# Naive-N0.5-Flash швидка на медіані, але довго думає на складному

> Naive-N0.5-Flash дає медіанну відповідь за 3,1 с проти 10,1 с у DeepSeek V4.1 Flash, але на складних задачах довгі міркування з'їдають перевагу.

- Опубліковано: 12 листопада 2026 р. (2026-11-12T10:28:27.019236+00:00)
- Розділ: AI-інструменти
- На основі публікації: [Latent Space](https://latent.space/p/naiveai/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=naive-n0-5-flash-%D1%88%D0%B2%D0%B8%D0%B4%D0%BA%D0%B0-%D0%BD%D0%B0-%D0%BC%D0%B5%D0%B4%D1%96%D0%B0%D0%BD%D1%96-%D0%B0%D0%BB%D0%B5-%D0%B4%D0%BE%D0%B2%D0%B3%D0%BE-%D0%B4%D1%83%D0%BC%D0%B0%D1%94-%D0%BD%D0%B0-%D1%81%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%BE%D0%BC%D1%83

---

NaiveAI 27 вересня випустила відкриту модель Naive-N0.5-Flash для кодингу. У тесті Latent Space її медіанна відповідь найшвидша, але на складних питаннях вона генерує в середньому близько 108 500 токенів і програє DeepSeek за часом.

## Що за модель Naive-N0.5-Flash?

Naive-N0.5-Flash від NaiveAI це відкрита MoE-модель, яку донавчили на основі Xiaomi MiMo-V2.5 і запускають на власному рушії NaiveRT. Вона має 309 млрд параметрів, 15,5 млрд активних на токен і контекст 1 млн токенів, [за даними RuntimeWire](https://runtimewire.com/article/naiveai-naive-n05-flash-ai-model-development). NaiveAI заявляє, що значну частину дослідницької й інженерної роботи виконували AI-системи.

Базова MiMo-V2.5, [за даними Latent Space](https://latent.space/p/naiveai/), має 310 млрд параметрів і 15 млрд активних, її навчали на 48T токенів. Для Naive її адаптували до шарів DeepSeek Sparse Attention, і за технічним блогом NaiveAI це забрало приблизно 3,25T додаткових токенів.

## Наскільки Naive-N0.5-Flash швидша за конкурентів?

За медіанним часом відповіді Naive-N0.5-Flash з thinking швидша: 3,1 с проти 5,3 с у GLM 5.3 Flash (high) і 10,1 с у DeepSeek V4.1 Flash 1017 (high). Це швидше в 1,7 раза (5,3 / 3,1) і в 3,3 раза (10,1 / 3,1).

Середні значення вже майже збігаються з DeepSeek: 45,3 с у Naive проти 45,0 с. GLM у середньому потребує 86,9 с. На складних питаннях HLE-Diamond Naive з thinking у середньому повільніша за DeepSeek: 89,8 с проти 79,7 с.

## Чому середнє так відрізняється від медіани?

Середнє Naive-N0.5-Flash тягне вгору кілька надзвичайно довгих ланцюжків міркування. На складних питаннях HLE модель з thinking генерувала в середньому близько 108 500 токенів, це приблизно в 9 разів більше за GLM 5.3 Flash (high) і в 11 разів більше за DeepSeek V4.1 Flash 1017 (high).

Медіана по всіх 30 питаннях лише близько 3 200 токенів, а середнє перевищує 51 000. Схожий патерн є й в інших моделей, але слабший. Автори також пишуть, що одне питання обходиться трохи дорожче, але цифр вартості не наводять.

## Чому ці цифри не можна читати як вирок?

Вибірка Latent Space мала: по 10 питань на кожен із трьох рівнів складності (MATH-500, GPQA-Diamond, HLE-Diamond), разом 30 на модель. Правильність відповідей автори не оцінювали, тож швидкість ще не означає якість.

Джерела швидкості теж різні: для DeepSeek і GLM дані з OpenRouter, для Naive це серверні вимірювання. Тому Latent Space не називає точного множника швидкості. Intelligence Index на Artificial Analysis для Naive ще недоступний, а в DeepSeek V4.1 Flash 1017 (Max) він становить 45, у GLM-5.3-Flash 43. За опублікованими результатами кодування Naive лежить між двома моделями й випереджає обидві на NL2Repo-Bench.

---

Теги: AI, NaiveAI, opensource, кодинг, LLM, інференс

Джерело: AiiN — https://aiin.news/article?slug=naive-n0-5-flash-%D1%88%D0%B2%D0%B8%D0%B4%D0%BA%D0%B0-%D0%BD%D0%B0-%D0%BC%D0%B5%D0%B4%D1%96%D0%B0%D0%BD%D1%96-%D0%B0%D0%BB%D0%B5-%D0%B4%D0%BE%D0%B2%D0%B3%D0%BE-%D0%B4%D1%83%D0%BC%D0%B0%D1%94-%D0%BD%D0%B0-%D1%81%D0%BA%D0%BB%D0%B0%D0%B4%D0%BD%D0%BE%D0%BC%D1%83. Цитуючи, посилайтесь на канонічний URL.