Naive-N0.5-Flash 橫空出世：309B MoE、原生 1M 上下文、最高約 2000 tok/s，清華背景團隊創辦的中國開源大模型

309B 總參數，每個 token 只啟用 15.5B。原生 1M 上下文。Ultrafast 檔最高約 2000 tok/s。MIT 開源，權重全部釋出。

四個數字，一句話：中國開源大模型，這次把「快」推到了另一個量級。

2026 年 9 月 27 日，清華背景團隊創辦的中國 AI 公司 NaiveAI 發表 Naive-N0.5-Flash。在 NL2Repo-Bench 上，官方模型卡給出的成績是 71.9；Latent Space 彙整的對照裡，DeepSeek V4.1 Flash 是 68.2，GLM 5.3 Flash 是 56.3。一個只做文字和程式碼的模型，把自己的賽道跑得又深又快。

這不是又一個「參數更大」的故事。這是一個關於回應速度的故事：當一個模型每秒能吐出上千個 token，寫程式、跑 Agent、讀程式庫的體驗就不再是「等它想完」，而是「它已經答完了」。

先看結論

• 發表方：NaiveAI（naive.ai），官方 X 帳號 @naiveailab，發表日期 2026-09-27。
• 授權條款：MIT，開源權重，商用和二次開發門檻極低。
• 規模：309B 總參數的 MoE，每個 token 啟用 15.5B 參數。
• 上下文：原生 1M。
• 速度：官方 Standard 檔約 50 tok/s，Ultrafast 檔最高約 2000 tok/s，由自研推論引擎 NaiveRT 驅動。
• 能力邊界：專注純文字與程式碼，不支援圖片輸入。
• 基準：NL2Repo-Bench 71.9，高於 DeepSeek V4.1 Flash 的 68.2 和 GLM 5.3 Flash 的 56.3（官方模型卡資料，Latent Space 彙整）。

誰做的：清華背景團隊創辦的 NaiveAI

NaiveAI 是一家由清華背景團隊創辦的中國 AI 公司。據媒體報導，創辦人代季峰是清華大學電子工程系副教授。Naive-N0.5-Flash 是 NaiveAI 的公司產品。

一支有學術深度的團隊，選擇把權重以 MIT 授權完整開放，再用自研推論引擎把速度做到極致。這條路線，在中國大模型裡很有辨識度。

站在開源巨人的肩膀上，把速度做到極致

Naive-N0.5-Flash 沒有迴避自己的來路，而且說得很驕傲。

官方確認，它以小米 MiMo-V2.5 為基座，並借鑑了 DeepSeek 的 DSA 稀疏注意力。再加上 NaiveAI 自研的推論引擎 NaiveRT。三樣東西疊在一起：

1. MiMo-V2.5 提供紮實的基座。中國開源模型的上一棒，已經把地基打好。
2. DSA 稀疏注意力提供長上下文的思路。DeepSeek 把方法公開，後來者可以直接站上去。
3. NaiveRT 把工程壓榨到極限。官方給出的 Standard 約 50 tok/s 與 Ultrafast 最高約 2000 tok/s 兩檔，說明同一套模型能力可以在不同的服務型態下釋放，NaiveRT 正是衝向高檔位的那台引擎。

這就是開源接力的力量：小米跑完第一棒，DeepSeek 遞上方法，NaiveAI 接過來，朝著「極致速度」衝刺。沒有哪一家要從零造輪子，每一家都在把別人的成果推到更遠的地方。開源生態最好的樣子就是這樣，每一棒都比上一棒更快。

核心參數表

項目	資訊
顯示名稱	Naive-N0.5-Flash
官方 API 模型 ID（主力）	naive-n0.5-flash
官方 API 模型 ID（關閉思考）	naive-n0.5-lite（同一模型，關閉思考）
發表方	NaiveAI（naive.ai）
發表日期	2026-09-27
授權條款	MIT，開源權重
架構	MoE，總參數 309B，啟用 15.5B
層數	48 層：39 層滑動視窗注意力（SWA）+ 9 層 DSA 稀疏注意力
上下文	原生 1M
速度（官方）	Standard 約 50 tok/s；Ultrafast 最高約 2000 tok/s
推論引擎	自研 NaiveRT
輸入類型	純文字與程式碼，不支援圖片輸入
基座	小米 MiMo-V2.5

