NaiveAI、超高速コーディングモデル「Naive-N0.5-Flash」をリリース

中国の開発者であるNaiveAIは、コーディングタスクにおける極限の推論速度に最適化されたオープンウェイト言語モデル「Naive-N0.5-Flash」をリリースしました。2026年11月10日に公開された技術評価により、Latent Spaceはこの新モデルをDeepSeek V4.1 Flash 1017やGLM 5.3 Flashなどの既存競合製品と比較し、純粋な処理速度がコード品質や推論の深さを損なうかどうかを検証しました。

何が起きたか

Naive-N0.5-Flashは、XiaomiのMiMo-V2.5（パラメータ数3,100億のスパースMixture-of-Expertsモデル）のアーキテクチャに基づいて構築されています。NaiveAIはこの基盤に対し、約3.25兆個の追加学習トークンを適用し、特に長文脈コンテキストでの推論能力を重視して訓練を行いました。これらのトークンのうち約3兆個は、固定された100万トークンのコンテキスト長で、一定の学習率を用いて処理されました。完成したモデルにはDeepSeek Sparse Attentionレイヤーが統合されており、NaiveAI独自の推論エンジン「NaiveRT」上で動作します。このエンジンは、投機的デコーディング（speculative decoding）を通じて遅延を最小限に抑えるよう設計されています。

本モデルの中核的な約束事は、エンジニアリングワークフローにおける再帰的な自己改善と迅速な反復です。これらの主張を検証するため、Latent SpaceはNaive-N0.5-Flashを2つの人気「Flash」クラスモデル（DeepSeek V4.1 Flash 1017およびGLM 5.3 Flash）と比較する一連のベンチマークを実施しました。テストでは、異なる3つのアプリケーション構築プロンプトにおいて、スループット、応答時間、出力の冗長度、そして実用的なコーディング能力が測定されました。評価の目的は、モデルの速度上の優位性が複雑な推論負荷下でも維持されるのか、それとも表面的な出力につながるのかを明らかにすることでした。

結果は、思考時間と出力速度の間にある重要なトレードオフを浮き彫りにしました。Naive-N0.5-Flashは中央値ベースではより速い回答を提供しますが、深い推論モードを使用する場合、消費トークン数が大幅に増加します。この挙動は、同モデルが迅速な反復作業には非常に効率的ですが、広範なチェーン・オブ・ソート（chain-of-thought）処理を必要とするタスクではコストが高くなる可能性があることを示唆しています。今回の評価は、AI支援開発ツールの現在の状況の中で、この新モデルがどの位置を占めるかについて、ニュアンスのある見解を提供しています。

仕組み

Naive-N0.5-Flashのパフォーマンスは、単なるモデル重みだけでなく、推論インフラストラクチャに大きく依存しています。同モデルは「NaiveRT」と呼ばれるカスタムエンジンを使用しており、生成を加速するために投機的デコーディングを採用しています。このプロセスでは、小さなドラフトモデルが将来の複数トークンを予測し、大きなターゲットモデルが並列でそれを検証します。これにより、テキスト生成に必要な逐次ステップの数が削減されます。開発者によると、NaiveRT内での完全な投機ラウンドは3.4ミリ秒で完了し、SGLangなどの標準実装での12.3ミリ秒と比較して大幅な高速化が実現されています。

速度指標は、モデルが「思考（thinking）」状態にあるかどうかによって大きく変動します。思考機能を無効にした場合、ドラフトトークンの受容率は70.6パーセントとなり、デコード速度は毎秒約1,816トークンに達します。一方、思考機能を有効にすると受容率は43.4パーセントに低下し、推論フェーズ中の速度は毎秒約984トークンまで落ち込みます。ピーク時は毎秒2,100トークンに達することもありますが、これは8-GPU Blackwellノード上での理想的な単一ストリーム条件下での上限値を表しています。

主要な詳細

• Naive-N0.5-FlashはXiaomiのMiMo-V2.5に基づいており、追加で3.25兆トークンで訓練されています。
• 本モデルの入力価格は100万トークンあたり$0.10、出力価格は100万トークンあたり$0.40を目標としています。
• 思考機能有効時の中央値応答時間は3.1秒であり、GLM 5.3 Flash（5.3秒）やDeepSeek V4.1（10.1秒）よりも高速です。
• 難しい質問に対する平均応答時間は89.8秒であり、79.7秒のDeepSeek V4.1 Flash 1017よりも遅くなります。
• 思考モードは出力の冗長度を劇的に増加させ、難しいタスクでは平均108,500の補完トークンを消費しますが、競合他社は約12,000トークンです。
• ベンチマークスコアでは、NL2Repo-Benchにおいて71.9というスコアで両競合を上回っています。

なぜ重要なのか

AIエージェントやインタラクティブなコーディングアシスタントを開発するソフトウェアエンジニアにとって、推論レイテンシはしばしば主要なボトルネックとなります。Naive-N0.5-Flashは、効率的な投機的デコーディングを支えるインフラストラクチャがあれば、複雑なモデルであってもサブ秒レベルの中央値応答時間が達成可能であることを実証しました。この速度により、開発者はプロンプトの反復やコードスニペットのデバッグをほぼリアルタイムで行えるようになり、人間とAIのコラボレーションの流動性が向上します。しかし、推論フェーズ中の高いトークン消費量は、本番環境での展開においてコスト最適化が依然として重要であることを意味しています。

今回の評価は、平均値ではなく中央値のパフォーマンスを測定することの重要性も強調しています。極めて長い推論トレースを持つ少数の外れ値リクエストは平均指標を歪め、モデルが実際よりも遅く、または冗長に見せる可能性があります。開発者は、可変的な出力長に対応できるようアプリケーションを設計し、複雑な推論タスク中に暴走コストを防ぐためにタイムアウトやトークン予算の実装を検討すべきです。これらの分布の違いを理解することは、特定のユースケースに適したモデルを選択するための鍵となります。

できること

• シンプルなコーディングタスクでNaive-N0.5-Flashをテストし、低い中央値レイテンシを活かして迅速なフィードバックループを実現してください。
• 思考モード使用時には厳格なトークン予算を実装し、冗長な推論トレースによる予期せぬコスト発生を避けてください。
• ご自身のインフラストラクチャで投機的デコーディングの受容率を比較し、潜在的な最適化機会を特定してください。
• ユーザー向けアプリケーションのためのモデルパフォーマンス評価時には、平均値ではなく中央値応答時間を使用してください。
• ワークフローが自然言語からのリポジトリ全体生成を含む場合、NL2Repo-Benchスタイルのタスクでモデルを評価してください。
• JavaScriptやPythonで生成されたコードの効率性を監視してください。生成速度が速いことは、必ずしも実行時パフォーマンスの向上を意味しないためです。