Naive-N0.5-Flash：309B 開放權重與百萬上下文，哪些證據站得住？（2026）

2026 年 9 月 27 日，NaiveAI 團隊在官網發布了〈Naive-N0.5-Flash: Building Frontier AI with AI〉，介紹新模型 Naive-N0.5-Flash。它把 309B 總參數、15.5B 單次啟動參數、百萬 token 上下文與 AI 參與研發，放進同一個故事。最值得追問的是：這些數字各自證明了什麼，又有哪些仍是團隊自己的測量？

這篇原文同時是模型發布、推論系統案例，以及 AI 參與模型研發的宣言。先看可直接查到的權重與架構，再看速度、跑分和「AI 造 AI」案例的證據邊界，最後才決定它適合什麼工作。

Naive-N0.5-Flash 已發布什麼？

在 Hugging Face 模型頁，可以看到 Naive-N0.5-Flash 的模型檔案、模型卡、設定檔與 MIT 授權檔。設定檔把最大位置數設為 1,048,576；模型卡列出 48 層、309B 總參數及 15.5B 啟動參數。它由 小米 MiMo-V2.5-Base 延伸而來，這個來源模型也標示 MIT 授權。這些公開檔案足以確認「有可取得的開放權重」與「百萬 token 的模型設定」；長距離找資訊的準確率仍要靠任務測試。

MoE 的 15.5B 是每次推論參與計算的參數量，309B 則是整套權重的規模。前者有助理解單步計算，後者仍影響下載、儲存與載入；不能把「啟動 15.5B」直接讀成「像 15.5B 模型一樣容易本機部署」。

百萬上下文：省下注意力計算，仍要處理整段歷史

原文說明，NaiveAI 把原本 MiMo-V2.5-Base 少數全域注意力層，換成滑動窗口注意力（SWA）與 DeepSeek Sparse Attention（DSA）的組合。模型卡列出 39 層 SWA、9 層 DSA：SWA 看附近 128 個 token，DSA 的主幹注意力挑出 2,048 個位置。這種選擇能減少主幹逐點計算，但索引器仍需檢視長歷史。

Although the indexer still scans the full history and the full KV cache is retained,

中文：雖然索引器仍要掃描完整歷史，完整的 KV 快取也仍須保留，

NaiveAI Team，〈Naive-N0.5-Flash: Building Frontier AI with AI〉

這句原文是理解「稀疏」的關鍵：它針對注意力運算與讀取做取捨，沒有讓長上下文的儲存需求消失。對長代理任務來說，真正要測的是早期指令能否被找回、跨多處線索能否正確合併，以及上下文變長時延遲如何上升。單看 1M 的設定值回答不了這三題。

速度與跑分：原文提供的是有條件的內部結果

NaiveAI 的程式任務圖表列出多個 benchmark，並交代了 Claude Code 2.1.207、1M 上下文、temperature 1.0、top-p 0.95 與基本檔案／Bash 工具等設定。這使讀者知道數字從哪種測法而來；圖中的 Naive-N0.5-Flash 成績仍由發布團隊產生，其他模型的比較值又來自不同來源。把多個 harness、版本與日期的結果放在同一張圖，適合做線索，還不能當成相同條件下的勝負。

最醒目的速度數字是 NaiveRT 的 2,122 tokens/s。原文限定它是 8 張 GPU 上、41 個 HTML／SVG 生成請求之中「表現最好的一秒」的單串流解碼峰值，關閉 thinking 並排除 prefill。它不是一般使用者的持續輸出速度，也不是單張消費級顯卡的效能。團隊另稱同一系統的一輪投機解碼由 SGLang 的 12.3 ms 降至 3.4 ms；這個對照同樣需要公開腳本與環境才能獨立檢查。

原文一面稱 NaiveRT 開源，一面寫明相關程式與基準腳本會在 10 月 12 日前提供。本文於 2026 年 9 月 28 日檢查其 NaiveRT GitHub 連結 時，該位址回傳 404。這不影響目前可下載的模型權重，卻表示上述速度結果在這個時間點還缺少作者承諾的公開重現材料。

AI 參與研發：案例有啟發，因果仍需拆開

NaiveAI 描述研究員設定方向、限制與驗收標準，模型寫程式、跑實驗、分析結果。NaiveRT 案例列出六天內 151 次優化嘗試，其中 63 次採納、71 次失敗或回退、17 次為備選探索。這個紀錄比一句「AI 自己發明模型」具體得多，也說明人類仍主導目標與關鍵取捨。

A faster microbenchmark is not a faster model

中文：微型基準測試更快，不代表整個模型更快。

NaiveAI Team，〈Naive-N0.5-Flash: Building Frontier AI with AI〉

原文舉的例子是：某個短上下文捷徑在 200 token 時省下約 3 微秒，到 2,200 token 反而慢約 3 微秒，因此未採納。這是一個有用的工程判準：應驗收真實端到端路徑，而非把單個 kernel 的改良直接換算成使用者節省的時間。若要判斷六天是否更快，還需要相同人力、算力與既有程式碼條件下的對照實驗。

另一個 AutoWM 案例稱，模型在研究員規定的目標與算力下，經 400 小時、15 輪主要實驗，在 WorldArena-1 Track 1 協定取得 77.43，超過團隊引用的先前公開 73.64。這是 NaiveAI 對自己流程與結果的陳述；WorldArena 的公開評測方法可以查看，但不能僅由圖表推知這個成果已由榜單方獨立登錄、也不能推知模型在其他研發領域會同樣成功。

我的判讀：先把可下載、可測量、可泛化分開

我同意什麼

這次發布最紮實的一步，是把模型權重、授權檔、設定檔與結構細節公開。以 SWA 處理近處、以 DSA 挑遠處資訊，是針對百萬 token 推論成本的清楚工程選擇；團隊也坦白指出索引仍掃全史、KV 快取仍保留。這讓外部開發者有機會測它，而不是只看一份產品簡報。

我存疑什麼

「能接 1M」與「在 1M 找得到、答得對、花得值得」是三個不同問題。速度圖的峰值、程式 benchmark 的比較、AutoWM 的研究成績都由同一發布方提供；它們能形成待驗證假說，還不足以推出「開放模型已全面追上閉源模型」或「AI 已可自主打造下一代 AI」。當訓練資料、算力、測試環境與人類決策同時改變，單一案例也無法把功勞精確分配給模型本身。

如果你要試，先做三個對照

第一，用同一套長任務材料，分別測短、中、接近上限的上下文，記錄關鍵事實找回率與錯引位置；第二，固定硬體與解碼設定，分開測 prefill、持續輸出與總完成時間；第三，把 Naive-N0.5-Flash 與 MiMo-V2.5-Base 放在相同工作流中比較，才能看出這次架構與後續訓練究竟帶來多少實際差異。現在最合理的結論是：這是一個值得檢驗的開放權重模型，並非已經被外部驗證的百萬 token 工作流答案。