Naive-N0.5-Flash – model, który NaiveAI według własnych słów zbudowało z pomocą AI

27 września 2026 roku pekiński startup NaiveAI opublikował na Hugging Face model Naive-N0.5-Flash na licencji MIT. Jak wyjaśnia karta modelu, nie jest to architektura zbudowana od zera, lecz adaptacja otwartego modelu bazowego MiMo-V2.5 od Xiaomi, dotrenowanego na dodatkowych 3,25 biliona tokenów. System wykorzystuje strukturę Mixture-of-Experts z łącznie 309 miliardami parametrów, z czego 15,5 miliarda jest aktywnych na token, i natywnie obsługuje kontekst miliona tokenów, łącząc warstwy uwagi z przesuwnym oknem z technologią DeepSeek Sparse Attention. Nie jest jednak do końca jasne, jak licencja MIT ma się do ograniczeń licencji modelu bazowego Xiaomi.

To, co wyróżnia projekt, to metoda pracy, którą firma na swoim blogu technicznym nazywa badaniami i rozwojem skoncentrowanymi na sztucznej inteligencji. Według bloga ludzcy badacze wyznaczają kierunek, ograniczenia i kryteria oraz podejmują kluczowe decyzje, a implementacja, optymalizacja, eksperymenty i analiza trafiają do modeli AI. W tym samym tekście czytamy: „Ludzcy badacze wyznaczają kierunek, definiują ograniczenia i kryteria oraz podejmują kluczowe decyzje. Przewaga człowieka tkwi w doświadczeniu, intuicji i osądzie”. Niezależny serwis Runtime Wire zwrócił jednak uwagę, że opublikowane dokumenty nie wyjaśniają, ile pracy faktycznie wykonała AI, jak ten wkład zmierzono ani czy takie podejście rzeczywiście obniża przyszłe koszty rozwoju. Ten sam serwis łączy firmę z Jifengiem Dai, profesorem nadzwyczajnym Uniwersytetu Tsinghua, wcześniej związanym z Microsoft Research Asia i SenseTime.

Jeśli chodzi o wydajność i koszty, karta modelu podaje ceny API na poziomie 0,10 dolara za milion tokenów wejściowych i 0,40 dolara za milion wyjściowych, podczas gdy Runtime Wire przytacza cennik w juanach: 0,60 juana za wejście i 2,60 juana za wyjście na milion. Obie kwoty pochodzą z różnych źródeł i nie odpowiadają dokładnie kursowi wymiany. Do uruchamiania modelu, które wymaga kart Nvidia z obsługą FP8, firma oferuje własny system NaiveRT o standardowej prędkości 50 tokenów na sekundę na użytkownika, rosnącej do 2000 w trybie Ultrafast. Blog firmy umieszcza ten szczyt w konfiguracji z ośmioma GPU, nie podając ich modelu, a Runtime Wire precyzuje, że pomiar ponad 2100 tokenów na sekundę dotyczy testu dekodowania ograniczonego do jednego strumienia.

Wszystkie benchmarki wydajności zaprezentowane w oficjalnym repozytorium GitHub pochodzą z wewnętrznego protokołu ewaluacji o nazwie AutoResearch, opartego na Claude Code. Ponieważ wyniki pokazano wyłącznie w formie wykresów i nie zostały sprawdzone przez niezależne podmioty, nie da się potwierdzić dokładnych wyników deklarowanych przez startup. Brak zewnętrznej weryfikacji każe zachować ostrożność – to stały motyw, gdy tempo premier wyprzedza możliwość sprawdzenia wskaźników.

Jeśli oddanie pisania kodu innej maszynie przyspiesza premiery, to prawdziwa asymetria leży w weryfikacji: sprawdzenie pracy AI wciąż wymaga ludzkiego osądu, który startup przedstawia jako swoje zabezpieczenie. Dopóki benchmarki mierzy się wewnętrznym protokołem i nikt z zewnątrz ich nie powtarza, deklarowaną wydajność należy czytać jako zapewnienia firmy, a nie zweryfikowane dane. — Olya