (@naiveailab): https://x.com/naiveailab/status/2104247060186951725
Đánh giá của Latent Space (Gabriele Beltramo, 10/11/2026): https://latent.space/p/naiveai/
Bài trên tài khoản công chúng WeChat của Qubit (13/11/2026, thuật lại từ nguồn khác): https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ

Your privacy choices