架構拆解：為什麼它又大、又長、又快

309B 總參數，15.5B 啟用：大容量，小運算

MoE（混合專家）的思路很乾脆：模型可以很大，但每個 token 只叫醒其中一小部分專家。Naive-N0.5-Flash 總參數 309B，每個 token 只啟用 15.5B。知識容量來自 309B，單步運算量只有 15.5B 的帳。大模型的見識，小模型的步速，這是它能跑出高吞吐的結構底座。

39 層 SWA + 9 層 DSA：區域與全域的精準分工

48 層網路裡，39 層採用滑動視窗注意力（SWA），只盯區域鄰近範圍，成本不會隨上下文無限膨脹；9 層採用 DSA 稀疏注意力，在全域範圍裡挑出真正關鍵的位置。絕大多數運算交給輕量的區域層，少數全域層負責兜住遠距離依賴。這套分配，讓原生 1M 上下文成為可以真正用起來的能力，而不只是參數表上的一個數字。

原生 1M：整個程式庫，一次讀完

1M 上下文意味著什麼？一個中型程式碼庫、成套的技術文件、很長的對話歷史，可以不經切塊，直接放進同一次請求。對程式碼任務來說，這比「先檢索、再拼接」少了一層資訊損失。模型看到的是完整的上下文，而不是拼湊出來的碎片。

最高約 2000 tok/s：NaiveRT 的答卷

官方把服務分成兩檔：Standard 約 50 tok/s，Ultrafast 最高約 2000 tok/s。Ultrafast 背後，是 NaiveAI 自研的推論引擎 NaiveRT。模型架構負責「少算」，推論引擎負責「算得快」，兩件事同時做對，才有這個數字。

速度改變的是什麼

2000 tok/s 聽起來只是一個數字。把它放進真實的開發場景，畫面就變了。

IDE 裡的即時補全。 你敲下一行註解，整段實作幾乎同步鋪滿螢幕。沒有轉圈，沒有「思考中」，游標剛停，程式碼已經落完。補全從「等候」變成「呼吸」，開發者會更願意頻繁呼叫，一天下來的差別是累積出來的。

Agent 的幾十輪呼叫。 一個 Agent 要讀檔案、改程式碼、跑測試、讀結果、再改，一次任務可能要走幾十輪呼叫。每一輪省下幾秒，整個任務就省下幾分鐘。單步更快，同樣的時間預算裡，Agent 可以多試幾次、多驗證幾次，成功率往上走的空間也就更大。

長程式庫，一次讀完。 1M 上下文加上高吞吐，意味著你可以把整個程式碼庫交給模型，讓它給出完整的改造方案，而不是在視窗限制裡反覆切塊。讀得全，答得快，這是長上下文真正該有的樣子。

批次任務，並行鋪開。 程式碼審查、文件生成、測試補全，這類可以並行的工作，吞吐一高，總耗時直接下降。

用時間換品質。 速度夠快，就有餘裕把思考鏈拉長。以前「想得久」是奢侈，現在可以變成常規選項。

速度本身不是目的，它改變的是人與模型協作的節奏：從「提交，然後等待」，變成「對話，然後繼續」。

為什麼這件事對中國開源意義重大

過去談論中國開源大模型，話題常常停在「參數有多大」「榜單排第幾」。Naive-N0.5-Flash 帶來一個新的切入口：同樣是開源，誰能把推論速度做到讓開發者感到驚喜。

這個切入口有三層含義。

第一，開源不只是釋出權重。 MIT 授權意味著團隊可以自行部署、自行微調、自行整合，不必擔心授權上的層層限制。權重在手，選擇權在開發者手裡。

第二，工程能力成為競爭力。 基座來自 MiMo-V2.5，稀疏注意力的思路來自 DeepSeek 的 DSA，這些都是開源生態裡公開可得的積木。NaiveAI 把大量精力投向推論引擎 NaiveRT，把「同樣的積木拼出更快的速度」變成了自己的特色。這說明在開源時代，工程極致本身就是壁壘。

