Naive AI 正在探索一条令人振奋的新路径：让现有的AI模型肩负起下一代模型的研发任务，并且每一代诞生的模型都能比前一代承担更多的研发工作。

10天前，Anthropic公布了一组罕见的内部数据：公司内部的AI研发工作中，已有26%由Claude“主导”完成。所谓主导，是指研究员只需给出一条高层指令，Claude就能端到端地完成任务的大部分，人类负责监督。而在今年2月，这个比例还不到1%。

而这并非孤立事件。更早几天，OpenAI宣布去年定下的“自动化研究实习生”目标已经达成：按标准工作日折算，其研究团队每投入1个人类工作日，就有约3.1个智能体工作日在同时运转。

9月21日，OpenAI又提议由美国牵头制定前沿AI全球技术标准，并把递归式自我改进（RSI）列为重点议题。

国内，智谱也在9月17日披露，由GLM-5.3驱动的Infra Agent在十万卡国产集群上，从零搭起了GLM-5.3-Flash的推理服务。

OpenAI博客中对RSI的定义

短短半个多月，“让AI研发AI”就已经从一个偏理论的话题变成了头部实验室争相公开的量化指标。

但仔细看，这些数字回答的大多是同一个问题：研发下一代大模型，AI能接手多少工作？

而就在今年2月，当Anthropic的AI“主导”比例还接近零的时候，代季峰的创业团队Naive AI成立了。

这家新创公司从一开始就摒弃了传统以人类为中心的研发体系，把写代码、跑实验、监控流程、分析结果等研发工作交给了AI模型。而人类研究员把精力集中于三件事：提出目标，设定约束与评价标准、最终决策。

从第一天起让AI研发AI，这家新公司交出了首款模型

路线选择上，Naive AI专注于开源模型后训练与Agent研发，没有从零预训练，而是以开源模型为起点，做架构改造、增量预训练和后训练。

开源生态正在成为新一批实验室的起点。前OpenAI首席技术官Mira Murati创办的Thinking Machines Lab，7月推出的首款模型Inkling虽是从零训练，架构却沿用了DeepSeek-V3的混合专家设计。

Naive AI更进一步，直接基于开源基模继续训练和改造。开源基模已经足够强，新实验室的竞争点，正从“能不能从头训出一个基模”，转向“能不能更快、更好地把基模改造成自己要的样子”。

Naive AI押注的，正是后者背后的研发效率。

其刚刚发布的首款模型Naive-N0.5-Flash，总参数量为309B，激活参数量为15.5B，原生支持百万token上下文，面向编程与AI研发。

它有一个双重身份：由AI参与研发，也被专门训练来承担AI研发工作。

技术报告显示，AI已经参与了注意力架构的探索，以及训练、推理和部署系统的优化。研究员设定目标、约束与评价标准，AI据此实现候选方案、运行实验，并根据结果继续调整；涉及架构选择等关键决策，仍由研究员把关。

官方的两个配套案例，让这套研发方式有了具体的呈现：

在推理运行时NaiveRT的优化中，研究员与AI用六天推进了151轮实验，将同一系统的一轮完整投机解码耗时从12.3毫秒降至3.4毫秒。

另一项任务中，Naive-N0.5-Flash接下世界模型研究工作，经过累计400小时、15轮主要实验，持续调整数据、训练方案与推理策略，最终得到AutoWM，其已跻身WorldArena第一梯队。

此外，Naive AI实习生、清华博士生Shiqian Su也在𝕏上分享了一个使用Naive-N0.5-Flash训练Jev模型的示例，所得到的多模态类Jev模型在俄罗斯方块与贪吃蛇这两个小游戏上的表现非常亮眼，均优于Jev以及开源的Laya。

让Naive N0.5承担训练工作，训练出来的多模态模型负责玩俄罗斯方块和贪吃蛇。环境与数据准备、模型和训练方法选择、测试构建，以及后续的训练、评估、纠错和迭代，都由Agent自行推进。这个过程中，Agent还会根据获得的证据调整方案。

这些案例背后，Naive AI正在尝试把模型投入后续研发，让它参与解决下一轮迭代中的实际问题。而这条路线的起点仍是模型本身的能力：它能否读懂论文、实现方法，并在一连串实验之后，找到值得继续推进的方向？

