Naive-N0.5-Flash 横空出世：309B MoE、原生 1M 上下文、最高约 2000 tok/s，清华背景团队打造的国产开源大模型

309B 总参数，每个 token 只激活 15.5B。原生 1M 上下文。Ultrafast 档最高约 2000 tok/s。MIT 开源，权重全部放出。

四个数字，一句话：国产开源大模型，这次把"快"推到了另一个量级。

2026 年 9 月 27 日，清华背景团队创办的中国 AI 公司 NaiveAI 发布 Naive-N0.5-Flash。在 NL2Repo-Bench 上，官方模型卡给出的成绩是 71.9，Latent Space 汇总的对照里，DeepSeek V4.1 Flash 是 68.2，GLM 5.3 Flash 是 56.3。一个只做文本和代码的模型，把自己的赛道跑得又深又快。

这不是又一个"参数更大"的故事。这是一个关于响应速度的故事：当一个模型每秒能吐出上千个 token，写代码、跑 Agent、读仓库的体验就不再是"等它想完"，而是"它已经答完了"。

先看结论

• 发布方：NaiveAI（naive.ai），官方 X 账号 @naiveailab，发布日期 2026-09-27。
• 许可证：MIT，开源权重，商用和二次开发门槛极低。
• 规模：309B 总参数的 MoE，每个 token 激活 15.5B 参数。
• 上下文：原生 1M。
• 速度：官方 Standard 档约 50 tok/s，Ultrafast 档最高约 2000 tok/s，由自研推理引擎 NaiveRT 驱动。
• 能力边界：专注纯文本与代码，不支持图片输入。
• 基准：NL2Repo-Bench 71.9，高于 DeepSeek V4.1 Flash 的 68.2 和 GLM 5.3 Flash 的 56.3（官方模型卡数据，Latent Space 汇总）。

谁做的：清华背景团队创办的 NaiveAI

NaiveAI 是一家由清华背景团队创办的中国 AI 公司。据媒体报道，创始人代季峰是清华大学电子工程系副教授。Naive-N0.5-Flash 是 NaiveAI 的公司产品。

一支有学术深度的团队，选择把权重以 MIT 许可完整开放，再用自研推理引擎把速度做到极致。这条路线，在国产大模型里很有辨识度。

站在开源巨人肩膀上，把速度做到极致

Naive-N0.5-Flash 没有回避自己的来路，而且说得很骄傲。

官方确认，它以小米 MiMo-V2.5 为基座，并借鉴了 DeepSeek 的 DSA 稀疏注意力。再加上 NaiveAI 自研的推理引擎 NaiveRT。三样东西叠在一起：

1. MiMo-V2.5 提供扎实的基座。国产开源模型的上一棒，已经把地基打好。
2. DSA 稀疏注意力提供长上下文的思路。DeepSeek 把方法公开，后来者可以直接站上去。
3. NaiveRT 把工程压榨到极限。官方给出的 Standard 约 50 tok/s 与 Ultrafast 最高约 2000 tok/s 两档，说明同一套模型能力可以在不同的服务形态下释放，NaiveRT 正是冲向高档位的那台引擎。

这就是开源接力的力量：小米跑完第一棒，DeepSeek 递上方法，NaiveAI 接过来，朝着"极致速度"冲刺。没有哪一家要从零造轮子，每一家都在把别人的成果推到更远的地方。开源生态最好的样子，就是这样，每一棒都比上一棒更快。

核心参数表

项目	信息
展示名	Naive-N0.5-Flash
官方 API 模型 ID（主力）	naive-n0.5-flash
官方 API 模型 ID（关闭思考）	naive-n0.5-lite（同一模型，关闭思考）
发布方	NaiveAI（naive.ai）
发布日期	2026-09-27
许可证	MIT，开源权重
架构	MoE，总参数 309B，激活 15.5B
层数	48 层：39 层滑动窗口注意力（SWA）+ 9 层 DSA 稀疏注意力
上下文	原生 1M
速度（官方）	Standard 约 50 tok/s；Ultrafast 最高约 2000 tok/s
推理引擎	自研 NaiveRT
输入类型	纯文本与代码，不支持图片输入
基座	小米 MiMo-V2.5

