这两天我注意到一份测评,被测评的是中国公司NaiveAI的Naive-N0.5-Flash。它来自面向工程师的Latent Space,不是只看排名的榜单。我关心的重点不是黑马名次,而是速度的条件、能力的边界,以及中国模型出海走到了哪一步。
2026年11月10日,Latent Space推出新测评栏目,首期就选中了Naive-N0.5-Flash。11月13日前后,国内媒体开始跟进,量子位报道和一篇技术分析文都提到了这件事。这个时间线本身不算热闹,但它把一个问题摆了出来:一份面向工程实践的测评,和一个面向大众的黑马故事,中间差了些什么。
Latent Space的读者更多是把模型接进生产环境的工程师,不是榜单爱好者。所以他们关心的往往不是谁排第一,而是模型在什么条件下跑出什么结果,边界又在哪里。这个视角,比单纯看分数更值得慢慢拆。
先看综合能力。量子位报道转述的测评里,Naive-N0.5-Flash被放在DeepSeek V4.1 Flash的1017和GLM 5.3 Flash之间。这个位置说明它进了国产主流模型第一梯队,但它是区间定位,不是全面领先。把它读成“全面超过谁”,就容易走偏。
编程能力是这次比较亮眼的部分。公开跑分里,NL2Repo-Bench是71.9,领先DeepSeek 3.7分、GLM 15.6分。这个基准考的是从自然语言需求生成完整代码仓库,比单函数生成更接近真实开发。三个实战任务里,3D太阳系表现最好,3D生长树与DeepSeek接近,光线追踪应用也都完成了核心功能。
推理速度也容易被拿来说事。技术分析文提到,峰值约2100 Token/s,思考阶段约984、作答约1816 Token/s,中位响应3.1秒,对比DeepSeek约10.1秒。测评覆盖30道题,分数学、科学知识、高难度推理三层。样本不算大,所以它更像方向性信号,不是终局结论。
成绩从哪来,技术分析文给了线索。底座是小米MiMo-V2.5,310B总参数、15B激活的稀疏MoE架构,原训练48T tokens。之后又适配DeepSeek稀疏注意力层,追加约3.25T tokens,其中约3T在1M上下文下训练。这是典型的开放权重加二次训练路径,效率高,但能力上限和原底座关系很深。
推理侧,量子位报道提到自研NaiveRT引擎加稀疏注意力,用来支撑百万Token上下文并压低计算开销。AI参与研发也被反复提起:模型架构、训练系统、推理优化都有AI参与,每周近千万次沙箱运行,峰值并发达10万。这些数字听起来很猛,但目前更多是官方说法,后面还要看外部复现。
第一个要泼的冷水,是“2100 Token/s”有条件。技术分析文说,标准模式单用户约50 Token/s,极速模式才是峰值。峰值是特定条件下的瞬时值,不等于常态吞吐。把峰值当成日常速度,会误判实际体验。
第二个冷水,是“响应快”不等于“账单便宜”。按Token计费时,速度只影响时延,不直接决定成本。高频调用场景要重算的是单位任务总Token数乘单价,而不是单次响应秒数。对中小厂商来说,时延收益和成本收益得分开看。
第三个冷水,是“公开跑分领先”有边界。仓库级生成领先,不等于整体全面领先,不同基准指向的是不同能力切片。30道题、3组任务能提供参考,但不能替代真实业务里的长尾情况。公开跑分适合初筛,不适合直接下判决。
放到更大的图景里,量子位报道描述了一条中国模型出海的时间轴。DeepSeek用高性能低成本打开知名度,Qwen扩大开源生态,GLM、Kimi、MiniMax在编程、推理、Agent等方向积累。现在的格局更像头部领跑加黑马接力,NaiveAI成立不到一年,靠高速推理、底层优化和AI参与研发切入。
但“梯队”叙事也容易被简化成排名。真正的变化,是海外开发者对中国模型的认知,从少数明星扩展为一个生态。这个变化比“谁超谁”更重要,也更需要时间验证。NaiveAI只是这个过程中的一个样本,不是全部答案。
AI参与AI研发,也值得多看一眼。具体做法是AI承担代码编写、实验运行、持续迭代,人类负责方向和关键决策。Latent Space作者关注它让AI优化自身推理CUDA内核、寻找更适合大规模强化学习架构的路径。但可复现性怎么样,人工依赖到底降了多少,现在还不能当成已验证的结论,更像一个值得观察的假设。
对开发者来说,先别急着站队。先明确场景,是低频高质量编程任务,还是高频调用的Agent工作流,两者关注点不一样。四步自测更实际:明确任务分布,用自有语料跑小样本,核算单位任务Token成本,再对比时延和稳定性的权衡。公开跑分只作初筛,最终以自身业务实测为准。
一份国际工程媒体的实测,确实为中国开放权重模型提供了新的外部参照。但单项领先、条件性峰值、成本未定,都是黑马故事里不能省略的注脚。真正值得记住的,不是一时名次,而是效率竞赛、生态出海、研发范式试验这三条趋势线正在同时发生。