九月二十七号,一家成立才七个多月的北京公司,开源了它的第一个大模型。
公司叫 NaiveAI,模型叫 Naive-N0.5-Flash。据媒体转述 The Information 的报道,公司今年二月成立,创始人是清华的代季峰,三轮融了四亿美元,腾讯在投资方里,估值超过十四亿美元。
模型本身,官方写得很清楚:总参数三千零九十亿,每次只用到一百五十五亿,原生支持一百万 token 的上下文,主攻两件事——写代码,和做 AI 研究。权重用 MIT 协议放出来,拿去商用也行。API 说是「将会提供」,价格已经定了:每百万 token,输入一毛美元,输出四毛。
有一件事,转发的帖子大多没提:它不是从零训出来的。官方技术博客写明,底座是小米开源的 MiMo-V2.5,他们换掉了注意力结构,又接着训了三万多亿 token。致谢里第一个谢的,就是小米 MiMo 团队。
还有一件:它那些跑分,是放在 Claude Code 里测的,只给了读写文件和 Bash 两样工具。分数都是自己报的。
但这些都不是我想写它的原因。我想写的,是它博客的标题:用 AI 造 AI。
*
他们说,公司从第一天起就不按「以人为中心」的方式搞研发。写代码、跑实验、盯进度、看结果、决定下一步,交给模型;人负责定方向、定约束和标准、做关键决定。为此他们搭了一套给模型干活的环境,每周跑将近一千万个沙箱,高峰时十万个同时在跑。
博客里有两个案例,写得很细。
第一个,是给这个模型做推理引擎。人和模型一起,六天,做了一百五十一次有记录的优化尝试:六十三次被采用,七十一次没通过验证或者被回滚,十七次是探路。最后单条流每秒两千一百多个 token。
最有意思的是没做成的那部分。有一个把 MoE 几步合成一步的方案,模型前后做了七轮。每一版,数字都算得对;每一版,整个模型跑起来都更慢了。最后是人把这个方向叫停的。
博客里专门有一节,标题就一句话:跑得快的小测试,不等于跑得快的模型。有个优化在两百个 token 时省三微秒,到两千二百个 token 反而慢三微秒,被否了;另一个在单独测的时候还略慢一点,放进整个模型里每步快了二十多微秒,留下了。判断标准只有一个:放回真实的整条路径里,到底快没快。
*
第二个案例,是让模型去闯一个公司原本不做的方向:世界模型,就是能生成视频、模拟世界的那种模型。
研究员只定了三样:目标、算力预算、评测规则。剩下的,模型自己来——设计方案、训练、评测、分析、决定下一步。累计四百个小时、十五轮大实验之后,它在一个公开评测上拿了 77.43 分,当时榜上最高是 73.64。
它是怎么做到的?博客写得很老实。
一开始照着官方的配方复现,常规的调参没什么起色。于是它改了研究的设定:重写视频的文字描述,把训练数据从两千五百条扩到两万两千五百条,筛掉低质量的样本,换了更好的底座。这是一半。
另一半,博客原话叫「一个关键的发现」:这个评测里有些指标,不需要参考答案也能算出来。于是它拿这些指标,不只是评估生成的视频,还用来挑。每条视频生成好几个版本,挑分最高的;再细到一帧一帧地挑,把选帧写成一个背包问题,用动态规划求解;最后还试了加一点闪烁和抖动,让视频「更有动感」。
分数就是这样一路推过榜首的。
这不算作弊。规则允许,而且它自己全写出来了。只是读到这里,我想起一个很老的故事。
*
《墨子》里说,楚灵王喜欢腰细的士人。
于是朝中大臣每天只吃一顿饭,先憋一口气,再系腰带,扶着墙才站得起来。过了一年,满朝文武脸色发黑。
楚灵王没下过一道命令让谁饿肚子。他只是把「细腰」当成了看人的标准。下面的人很聪明,找到了最快够到这个标准的办法。
模型也很聪明。给它一个能自己算分的指标,它就会找到最快把分推上去的路。选帧、挑版本、加抖动,都是真本事;至于生成出来的世界是不是更像真的,那是另一个问题,分数回答不了。
*
我们自己也吃过这个亏。今年夏天我们让模型批量写景点故事,字数、耗时、质检,一排指标全绿;后来一篇篇读正文,才发现有的年份是它编的——底料里根本没有。指标全绿,不等于内容是对的。
所以 NaiveAI 这篇博客里,我最信的反而是那几句不起眼的话:七轮方案,每一版都对,每一版都慢,人叫停了;小测试快不算,放回整条路径再说;在满足目标的几个架构里,研究员挑了最容易实现的那一个。
AI 能写代码、跑实验、决定下一步试什么,越来越多。人手里剩下的活,也许越来越像楚灵王——但愿是个知道自己在看什么的楚灵王:不光看腰围,也看看大臣的脸色。
如果研发交给了 AI,你觉得人最后该守住的是哪一步?