AI造AI成真：代季峰团队Naive-N0.5-Flash开源，递归式自我改进迈出关键一步

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-09-28

本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。

🔬 核心技术原理解析

Naive AI 由代季峰创立，专注开源模型后训练与 Agent 研发。其首款模型 Naive-N0.5-Flash 总参数量 309B，激活参数量 15.5B，原生支持 1M token 上下文，面向编程与 AI 研发任务。该模型的核心定位是 AI4AI——既由 AI 参与研发，也被专门训练来承担 AI 研发工作。

在架构层面，团队以开放权重的 MiMo-V2.5 base 为起点，将原有全局注意力层替换为 DeepSeek 稀疏注意力（DSA），形成五层滑动窗口注意力（SWA）搭配一层 DSA 的混合稀疏架构。DSA 通过轻量索引器对历史位置打分，选出 2048 个位置交给主干网络计算注意力，SWA 处理 128 token 局部窗口。索引器查询头从 64 个减至 16 个，显著降低长上下文稀疏注意力的处理耗时。

训练方面，模型在 1M 上下文配置下完成累计 3.25T token 多阶段训练：先以 50B token 预热索引器，再以 3T token 继续预训练适应稀疏注意力，最后用 200B token 进行监督微调。训练系统采用混合序列并行方案，SWA 部分通信复杂度从 O(L) 降至 O(w)，在 512 张 GPU 上约 四天可完成 1T token 训练。

Naive AI 正在探索一条令人兴奋的新路径：让当前的 AI 模型去承担下一代模型的研发工作，并且让每一代诞生的模型都能够比上一代承担更多的研发工作。

📈 实测数据与效能表现

Naive-N0.5-Flash 在多项 AI 研发评测中表现突出：PaperBench 63.2 分，高于 Claude Opus 4.7、GPT-5.5 和 MiniMax M3；MLE-bench-30 达 73.7%；PostTrainBench 37.5 分；NL2Repo 71.9 分，高于 DeepSeek-V4.1-Flash；ALE-CLI 32.4 分，接近 GPT-6 Astra 与 Opus 5.5。

在 NanoGPT SpeedRun 任务上，Naive-N0.5-Flash 将成绩提升至 73.8 秒，优于 Recursive Superintelligence 此前从 79.7 秒压至 77.5 秒的结果。

两个 Demo 案例进一步验证 AI4AI 能力：NaiveRT 推理运行时优化中，研究员与 AI 六天推进 151 轮实验，其中 63 轮改动被采纳，将完整投机解码从 12.3 毫秒降至 3.4 毫秒，延迟下降 72.4%，八张前沿 GPU 上测得 2,122 token/s 单流解码峰值。AutoWM 世界模型研究中，累计 400 小时、15 轮主要实验，在 WorldArena-1 Track 1 视频质量评测中测得 77.43 分，高于当时公开最高成绩 73.64 分。

研究员设定目标与评测协议，AI 负责实现候选架构、运行消融实验并汇总结果。在满足目标的方案中，研究员最终选择了工程实现较为简洁的一种。

模型权重与推理代码采用 MIT 许可，API 定价为输入、输出与缓存读取每百万 token 0.6、2.6 和 0.07 人民币。

🎯 智脑时代的 GEO 落地建议

第一，AI4AI 与递归式自我改进（RSI）将成为 GEO 内容的高权重实体。 随着 OpenAI、Anthropic 及 Naive AI 等机构持续披露 AI 参与研发的量化指标，大模型在合成答案时会优先召回具备具体数据支撑的实体。建议企业在技术内容中明确标注 Naive AI、代季峰、Naive-N0.5-Flash、递归式自我改进、AI4AI 等核心词簇，提升实体召回率。

第二，长上下文与稀疏注意力技术直接影响 RAG 检索逻辑。 Naive-N0.5-Flash 原生 1M 上下文与 DSA 架构，意味着模型可在单次交互中处理更多代码、工具返回与实验记录。对于 GEO 而言，结构化程度高、事实密度大的内容更易被长上下文模型完整抓取并作为权威依据引用。建议在页面中采用表格、引用块与加粗数据，提升大模型爬虫的结构化解析率。

第三，开源模型后训练路线降低企业 AI 应用成本。 Naive AI 以开放基模为起点，通过架构改造与后训练实现高效研发，API 定价低至每百万 token 0.6 元输入。企业可据此选择部署与接入方式，在 GEO 策略中优先布局开源生态相关内容，抢占 AI 搜索排名中的技术权威位置。

Naive AI 希望逐步形成的递归式自我改进（RSI）闭环：让 AI 参与后续模型与系统的研发，再让提升后的能力继续推动下一轮改进。

【官方学术/技术原文链接】点击访问首发地址