围绕这些问题，Naive AI的首份技术报告给出了从模型设计、训练到研发任务评测的一套结果，也让外界得以具体观察，这个创业团队准备怎样进入大模型竞争。

摒弃传统，走向AI原生的研发方式

把一篇机器学习论文交给模型，距离得到可以检验的复现结果，中间还有很长一段路。模型需要理解方法、完成实现、组织实验，还要处理运行过程中不断出现的问题。

围绕这些研发任务，Naive-N0.5-Flash交出了一组非常亮眼的核心评测结果。

先看考察论文复现能力的PaperBench。Naive-N0.5-Flash取得了63.2分，高于报告中的Claude Opus 4.7、GPT-5.5和MiniMax M3。

对于一款面向AI研发的模型，这项成绩提供了一个直接的观察窗口：面对论文中的研究方法，它能将多少内容落实为具体实现。

机器学习工程提供了另一种考验。在源自Kaggle竞赛任务的MLE-bench-30上，Naive-N0.5-Flash取得了73.7%的成绩，任务涉及围绕数据开展模型训练与实验。

进一步聚焦模型研发，在要求固定计算预算下进行语言模型后训练的PostTrainBench上，它取得了37.5分。

Naive-N0.5-Flash的AI研发相关评测与优化结果，涵盖模型后训练、机器学习工程、论文复现、训练和GPU算子优化。

这几类评测覆盖了研发中的不同环节。论文复现关注对已有研究的理解与实现，机器学习工程考察解决具体任务的能力，后训练任务则要求模型在资源约束下寻找改进方案。它们共同提供了判断模型能否参与研发的依据。

上图中还有一组对照值得留意。在Sol-ExecBench（GPU算子优化）、NanoChat AutoResearch（固定预算下的训练改进）和NanoGPT SpeedRun（训练提速）三项任务上，比较对象是Recursive Superintelligence。这家由Richard Socher担任CEO、田渊栋参与联合创办的公司，专做自动化AI研究。

该公司在6月公布了首批结果：社区优化了两年多、累计83次人类刷新纪录的NanoGPT Speedrun，被它的系统从79.7秒压到了77.5秒——而现在Naive-N0.5-Flash将这个成绩提到了73.8秒。

编程能力是完成这些工作的基础。在要求根据自然语言需求生成代码仓库的NL2Repo上，Naive-N0.5-Flash得分为71.9，高于DeepSeek-V4.1-Flash。

在面向长程专业任务的ALE-CLI上，它取得32.4分，接近GPT-6 Astra与Opus 5.5。

Naive-N0.5-Flash的编程与长程任务评测结果，涵盖软件工程、代码仓库生成、终端操作等任务。

看起来，Naive-N0.5-Flash在论文复现、机器学习工程和长程任务中，展现出了相当强的竞争力。

研发任务还有一个实际特点：工作推进得越久，需要处理的历史信息往往越多。一次训练报错，可能需要结合此前的代码修改来定位；决定下一轮实验方向时，又需要回看已有结果及其对应配置。

而原生1M上下文为保留这些任务历史提供了空间。代码、工具返回与实验记录能够被纳入更长的交互过程，为模型关联分散信息、持续推进任务提供支撑。

按照报告披露的开放方案，Naive-N0.5-Flash的模型权重与推理代码采用MIT许可，将提供API。输入、输出与缓存读取的价格，分别为每百万token 0.6、2.6和0.07人民币，研究者和开发者可以据此选择部署与接入方式。

长上下文也会带来具体的计算负担。要让模型在持续交互中保持可用的运行效率，注意力计算、跨卡通信和显存管理都需要跟上。Naive AI对模型架构与训练系统的改造，正是围绕这些问题展开。

接下来，我们进一步看看首款新模型的诞生过程，AI同样承担了不少具体工作。

研发N0.5，AI参与到了哪一步？

研发Naive-N0.5-Flash，首先要解决百万token上下文带来的效率问题。团队以开放权重的MiMo-V2.5 base为起点：这个基模的大多数层采用滑动窗口注意力（SWA），关注局部信息，少数全局注意力层负责保留长程信息。上下文增长到百万token级别后，这几层全局注意力会贡献相当一部分解码开销。

