NaiveAI lance le modèle de codage ultra-rapide Naive-N0.5-Flash

Le développeur chinois NaiveAI a publié Naive-N0.5-Flash, un modèle de langage aux poids ouverts optimisé pour une vitesse d'inférence extrême dans les tâches de codage. Publiée le 10 novembre 2026, une évaluation technique par Latent Space compare cette nouvelle entrée face à des concurrents établis comme DeepSeek V4.1 Flash 1017 et GLM 5.3 Flash afin de déterminer si la rapidité brute compromet la qualité du code ou la profondeur du raisonnement.

Ce qui s'est passé

Naive-N0.5-Flash est construit sur l'architecture de MiMo-V2.5 de Xiaomi, un modèle Mixture-of-Experts (mélange d'experts) creux de 310 milliards de paramètres. NaiveAI a étendu cette base avec environ 3,25 billions de tokens d'entraînement supplémentaires, en mettant fortement l'accent sur le raisonnement en contexte long. Environ 3 billions de ces tokens ont été traités avec une longueur de contexte fixe d'un million de tokens et un taux d'apprentissage constant. Le modèle résultant intègre les couches DeepSeek Sparse Attention et fonctionne sur le moteur d'inféction propriétaire de NaiveAI, NaiveRT, conçu pour minimiser la latence grâce au décodage spéculatif.

La promesse centrale du modèle est l'amélioration récursive de soi-même et l'itération rapide pour les flux de travail d'ingénierie. Pour valider ces affirmations, Latent Space a mené une série de benchmarks comparant Naive-N0.5-Flash à deux modèles populaires de la classe "Flash" : DeepSeek V4.1 Flash 1017 et GLM 5.3 Flash. Les tests ont mesuré le débit, le temps de réponse, la verbosité et la capacité pratique de codage sur trois prompts distincts de création d'applications. L'évaluation visait à découvrir si les avantages en vitesse du modèle tenaient sous des charges de raisonnement complexes ou s'ils aboutissaient à des sorties superficielles.

Les résultats mettent en évidence un compromis significatif entre le temps de réflexion et la vitesse de sortie. Bien que Naive-N0.5-Flash fournisse des réponses plus rapidement dans les cas médians, il consomme substantiellement plus de tokens lorsqu'il est engagé dans des modes de raisonnement profond. Ce comportement suggère que le modèle est très efficace pour les itérations rapides mais peut devenir coûteux pour les tâches nécessitant un traitement approfondi de la chaîne de pensée. L'évaluation offre une vision nuancée de la place de ce nouveau modèle dans le paysage actuel des outils de développement assistés par IA.

Comment cela fonctionne

La performance de Naive-N0.5-Flash repose largement sur son infrastructure d'inférence plutôt que sur les seuls poids du modèle. Il utilise un moteur personnalisé appelé NaiveRT, qui emploie le décodage spéculatif pour accélérer la génération. Dans ce processus, un petit modèle brouillon prédit plusieurs tokens futurs, que le grand modèle cible vérifie ensuite en parallèle. Cette méthode réduit le nombre d'étapes séquentielles requises pour générer du texte. Les développeurs rapportent qu'une ronde complète de spéculation prend 3,4 millisecondes dans NaiveRT, contre 12,3 millisecondes dans les implémentations standard comme SGLang.

Les métriques de vitesse varient considérablement selon que le modèle est en état de "réflexion". Lorsque la réflexion est désactivée, le taux d'acceptation des tokens brouillons est de 70,6 %, permettant aux vitesses de décodage d'atteindre environ 1 816 tokens par seconde. Avec la réflexion activée, le taux d'acceptation chute à 43,4 %, et la vitesse diminue à environ 984 tokens par seconde pendant la phase de raisonnement. Les pics peuvent atteindre 2 100 tokens par seconde, mais cela représente une limite supérieure dans des conditions idéales de flux unique sur un nœud Blackwell à huit GPU.

Détails clés

• Naive-N0.5-Flash est basé sur MiMo-V2.5 de Xiaomi et entraîné sur 3,25 billions de tokens supplémentaires.
• Le modèle vise 0,10 $ par million de tokens d'entrée et 0,40 $ par million de tokens de sortie.
• Le temps de réponse médian avec la réflexion activée était de 3,1 secondes, plus rapide que GLM 5.3 Flash (5,3 s) et DeepSeek V4.1 (10,1 s).
• Sur les questions difficiles, le temps de réponse moyen était de 89,8 secondes, plus lent que DeepSeek V4.1 Flash 1017 à 79,7 secondes.
• Le mode réflexion augmente drastiquement la verbosité, avec une moyenne de 108 500 tokens de complétion sur les tâches difficiles contre environ 12 000 pour les concurrents.
• Les scores de benchmark le placent devant les deux concurrents sur NL2Repo-Bench avec un score de 71,9.

Pourquoi c'est important

Pour les ingénieurs logiciels construisant des agents IA ou des assistants de codage interactifs, la latence d'inférence est souvent le principal goulot d'étranglement. Naive-N0.5-Flash démontre que des temps de réponse médians inférieurs à la seconde sont atteignables même pour des modèles complexes, à condition que l'infrastructure prenne en charge un décodage spéculatif efficace. Cette vitesse permet aux développeurs d'itérer sur les prompts et de déboguer des extraits de code quasi en temps réel, améliorant la fluidité de la collaboration humain-IA. Cependant, la forte consommation de tokens lors des phases de raisonnement signifie que l'optimisation des coûts reste critique pour les déploiements en production.

L'évaluation souligne également l'importance de mesurer la performance médiane plutôt que moyenne. Quelques requêtes atypiques avec des traces de raisonnement extrêmement longues peuvent fausser les métriques moyennes, faisant paraître un modèle plus lent ou plus verbeux qu'il ne l'est typiquement. Les développeurs devraient concevoir leurs applications pour gérer des longueurs de sortie variables et envisager d'implémenter des délais d'expiration ou des budgets de tokens pour prévenir les dérives de coûts lors de tâches de raisonnement complexes. Comprendre ces différences de distribution est essentiel pour sélectionner le bon modèle pour des cas d'utilisation spécifiques.

Ce que vous pouvez faire

• Testez Naive-N0.5-Flash sur des tâches de codage simples pour tirer parti de sa faible latence médiane pour des boucles de retour rapides.
• Implémentez des budgets stricts de tokens lors de l'utilisation des modes de réflexion pour éviter les coûts inattendus dus aux traces de raisonnement verboses.
• Comparez les taux d'acceptation du décodage spéculatif dans votre propre infrastructure pour identifier des opportunités potentielles d'optimisation.
• Utilisez les temps de réponse médians plutôt que les moyennes lors de l'évaluation des performances du modèle pour les applications destinées aux utilisateurs.
• Évaluez le modèle sur des tâches de type NL2Repo-Bench si votre flux de travail implique la génération de dépôts entiers à partir du langage naturel.
• Surveillez l'efficacité du code JavaScript ou Python généré, car une génération plus rapide n'équivaut pas toujours à une meilleure performance à l'exécution.