架构拆解：为什么它又大、又长、又快

309B 总参数，15.5B 激活：大容量，小计算

MoE（混合专家）的思路很干脆：模型可以很大，但每个 token 只叫醒其中一小部分专家。Naive-N0.5-Flash 总参数 309B，每个 token 只激活 15.5B。知识容量来自 309B，单步计算量只有 15.5B 的账。大模型的见识，小模型的步速，这是它能跑出高吞吐的结构底座。

39 层 SWA + 9 层 DSA：局部与全局的精准分工

48 层网络里，39 层采用滑动窗口注意力（SWA），只盯局部邻域，成本不随上下文无限膨胀；9 层采用 DSA 稀疏注意力，在全局范围里挑出真正关键的位置。绝大多数计算交给轻量的局部层，少数全局层负责兜住远距离依赖。这套分配，让原生 1M 上下文成为可以真正用起来的能力，而不只是参数表上的一个数字。

原生 1M：整个仓库，一次读完

1M 上下文意味着什么？一个中型代码仓库、成套的技术文档、很长的会话历史，可以不经切块，直接放进同一次请求。对代码任务来说，这比"先检索、再拼接"少了一层信息损失。模型看到的是完整的上下文，而不是拼凑出来的碎片。

最高约 2000 tok/s：NaiveRT 的答卷

官方把服务分成两档：Standard 约 50 tok/s，Ultrafast 最高约 2000 tok/s。Ultrafast 背后，是 NaiveAI 自研的推理引擎 NaiveRT。模型架构负责"少算"，推理引擎负责"算得快"，两件事同时做对，才有这个数字。

速度改变的是什么

2000 tok/s 听起来只是一个数字。把它放进真实的开发场景，画面就变了。

IDE 里的实时补全。 你敲下一行注释，整段实现几乎同步铺满屏幕。没有转圈，没有"思考中"，光标刚停，代码已经落完。补全从"等候"变成"呼吸"，开发者会更愿意频繁调用，一天下来的差别是积累出来的。

Agent 的几十轮调用。 一个 Agent 要读文件、改代码、跑测试、读结果、再改，一次任务可能要走几十轮调用。每一轮省下几秒，整个任务就省下几分钟。单步更快，同样的时间预算里，Agent 可以多试几次、多验证几次，成功率往上走的空间也就更大。

长仓库，一次读完。 1M 上下文加上高吞吐，意味着你可以把整个代码库交给模型，让它给出完整的改造方案，而不是在窗口限制里反复切块。读得全，答得快，这是长上下文真正该有的样子。

批量任务，并行铺开。 代码审查、文档生成、测试补全，这类可以并行的工作，吞吐一高，总耗时直接下降。

用时间换质量。 速度够快，就有余量把思考链放长。以前"想得久"是奢侈，现在可以变成常规选项。

速度本身不是目的，它改变的是人与模型协作的节奏：从"提交，然后等待"，变成"对话，然后继续"。

为什么这件事对国产开源意义重大

过去讨论国产开源大模型，话题常常停在"参数有多大""榜单排第几"。Naive-N0.5-Flash 带来一个新的切入口：同样是开源，谁能把推理速度做到让开发者感到惊喜。

这个切入口有三层含义。

第一，开源不止是放出权重。 MIT 许可证意味着团队可以自行部署、自行微调、自行集成，不必担心许可上的层层限制。权重在手，选择权在开发者手里。

第二，工程能力成为竞争力。 基座来自 MiMo-V2.5，稀疏注意力的思路来自 DeepSeek 的 DSA，这些都是开源生态里公开可得的积木。NaiveAI 把大量精力投向推理引擎 NaiveRT，把"同样的积木拼出更快的速度"变成了自己的特色。这说明在开源时代，工程极致本身就是壁垒。

