# NaiveAI

> Модели пишут код и проводят эксперименты

Открытая модель для программирования и ИИ-исследований: контекст 1 млн токенов, веса по MIT и до 2000 токенов/с в режиме Ultrafast.

- Что делает: выпускает модель для кода и исследований
- Категории: Opensource, Инструменты разработчика, Помощники в кодинге
- Бизнес-модель: Freemium
- Модели: Naive-N0.5-Flash
- Сайт сервиса: https://naive.ai/en/research/
- Карточка в каталоге: https://ailibri.com/naiveai
- Обновлено: 2026-09-29

## Описание

NaiveAI — лаборатория, в которой модели пишут код, проводят эксперименты и разбирают результаты, а люди задают направление и принимают ключевые решения. Открытая модель Naive-N0.5-Flash сделана для программирования и ИИ-исследований и поможет в открытых задачах и системной инженерии.
Naive-N0.5-Flash — MoE-модель на 309 млрд параметров с 15,5 млрд активных параметров и нативным контекстом в 1 млн токенов. Вся сеть локальная или разреженная: скользящее окно и облегчённое разреженное внимание, полносвязных слоёв внимания нет. Её дообучили под гибридное разреженное внимание, чтобы декодирование было эффективнее на контекстах порядка миллиона токенов и качество модели сохранялось.
Модель обучена для ИИ-R&D и может участвовать в разработке, в том числе на пути к рекурсивному самоулучшению. Инференс ведёт NaiveRT, рантайм под RL и эту модель: 50 токенов в секунду на пользователя в режиме Standard и до 2000 в Ultrafast. При одинаковом seed выборка детерминирована до бита: совпадают токены, логиты и KV-кэш.
Веса и код инференса бесплатны по лицензии MIT. Контрольная точка W8A8 и черновая модель DFlash лежат в репозитории NaiveRT на Hugging Face. API ещё предоставят: 0,10 доллара за миллион входных токенов, 0,40 за миллион выходных и 0,01 за миллион чтений кэша.
В задаче за пределами прежних областей модель собрала AutoWM, модель мира: исследователь задал цель, бюджет вычислений и протокол оценки. По публичному протоколу WorldArena-1 Track 1 вышло 77,43 балла против прежнего лучшего опубликованного результата 73,64, после 400 часов исследований и 15 крупных раундов.
Разреженное внимание сильно снижает вычисления и обращения к памяти, но индексатор всё ещё сканирует всю историю, а полный KV-кэш сохраняется. В синхронных RL-конвейерах с контекстом до 1 млн токенов медленный длинный rollout заставляет ждать весь батч, а батчинг не ускоряет отдельный поток.

## Похожие сервисы в каталоге

- [AI-First Development Framework](https://ailibri.com/ai-first-development-framework): Методология AI-First разработки для Claude Code и Codex: планирование по спецификациям, Project Knowledge, фокусное выполнение задач и проверка результатов на о
- [Repowise](https://ailibri.com/repowise): Repowise — интеллектуальный анализ кода: оценка качества, авто-документация, git-аналитика, поиск мёртвого кода и архитектурные решения через MCP.
- [I Have ADHD](https://ailibri.com/i-have-adhd): Skill для кодинг-агентов: выводит ответ сразу, без "закапывания" в длинных объяснениях. ADHD-friendly формат ответов для Claude Code и Codex.
- [Rigor Dushno](https://ailibri.com/rigor-dushno): Расширение для Claude Code, позволяющее настроить уровень критичности ИИ-ассистента от 0 до 10: от полного согласия до максимальной проверки решений и архитекту
- [bb](https://ailibri.com/bb): bb — агентная IDE с открытым кодом, которая настраивает и автоматизирует себя. Работа в потоках с живым контролем через desktop, web, CLI и HTTP API.
- [Strands Labs](https://ailibri.com/strands-labs): Strands Labs - экспериментальные проекты для разработки AI-агентов: управление роботами, симуляции, Python-функции с AI. Открытый код на GitHub.

---
Источник: AILibri — каталог нейросетей и ИИ-инструментов, https://ailibri.com