Naive-N0.5-Flash, el modelo que NaiveAI dice haber construido con ayuda de la IA

El 27 de septiembre de 2026, la startup pekinesa NaiveAI publicó en Hugging Face el modelo Naive-N0.5-Flash, distribuido con licencia MIT. Tal como detalla su ficha técnica, no se trata de una arquitectura creada desde cero, sino de una adaptación del modelo base de pesos abiertos MiMo-V2.5 de Xiaomi, sobre el que se aplicaron 3,25 billones de tokens de entrenamiento adicional. El sistema emplea una estructura Mixture-of-Experts con 309.000 millones de parámetros en total, de los cuales 15.500 millones están activos por token, y maneja un contexto nativo de un millón de tokens combinando capas de atención de ventana deslizante con DeepSeek Sparse Attention. No está del todo claro, sin embargo, cómo encaja la licencia MIT con las condiciones de la licencia del modelo base de Xiaomi.

Lo que distingue al proyecto es su método de desarrollo, que la empresa describe en su blog técnico como una investigación y desarrollo centrados en la inteligencia artificial. Según el blog, los investigadores humanos fijan la dirección, las restricciones y los criterios y toman las decisiones críticas, mientras que la implementación, la optimización, la experimentación y el análisis quedan en manos de modelos de IA. En el mismo texto se lee que «los investigadores humanos marcan la dirección, definen restricciones y criterios y toman las decisiones críticas. La ventaja humana reside en la experiencia, la intuición y el juicio». Sin embargo, el medio independiente Runtime Wire señaló que los documentos publicados no aclaran cuánto trabajo hizo realmente la IA, ni cómo se midió esa aportación, ni si el enfoque reduce de verdad los costes de desarrollo futuros. El mismo medio vincula a la empresa con Jifeng Dai, profesor asociado de la Universidad Tsinghua que antes trabajó en Microsoft Research Asia y SenseTime.

En cuanto a rendimiento y costes, la ficha del modelo indica precios de API de 0,10 dólares por millón de tokens de entrada y 0,40 dólares de salida, mientras que Runtime Wire recoge la tarifa en yuanes: 0,60 yuanes de entrada y 2,60 yuanes de salida por millón. Ambas cifras proceden de fuentes distintas y no cuadran exactamente con el tipo de cambio. Para la ejecución, que requiere GPU de Nvidia compatibles con FP8, la empresa propone su sistema propietario NaiveRT, al que atribuye una velocidad estándar de 50 tokens por segundo por usuario, que subiría a 2.000 en modo Ultrafast. El blog de la empresa sitúa ese pico en una configuración de ocho GPU sin especificar el modelo, mientras que Runtime Wire precisa que la medición de más de 2.100 tokens por segundo corresponde a una prueba de decodificación limitada a un único flujo.

Todos los benchmarks de rendimiento que aparecen en el repositorio oficial de GitHub proceden de un protocolo de evaluación interno llamado AutoResearch, basado en Claude Code. Como los resultados se muestran únicamente en gráficos y no han sido verificados por terceros independientes, no es posible confirmar las puntuaciones exactas que declara la startup. Esta falta de contraste externo invita a la prudencia, algo habitual cuando la velocidad de lanzamiento supera la verificabilidad de las métricas.

Si delegar la escritura de código en otra máquina acelera los lanzamientos, la verdadera asimetría está en la verificación: validar el trabajo de una IA sigue exigiendo ese juicio humano que la startup reivindica como su propia salvaguarda. Mientras los benchmarks se midan con un protocolo interno y no los repliquen terceros, el rendimiento anunciado debe leerse como una afirmación de la empresa, no como un dato verificado. — Olya