第三，国产开源形成了接力。 一家的成果成为另一家的起点，一家的方法被另一家验证、改进、再放出。这种循环越转越快，受益的是所有使用者：更多可选的模型、更低的试错门槛、更快的迭代节奏。

读懂这份技术答卷：四个关键词

如果你只想记住这款模型的技术要点，记这四个词就够了。

MoE。 309B 的总参数是"知识仓库"，15.5B 的激活参数是"每一步的实际算力"。仓库大，意味着容量足；每步只动一小部分，意味着跑得快。

SWA。 滑动窗口注意力，占了 48 层中的 39 层。它让绝大多数层只关注近处的内容，成本可控。

DSA。 稀疏注意力，占了其余 9 层。它负责在全局里挑出关键位置，把远处真正有用的信息拉回来。

NaiveRT。 自研推理引擎，是把架构优势变成"每秒多少 token"的那一环。

四个词串起来，就是一条清晰的逻辑：用 MoE 少算，用 SWA 控制长上下文成本，用 DSA 保住全局视野，用 NaiveRT 把速度兑现。

值得想象的几种用法

下面是基于官方参数和能力边界做的使用设想，不代表任何已发生的案例。

• 代码审查流水线：把整个仓库一次放进上下文，让模型给出跨文件的改动建议。原生 1M 的价值在这里最直观。
• IDE 助手：补全、解释、重构建议几乎同步返回，开发者的注意力不会被等待打断。
• 多步 Agent：读取、修改、测试、复盘循环往复，单步越快，整条链路越流畅。
• 文档与代码同步：长文档与代码库同时进入上下文，对照检查接口说明与实现是否一致。

这些场景有一个共同点：它们都在放大"速度"与"上下文长度"这两项优势，同时都落在纯文本与代码的范围之内，与模型的能力边界完全吻合。

第三方怎么看：Latent Space 评测

2026 年 11 月 10 日，Latent Space 发表了 Gabriele Beltramo 撰写的评测。以下数据均来自该文，不是贵数智能的实测。

基准成绩

NL2Repo-Bench 成绩（官方模型卡数据，Latent Space 汇总）：

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

速度实测

Latent Space 评测显示：

• 实测峰值约 2100 tok/s，比官方给出的 2000 tok/s 还略高；
• 思考阶段约 984 tok/s，作答阶段约 1816 tok/s；
• 端到端中位耗时 3.1 秒，对比 DeepSeek 的 10.1 秒。

应用案例

在"生成太阳系应用"的案例里，Naive-N0.5-Flash 表现最好；在树结构类任务上，它与 DeepSeek 接近。

冷静看数据

看这些数字时，请带上评测原文给出的三个条件：

• Naive 的速度在官方服务端测得，其他模型走 OpenRouter，两边链路不同；
• 两者平均耗时相近，分别是 45.3 秒和 45.0 秒；
• 难题上平均耗时为 89.8 秒对 79.7 秒，原因是思考链更长。

国内媒体同样在关注这款模型，量子位在 2026 年 11 月 13 日的公众号文章中做了转述。该文属于二手整理，数字以 Latent Space 原文为准。

适合谁，适合什么场景

非常适合：

• 对延迟敏感的交互式代码补全、IDE 内问答；
• 需要大上下文的仓库级理解与改写；
• 需要私有化部署、对许可证要求宽松的团队（MIT）；
• 依赖高频调用的 Agent 循环，每一步的等待都会被反复放大。

