Naive AI, 첫 모델 Naive-N0.5-Flash 공개: 총 309B·네이티브 100만 컨텍스트·MIT 가중치

머신하트가 2026년 9월 28일 보도한 바에 따르면, 대지펑이 이끄는 Naive AI가 첫 모델 Naive-N0.5-Flash를 발표했다. 총 파라미터 309B, 활성 파라미터 15.5B, 네이티브 100만 토큰 컨텍스트를 지원하며 코딩과 AI 연구개발을 겨냥한다. 보도에 따르면 가중치와 추론 코드는 MIT 라이선스로 공개되고 API 제공이 계획되어 있으며, PaperBench와 MLE-bench-30 등 평가 결과도 함께 공개됐다.

게시 2026. 9. 28.수정 2026. 10. 25.

주요 변화

머신하트가 2026년 9월 28일 보도한 바에 따르면, 대지펑이 창업한 Naive AI가 첫 모델 Naive-N0.5-Flash를 발표하고 오픈소스로 공개했다. 총 파라미터 309B, 활성 파라미터 15.5B, 네이티브 100만 토큰 컨텍스트를 지원하며 코딩과 AI 연구개발을 겨냥한다. 보도에 따르면 이 모델은 개방 가중치 기반인 MiMo-V2.5 base에서 출발해 DeepSeek의 희소 어텐션으로 일부 전역 어텐션 레이어를 대체했고, 5개 슬라이딩 윈도 어텐션 레이어와 1개 희소 어텐션 레이어를 조합한 하이브리드 구조를 이룬다. 1M 컨텍스트 구성에서 누적 3.25T 토큰의 다단계 학습을 마쳤다고 한다. 보고된 개방 방식은 모델 가중치와 추론 코드에 MIT 라이선스를 적용하고 API를 제공할 계획이라는 것이며, 보도는 입력·출력·캐시 읽기의 100만 토큰당 단가도 제시했다. 평가 측면에서 보도에 따르면 PaperBench 63.2점, MLE-bench-30 73.7%, NL2Repo 71.9, ALE-CLI 32.4점을 기록했고, 추론 런타임 NaiveRT와 월드 모델 연구 AutoWM 두 가지 사례도 제시됐다. 이 수치는 모두 출처가 전한 기술 보고서 결과이며 독립적으로 검증되지 않았다.

개발자에게 미치는 영향

개발자에게 주는 직접적인 의미는 세 가지다. 첫째, MIT 라이선스 방안이 사실이라면 가중치를 내려받아 자체 호스팅하고 상업적으로 개조할 수 있어, 호스팅 API만 제공하는 폐쇄형 모델 노선과 다르다. 다만 가중치 사용 가능이 라이선스 무제한을 뜻하지는 않으므로 저장소에 실제로 포함된 라이선스 파일과 서드파티 구성요소 조항을 반드시 확인해야 한다. 둘째, 총 309B·활성 15.5B는 상당히 큰 희소 전문가 규모로, 활성 파라미터가 낮아도 전체 가중치 로딩과 VRAM 점유는 같은 활성 규모의 덴스 모델보다 훨씬 크다. 로컬 배포 시에는 활성 파라미터가 아니라 총 파라미터를 기준으로 하드웨어를 평가해야 한다. 셋째, 네이티브 1M 컨텍스트와 하이브리드 희소 어텐션 조합에서도 희소 레이어는 전체 KV 캐시가 필요하고 인덱서는 전체 이력을 스캔해야 하므로 긴 컨텍스트가 비용 제로는 아니다. 추론 프레임워크가 이 하이브리드 어텐션 구조를 지원하는지가 공식 추론 코드를 재사용할 수 있는지를 직접 좌우한다. 보고된 평가는 논문 재현, 머신러닝 엔지니어링, 고정 예산 후학습을 아우르며, 범용 대화보다 실험 구현과 반복 수행을 모델에 맡기는 방향을 가리키므로 모델 선택 시 이 포지셔닝에 맞춰 평가해야 한다.

연동 및 평가 제안

실행 가능한 두 가지 결정 권고이며, 모두 조건부 분석이지 보도된 사실이 아니다. 첫째, 배포 형태에 관해: 보도는 가중치와 추론 코드가 MIT 라이선스이고 API 제공이 계획이라고 했으므로, 개발자는 자체 호스팅인지 API 사용인지 먼저 정해야 한다. 워크로드에 실험 로그, 코드, 도구 반환값 등 외부로 내보내기 어려운 내용이 많다면 자체 호스팅이 더 적합하되, 309B 총 파라미터를 수용할 VRAM이나 양자화 방안이 전제다. 단순히 긴 컨텍스트 코딩 보조라면 API가 열린 뒤 호출량 기준으로 연동하면 된다. 검증 지표: 자체 저장소 작업에서 두 형태의 출력 일관성과 첫 토큰 지연을 비교한다. 둘째, 긴 컨텍스트 사용 방식에 관해: 보도에 따르면 모델은 100만 토큰을 네이티브 지원하고 SWA와 희소 어텐션 하이브리드 구조를 쓰므로, 모든 이력을 한 번의 요청에 넣는 것을 기본으로 삼아서는 안 된다. 먼저 128K, 256K, 512K 세 구간 입력에서 검색이나 요약 압축을 결합한 작업 완료율과 요청당 비용을 측정하고, 압축 후 완료율이 크게 떨어지지 않으면 분할+검색 방식을 채택해 긴 컨텍스트는 실험 기록 간 연관이 꼭 필요한 소수 작업에 남겨둔다. 검증 지표: 동일 작업 집합에서 압축 입력과 전체 입력의 통과율 차이 및 VRAM 피크.

제한과 확인할 사항

먼저 분명히 해야 한다: 이번 카탈로그 확인 시점 기준으로 Naive-N0.5-Flash 버전은 KimiSeek 모델 목록에 없으며, 보도에서 언급된 API 가용성은 Naive AI 자체의 개방 방안을 뜻하지 이 사이트에 등록됐다는 의미가 아니다. 둘째, 보도의 평가 점수, 학습 구성, NaiveRT와 AutoWM 사례 결과는 모두 벤더 기술 보고서와 매체 전언에서 나온 것으로 제3자 독립 재현이 없으며, 일부 비교 대상 이름이 최신이라 기준 버전과 테스트 조건이 일치하는지 판단할 수 없어 보고서 간 횡적 비교는 특히 주의해야 한다. 셋째, MIT 라이선스는 출처 전언이며 실제 권한 범위는 저장소에 포함된 라이선스 파일을 기준으로 해야 하고, 가중치 다운로드가 모든 구성요소의 자유로운 상업적 사용을 의미하지 않는다. 넷째, 보도에 공개된 입력·출력·캐시 단가는 발표 시점의 벤더 가격이며 가격은 조정될 수 있으므로 독자는 공식 가격 페이지를 기준으로 삼아야 하고 오래된 가격으로 예산을 세워서는 안 된다. 다섯째, 100만 컨텍스트의 실제 유효 길이, 하이브리드 어텐션이 제3자 추론 프레임워크에서 호환되는지, 샌드박스와 컴퓨트 플랫폼 등 부속 기능이 외부에 공개되는지는 보도에서 설명하지 않았다.