Naive AI将改造目标放在了这些层上，用DeepSeek稀疏注意力（DSA）替换全局注意力。DSA先通过轻量索引器对历史位置打分，再选出其中的2048个位置，交给主干网络计算注意力；SWA则处理128 token的局部窗口。整个网络以五层SWA搭配一层DSA的布局为主，构成一套混合稀疏注意力架构。

SWA—DSA混合注意力架构

团队还采用了四个KV分组的GQA，并设计了具有16个query头的轻量索引器，进一步调整索引与注意力计算的开销。需要说明的是，DSA的索引器仍需扫描完整历史，相关层也仍需保留完整KV缓存，这套改造主要减少了主干注意力的计算量与访存量。

把索引器的查询头从64个减到16个，可以显著降低长上下文稀疏注意力的处理耗时。

这套方案由研究员与AI共同探索得到。研究员设定目标与评测协议，要求在提升长上下文解码效率的同时保持模型质量；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。

改完注意力结构，模型还需要重新适应信息的读取方式。为此，Naive-N0.5-Flash在1M上下文配置下完成了累计3.25T token的多阶段训练：

首先，最初的50B token用于索引器预热：冻结模型其余参数，让准备切换为DSA的层继续使用全局注意力，再以其注意力分布为监督信号，通过KL散度损失训练索引器。

随后，模型切换到稀疏注意力，进行3T token的继续预训练，以语言建模损失为目标，适应新的信息选择与聚合机制，并强化编程和AI研发能力。

最后，再用200B token进行监督微调（SFT），并逐步降低学习率。

这次切换中，AI承担了一项验证工作：以全局注意力结果为参照，分析索引器选出的top-2048位置的召回情况。报告称，AI在这个过程中发现并修复了top-k选择的数值稳定性问题，又独立验证了修复结果。研究员据此确定切换时机与精度阈值，并统一训练和部署阶段的验证标准。

更深一层的工作发生在训练系统中。百万token的序列需要被分配到多张GPU上处理，如何交换各卡上的信息，会直接影响训练效率。

AI在分析混合架构时，抓住了两类注意力的访问差异：DSA需要完整历史，SWA关注左侧的局部窗口。基于这一点，它提出并验证了混合序列并行方案：DSA层使用Ulysses序列并行，通过all-to-all重分配访问完整序列；SWA层采用重叠分片，与左侧相邻分片交换必要的重叠区域。

这样，SWA部分的通信复杂度就从随序列长度增长的O(L)，降到了与窗口大小相关的O(w)。这一思路也被延伸到推理侧，让长上下文预填充、按行分片计算和索引检索分别采用相应的上下文并行方案。

显存管理同样需要细化。针对稀疏索引与注意力对齐产生的中间激活，AI分析重计算路径，将卸载粒度细化到单个算子的输出，让不同中间结果可以分别配置卸载策略；top-k索引则显式保留，在重计算时继续使用已选位置。长序列下的检查还发现了位置编码精度问题和序列索引越界风险。

按照披露的数据，这套训练系统在1M上下文配置下，使用512张GPU，约四天可以完成1T token的训练。支撑研发运行的基础设施还包括沙箱、算力和权限管理平台，公司称其每周支持近千万次沙箱运行，峰值并发达到十万个。

这些细节让“AI参与研发”有了具体内容：它需要理解计算依赖，找到数值或性能问题，再通过实验判断修改是否有效。研究员负责设定约束和作出关键决策，AI承担大量分析、实现与验证工作。

同样的研发方式，也延伸到了接下来的推理系统优化与世界模型研究中。

两个Demo案例：AI4AI能力有多强？

NaiveRT和AutoWM提供了两个具体观察窗口，分别展示了AI在底层系统优化和跨领域研究中的参与方式。

NaiveRT是一个推理运行时。

它针对长程强化学习任务中的一个实际问题：单条任务轨迹可能需要持续生成大量token，少数耗时特别长的轨迹，就可能拖住整个训练批次。提高单条序列的解码速度，有望缩短这些样本的等待时间。

围绕这个目标，研究员与AI在六天内推进了151轮优化实验，其中63轮的改动被采纳。AI分析整网性能，实现候选方案，再通过数值验证和多卡测试检查结果，优化涉及算子融合、数据搬运和GPU执行调度等多个环节。