第三，中國開源形成了接力。 一家的成果成為另一家的起點，一家的方法被另一家驗證、改進、再釋出。這種循環越轉越快，受益的是所有使用者：更多可選的模型、更低的試錯門檻、更快的迭代節奏。

讀懂這份技術答卷：四個關鍵詞

如果你只想記住這款模型的技術要點，記這四個詞就夠了。

MoE。 309B 的總參數是「知識倉庫」，15.5B 的啟用參數是「每一步的實際算力」。倉庫大，意味著容量足；每步只動一小部分，意味著跑得快。

SWA。 滑動視窗注意力，占了 48 層中的 39 層。它讓絕大多數層只關注近處的內容，成本可控。

DSA。 稀疏注意力，占了其餘 9 層。它負責在全域裡挑出關鍵位置，把遠處真正有用的資訊拉回來。

NaiveRT。 自研推論引擎，是把架構優勢變成「每秒多少 token」的那一環。

四個詞串起來，就是一條清晰的邏輯：用 MoE 少算，用 SWA 控制長上下文成本，用 DSA 保住全域視野，用 NaiveRT 把速度兌現。

值得想像的幾種用法

下面是基於官方參數和能力邊界所做的使用設想，不代表任何已發生的案例。

• 程式碼審查流水線：把整個程式庫一次放進上下文，讓模型給出跨檔案的改動建議。原生 1M 的價值在這裡最直觀。
• IDE 助手：補全、解釋、重構建議幾乎同步回傳，開發者的注意力不會被等待打斷。
• 多步 Agent：讀取、修改、測試、復盤循環往復，單步越快，整條鏈路越流暢。
• 文件與程式碼同步：長文件與程式碼庫同時進入上下文，對照檢查介面說明與實作是否一致。

這些場景有一個共同點：它們都在放大「速度」與「上下文長度」這兩項優勢，同時都落在純文字與程式碼的範圍之內，與模型的能力邊界完全吻合。

第三方怎麼看：Latent Space 評測

2026 年 11 月 10 日，Latent Space 發表了 Gabriele Beltramo 撰寫的評測。以下資料均來自該文，不是貴數智能的實測。

基準成績

NL2Repo-Bench 成績（官方模型卡資料，Latent Space 彙整）：

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

速度實測

Latent Space 評測顯示：

• 實測峰值約 2100 tok/s，比官方給出的 2000 tok/s 還略高；
• 思考階段約 984 tok/s，作答階段約 1816 tok/s；
• 端到端中位耗時 3.1 秒，對比 DeepSeek 的 10.1 秒。

應用案例

在「生成太陽系應用」的案例裡，Naive-N0.5-Flash 表現最好；在樹狀結構類任務上，它與 DeepSeek 接近。

冷靜看資料

看這些數字時，請帶上評測原文給出的三個條件：

• Naive 的速度在官方伺服器端測得，其他模型走 OpenRouter，兩邊鏈路不同；
• 兩者平均耗時相近，分別是 45.3 秒和 45.0 秒；
• 難題上平均耗時為 89.8 秒對 79.7 秒，原因是思考鏈更長。

中國媒體同樣在關注這款模型，量子位在 2026 年 11 月 13 日的微信公眾號文章中做了轉述。該文屬於二手整理，數字以 Latent Space 原文為準。

適合誰，適合什麼場景

非常適合：

• 對延遲敏感的互動式程式碼補全、IDE 內問答；
• 需要大上下文的程式庫層級理解與改寫；
• 需要私有化部署、對授權條款要求寬鬆的團隊（MIT）；
• 依賴高頻呼叫的 Agent 循環，每一步的等待都會被反覆放大。

需要事先知道的邊界：

• 它只處理純文字與程式碼，需要圖片輸入的任務要換別的模型；
• 官方跑分是參考，真實業務效果仍應以你自己的任務為準。

開發者如何用相容介面串接這類模型

對於透過 API 提供、遵循 Chat Completions 風格的模型，串接思路大體一致：設定端點、金鑰和模型 ID，以串流方式送出請求。下面是一個通用範例，端點與金鑰均為預留位置，請以官方 API 文件和你所用服務的說明為準。

curl -N "https://<你的服務商或官方端點>/v1/chat/completions" \
  -H "Authorization: Bearer <你的 API Key>" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "naive-n0.5-flash",
    "stream": true,
    "messages": [{"role": "user", "content": "用 Python 寫一個並行安全的 LRU 快取"}]
  }'