需要提前知道的边界：

• 它只处理纯文本与代码，需要图片输入的任务要换别的模型；
• 官方跑分是参考，真实业务效果仍应以你自己的任务为准。

开发者如何用兼容接口接入这类模型

对于通过 API 提供、遵循 Chat Completions 风格的模型，接入思路大体一致：配置端点、密钥和模型 ID，以流式方式发送请求。下面是一个通用示例，端点与密钥均为占位符，请以官方 API 文档和你所用服务的说明为准。

curl -N "https://<你的服务商或官方端点>/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 写一个并发安全的 LRU 缓存"}]
  }'

接入前建议逐项确认：

1. 模型 ID：官方主力是 naive-n0.5-flash，关闭思考的版本是 naive-n0.5-lite；
2. 流式输出：高吞吐模型更要用流式，否则看不出速度；
3. 输入类型：只发文本，不要发图片；
4. 超时与重试：长上下文请求和长思考链都需要更宽的超时；
5. 自己的评测集：用真实任务跑一轮，再决定要不要切换。

怎么评测更有说服力？选 20 到 50 个来自你自己代码库的真实任务，分开记录首 token 时间和总耗时，对比 naive-n0.5-flash 与 naive-n0.5-lite，代码任务直接跑测试看通过率，再把真实仓库塞进 1M 窗口单独测一轮。得到的结论，才是能放进你自己技术选型文档的数据。

贵数智能正在关注这类高速开源模型的动向，目前处于评估阶段，不对可用时间做任何承诺。

常见问题 FAQ

Naive-N0.5-Flash 是谁做的？ 由 NaiveAI 发布。NaiveAI 是清华背景团队创办的中国 AI 公司，据媒体报道，创始人代季峰是清华大学电子工程系副教授。Naive-N0.5-Flash 是 NaiveAI 的公司产品，发布于 2026 年 9 月 27 日。

它是从零训练的吗？ 官方确认以小米 MiMo-V2.5 为基座，并借鉴了 DeepSeek 的 DSA 稀疏注意力，再配合自研推理引擎 NaiveRT，把重点放在推理速度的极致优化上。

它是开源的吗？许可证是什么？ 权重开源，许可证为 MIT。

API 模型 ID 是什么？ 主力是 naive-n0.5-flash；naive-n0.5-lite 是同一模型关闭思考的版本。

2000 tok/s 是怎么来的？ 官方说法是 Ultrafast 档最高约 2000 tok/s，由自研推理引擎 NaiveRT 支撑。Latent Space 的实测峰值约 2100 tok/s。

支持 1M 上下文吗？ 支持，原生 1M 上下文。架构上由 39 层滑动窗口注意力加 9 层 DSA 稀疏注意力共同实现。

支持图片输入吗？ 不支持，它专注纯文本与代码。

这个模型适合做什么？ 代码生成、仓库级理解、Agent 循环、对延迟敏感的交互式开发场景。

小结

MIT 开源，309B MoE 只激活 15.5B，39 层 SWA 加 9 层 DSA 撑起原生 1M 上下文，自研 NaiveRT 把速度推到官方最高约 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 把工程做到极致。这是国产开源大模型一次漂亮的接力，也让"代码模型到底能有多快"这个问题，有了新的答案。

这款模型的关键词是：权重开放、长上下文、响应速度。当三件事同时出现在一个模型身上，值得每一个做代码工具、做 Agent、做开发者平台的团队认真看一眼。

对开发者来说，最好的回应是亲手试一试：读官方文档，用自己的任务跑一轮，让数据来说话。

参考资料

• NaiveAI 官方研究页：https://naive.ai/en/research/
• Hugging Face 模型页：https://huggingface.co/NaiveAI/Naive-N0.5-Flash
• NaiveAI API 快速开始：https://platform.naive.ai/docs/api-quick-start
• NaiveAI 官方 X（@naiveailab）：https://x.com/naiveailab/status/2104247060186951725
• Latent Space 评测（Gabriele Beltramo，2026-11-10）：https://latent.space/p/naiveai/
• 量子位公众号文章（2026-11-13，二手转述）：https://mp.weixin.qq.com/s/d2PycGL_WwpYgcdB9dssMQ