NaiveAI releases Naive-N0.5-Flash open-weights coding model
เนื้อหานี้ยังไม่มีในภาษาของคุณ จึงแสดงเป็นEnglish
เริ่มตรงนี้
NaiveAI released Naive-N0.5-Flash, an open-weights coding model derived from Xiaomi's MiMo-V2.5 and paired with its NaiveRT inference engine, tuned to generate tokens as fast as possible. NaiveAI targets $0.10 per million input tokens, $0.40 per million output tokens and $0.01 per million cache-read tokens. Latent Space tested it against DeepSeek V4.1 Flash 1017 and GLM 5.3 Flash. In the author's runs it peaked near 2,000 tokens per second and sustained about 1,000 on thinking-heavy tasks, with a median response time of 3.1 seconds versus 5.3 and 10.1 seconds. On hard HLE questions it averaged about 108,500 completion tokens with thinking on, roughly nine times GLM 5.3 Flash and 11 times DeepSeek V4.1 Flash 1017. The author notes the sample was 10 questions per difficulty level with no accuracy grading. The reported decoding speeds were measured on a single eight-GPU Blackwell node running speculative decoding in NaiveRT, which the source describes as an upper bound rather than a typical rate.
สร้างจากรายงาน · อัปเดต 22 ชม. ที่แล้ว
ไทม์ไลน์รายงาน
ไล่ตามรายงานเพื่อดูเหตุการณ์นี้จากหลายด้าน
- Latent SpaceNaiveAI 的 Naive-N0.5-Flash 声称每秒 2,100 个 token：它的编码能力如何？
Latent Space 测试了 NaiveAI 的开源权重模型 Naive-N0.5-Flash，这是一个源自小米 MiMo-V2.5 的编码模型，搭配 NaiveRT 推理引擎，并与 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 进行了对比。在作者的运行中，其峰值接近每秒 2,000 个 token，在思考密集型任务中持续约每秒 1,000 个 token，中位响应时间为 3.1 秒，而两个对比模型分别为 5.3 秒和 10.1 秒。在困难的 HLE 问题上，开启思考时平均完成约 108,500 个 token，约为 GLM 5.3 Flash 的九倍和 DeepSeek V4.1 Flash 1017 的 11 倍，作者指出每个难度级别的样本为 10 个问题，且未进行准确性评分。
ความร้อนแรงของเหตุการณ์นี้
ยังมีการเฝ้าดูต่อเนื่องไม่พอจะวาดแนวโน้ม