串接前建議逐項確認：

1. 模型 ID：官方主力是 naive-n0.5-flash，關閉思考的版本是 naive-n0.5-lite；
2. 串流輸出：高吞吐模型更要用串流，否則看不出速度；
3. 輸入類型：只送文字，不要送圖片；
4. 逾時與重試：長上下文請求和長思考鏈都需要更寬的逾時；
5. 自己的評測集：用真實任務跑一輪，再決定要不要切換。

怎麼評測更有說服力？選 20 到 50 個來自你自己程式碼庫的真實任務，分開記錄首 token 時間和總耗時，對比 naive-n0.5-flash 與 naive-n0.5-lite，程式碼任務直接跑測試看通過率，再把真實程式庫塞進 1M 視窗單獨測一輪。得到的結論，才是能放進你自己技術選型文件的資料。

貴數智能正在關注這類高速開源模型的動向，目前處於評估階段，不對可用時間做任何承諾。

常見問題 FAQ

Naive-N0.5-Flash 是誰做的？ 由 NaiveAI 發表。NaiveAI 是清華背景團隊創辦的中國 AI 公司，據媒體報導，創辦人代季峰是清華大學電子工程系副教授。Naive-N0.5-Flash 是 NaiveAI 的公司產品，發表於 2026 年 9 月 27 日。

它是從零訓練的嗎？ 官方確認以小米 MiMo-V2.5 為基座，並借鑑了 DeepSeek 的 DSA 稀疏注意力，再配合自研推論引擎 NaiveRT，把重點放在推論速度的極致優化上。

它是開源的嗎？授權條款是什麼？ 權重開源，授權條款為 MIT。

API 模型 ID 是什麼？ 主力是 naive-n0.5-flash；naive-n0.5-lite 是同一模型關閉思考的版本。

2000 tok/s 是怎麼來的？ 官方說法是 Ultrafast 檔最高約 2000 tok/s，由自研推論引擎 NaiveRT 支撐。Latent Space 的實測峰值約 2100 tok/s。

支援 1M 上下文嗎？ 支援，原生 1M 上下文。架構上由 39 層滑動視窗注意力加 9 層 DSA 稀疏注意力共同實現。

支援圖片輸入嗎？ 不支援，它專注純文字與程式碼。

這個模型適合做什麼？ 程式碼生成、程式庫層級理解、Agent 循環、對延遲敏感的互動式開發場景。

小結

MIT 開源，309B MoE 只啟用 15.5B，39 層 SWA 加 9 層 DSA 撐起原生 1M 上下文，自研 NaiveRT 把速度推到官方最高約 2000 tok/s，NL2Repo-Bench 拿到 71.9。

小米 MiMo-V2.5 做基座，DeepSeek 的 DSA 提供思路，NaiveAI 把工程做到極致。這是中國開源大模型一次漂亮的接力，也讓「程式碼模型到底能有多快」這個問題，有了新的答案。

這款模型的關鍵詞是：權重開放、長上下文、回應速度。當三件事同時出現在一個模型身上，值得每一個做程式碼工具、做 Agent、做開發者平台的團隊認真看一眼。

對開發者來說，最好的回應是親手試一試：讀官方文件，用自己的任務跑一輪，讓資料來說話。

參考資料

• NaiveAI 官方研究頁：https://naive.ai/en/research/
• Hugging Face 模型頁：https://huggingface.co/NaiveAI/Naive-N0.5-Flash
• NaiveAI API 快速開始：https://platform.naive.ai/docs/api-quick-start
• NaiveAI 官方 X（@naiveailab）：https://x.com/naiveailab/status/2104247060186951725
• Latent Space 評測（Gabriele Beltramo，2026-11-10）：https://latent.space/p/naiveai/
• 量子位公眾號文章（2026-11-13，二手轉述）：https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