Naive AI publica su primer modelo de código abierto, Naive-N0.5-Flash: 309B parámetros totales, contexto nativo de un millón y pesos con licencia MIT
Según un reportaje de Jiqizhixin del 28 de septiembre de 2026, el equipo de Dai Jifeng, Naive AI, publicó su primer modelo, Naive-N0.5-Flash, con 309B parámetros totales, 15.5B activos, soporte nativo para un contexto de un millón de tokens y enfoque en programación e I+D de IA. El informe señala que los pesos y el código de inferencia usan licencia MIT y que se planea ofrecer una API, además de divulgar resultados de evaluaciones como PaperBench y MLE-bench-30.
Qué ha cambiado
Según un reportaje de Jiqizhixin del 28 de septiembre de 2026, Naive AI, fundada por Dai Jifeng, publicó y abrió su primer modelo, Naive-N0.5-Flash, con 309B parámetros totales y 15.5B parámetros activos, soporte nativo para un contexto de un millón de tokens y orientación hacia programación e I+D de IA. El reportaje afirma que el modelo parte de MiMo-V2.5 base, de pesos abiertos, y reemplaza parte de las capas de atención global por atención dispersa de DeepSeek, formando una estructura híbrida de cinco capas de atención de ventana deslizante y una capa de atención dispersa, y que completó un entrenamiento multietapa acumulado de 3.25T tokens con una configuración de contexto de 1M. El esquema abierto reportado indica que los pesos del modelo y el código de inferencia usan licencia MIT y que se planea ofrecer una API; el reportaje también ofrece precios por millón de tokens de entrada, salida y lectura de caché. En evaluación, el reportaje señala 63.2 puntos en PaperBench, 73.7% en MLE-bench-30, 71.9 en NL2Repo y 32.4 puntos en ALE-CLI, y presenta dos casos: el entorno de inferencia NaiveRT y la investigación de modelos del mundo AutoWM. Estas cifras son resultados de informes técnicos reproducidos por la fuente y no han sido verificados de forma independiente.
Impacto para desarrolladores
Para los desarrolladores, la implicación directa tiene tres niveles. Primero, si el esquema de licencia MIT se confirma, los pesos se pueden descargar, alojar localmente y modificar con fines comerciales, lo que difiere de la ruta de modelos cerrados con solo API alojada; sin embargo, hay que tener en cuenta que la disponibilidad de los pesos no equivale a una licencia sin restricciones, y se deben revisar el archivo de licencia realmente incluido en el repositorio y los términos de componentes de terceros. Segundo, 309B parámetros totales y 15.5B activos corresponden a un tamaño de expertos dispersos relativamente grande; incluso con pocos parámetros activos, la carga de los pesos completos y el uso de memoria de vídeo siguen siendo muy superiores a los de un modelo denso del mismo orden de parámetros activos, por lo que el despliegue local debe evaluar el hardware según los parámetros totales y no los activos. Tercero, el contexto nativo de 1M combinado con atención dispersa híbrida implica que las capas dispersas aún necesitan caché KV completo y que el indexador todavía debe recorrer todo el historial, así que el contexto largo no es de coste cero; que el marco de inferencia soporte esta estructura de atención híbrida determinará directamente si se puede reutilizar el código de inferencia oficial. Las evaluaciones divulgadas cubren reproducción de artículos, ingeniería de aprendizaje automático y postentrenamiento con presupuesto fijo, lo que apunta a que el modelo asuma la implementación y la iteración de experimentos, no la conversación general; la selección debe evaluarse según esta orientación.
Integración y evaluación
Dos recomendaciones operativas, ambas de análisis condicional y no hechos reportados. Primero, sobre la forma de despliegue: el reportaje afirma que los pesos y el código de inferencia tienen licencia MIT y que se planea ofrecer una API, por lo que el desarrollador debe decidir primero si alojará localmente o usará la API. Si la carga de trabajo incluye gran cantidad de registros de experimentos, código y valores de retorno de herramientas que no conviene enviar al exterior, el alojamiento local es más adecuado, siempre que se disponga de memoria de vídeo o esquemas de cuantización capaces de albergar 309B parámetros totales; si solo se busca asistencia de codificación con contexto largo, se puede esperar a que la API se abra y conectarse según el volumen de llamadas. Métrica verificable: comparar en tareas del propio repositorio la consistencia de salida y la latencia del primer token entre ambas formas. Segundo, sobre el uso del contexto largo: el reportaje afirma que el modelo soporta de forma nativa un millón de tokens y emplea una estructura híbrida de SWA y atención dispersa, por lo que no se debe adoptar por defecto la opción de meter todo el historial en una sola petición. Primero se debe medir, con entradas de 128K, 256K y 512K, la tasa de finalización de tareas y el coste por petición tras combinar recuperación o compresión de resúmenes; si la tasa de finalización no cae de forma clara tras la compresión, conviene adoptar un esquema de segmentación más recuperación y reservar el contexto largo para las pocas tareas que realmente necesiten correlacionar registros de experimentos. Métrica verificable: la diferencia de tasa de aprobación y el pico de memoria de vídeo del mismo conjunto de tareas con entrada comprimida y entrada completa.
Límites y cuestiones pendientes
Primero hay que dejar claro: hasta esta verificación del catálogo, la versión Naive-N0.5-Flash no aparece en el catálogo de modelos de KimiSeek, y la disponibilidad de API mencionada en el reportaje se refiere al esquema abierto de Naive AI, no a que esté ya disponible en este sitio. Segundo, las puntuaciones de evaluación, la configuración de entrenamiento y los resultados de los casos NaiveRT y AutoWM del reportaje provienen de informes técnicos del fabricante y de la reproducción mediática, sin reproducción independiente por terceros; algunos objetos de comparación tienen nombres recientes, por lo que no se puede juzgar si las versiones de referencia y las condiciones de prueba son consistentes, y la comparación transversal entre informes exige especial cautela. Tercero, la licencia MIT es una reproducción de la fuente; el alcance real de la autorización debe regirse por el archivo de licencia incluido en el repositorio, y que los pesos se puedan descargar no significa que todos los componentes puedan usarse comercialmente con libertad. Cuarto, los precios unitarios de entrada, salida y caché divulgados son cotizaciones del fabricante en el momento de la publicación y pueden ajustarse; el lector debe guiarse por la página oficial de precios y no usar cotizaciones antiguas para presupuestar. Quinto, el reportaje no aclara la longitud efectiva real del contexto de un millón, la compatibilidad de la atención híbrida con marcos de inferencia de terceros ni si los componentes complementarios, como el sandbox y la plataforma de cómputo, estarán abiertos al público.