实验中也有走不通的方向。例如，一条MoE算子融合路径连续尝试了七轮，每一版的数值结果都正确，端到端性能却全部下降。分析发现，原有算子边界的开销已经大部分被执行重叠覆盖，融合又引入了额外同步，研究员最终叫停了这个方向。

最终，在同一套系统上，NaiveRT将一轮包含草稿生成、验证、采样与提交的完整投机解码，从SGLang的12.3毫秒缩短至3.4毫秒，延迟下降72.4%。

在八张前沿GPU上，它还测得2,122 token/s的单流解码峰值：这一数字来自41个HTML/SVG生成请求中的最佳一秒窗口，测试关闭思考模式，且不计入预填充时间。

NaiveRT单轮投机解码耗时对比

AI参与研发的过程：151轮实验中，63轮改动被采纳、71轮验证失败或回滚、17轮用于探索。曲线上的下降台阶，对应一项或多项改动进入实际执行路径。

AutoWM将任务扩展到了世界模型研究。

一位研究员向Naive-N0.5-Flash给出研究目标、算力预算和评测协议，此后由模型持续推进方案设计、训练与评测，并根据实验结果决定下一步尝试。

研究从复现FlowWAM开始。早期对无分类器引导和时间步的调整提升有限，模型随后转向数据与训练方案：重写视频描述，将训练集从2500段视频扩充至22500段，筛除评分较低的样本，并调整帧采样和rollout结构。换用更强的基模、配合更高质量的数据后，成绩继续提高。

随着实验推进，模型还发现，WorldArena的部分指标无需真实参考视频即可计算，可以被用于指导输出选择。它开始搜索不同时间步生成的结果，将帧选择建模为用动态规划求解的背包问题，并进一步探索Best-of-N视频选择与后处理策略。搜索规模扩大也未必有效，其中一项配置中，N=32的表现反而低于N=16。

累计400小时、15轮主要实验后，团队按WorldArena-1 Track 1的公开协议，在视频质量评测中测得77.43分，高于报告记录的当时公开最高成绩73.64分。

这项结果包含训练改进、推理时筛选和后处理的共同贡献，也记录了模型如何在实验反馈中逐步调整研究路线。

AutoWM研究进展曲线

Naive AI将这类实践视为探索递归式自我改进（RSI）的一部分：让模型参与后续模型与系统的研发，再逐步扩大它能够承担的工作范围。

迈向递归式自我改进（RSI）

2026年进入大模型赛道，Naive AI选择了一条不同的路：用AI研发AI。以开放基模为起点，它围绕研发任务强化Naive系列的能力，同时让AI深入参与架构改造、训练与系统优化。

这次披露的技术报告和两个案例，让这条路线有了一批可以具体检验的成果。

接下来，更值得关注的是，这些成果能为下一轮研发带来什么。推理速度提升，可以缩短实验中的生成等待；模型更擅长读论文、写代码和分析结果，也有机会帮助研究员更快找到有效方案。如果这些改进能够持续积累，团队就有望在相同的时间和资源预算内，推进更多有效的探索。

这也是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。

放到整个行业里看，RSI到底指什么，眼下仍在争论之中。

OpenAI在9月21日的提案中明确表示，完全自主的RSI目前尚未发生，在能够安全实现之前也不应追求。Anthropic同样强调，Claude在其统计的任何一类研发工作中都尚未完全自主。

谷歌与Google DeepMind等机构在9月中旬发布的Dream-RSI则走了另一条路：模型权重不动，只让智能体从过往的搜索记录中学习更好的探索策略。“自我改进”改的究竟是权重、系统，还是做研究的方法，各家给出的答案并不相同。

Naive AI目前的实践，同样是研究员把握方向、AI承担大量执行。它的不同之处在于目标：让研发的产物和研发的执行者逐渐合二为一，Naive系列既是这套体系造出来的模型，也被训练成这套体系里的研究员。如果你想了解更多关于AI研发的最新动态，可以通过九游官方入口获取更多资讯。

两个案例已经展示了AI承担具体研发任务的潜力，这种能力能否持续转化为下一代模型的进步，还需要后续迭代来回答。

本文来自微信公众号 “机器之心”（ID：almosthuman2014），作者：RSI，36氪经授权发布。