NaiveAI promete 2.100 tokens por segundo: a velocidade compensa a qualidade do código?

Um teste hands-on do Latent Space colocou o modelo chinês Naive-N0.5-Flash para rodar contra DeepSeek V4.1 Flash 1017 e GLM 5.3 Flash. A promessa de velocidade se confirma, mas o trade-off em custo e consistência de código aparece logo nos detalhes.

Um teste hands-on do Latent Space colocou o modelo chinês Naive-N0.5-Flash para rodar contra DeepSeek V4.1 Flash 1017 e GLM 5.3 Flash. A promessa de velocidade se confirma, mas o trade-off em custo e consistência de código aparece logo nos detalhes.

O que está em disputa e pra quem

A NaiveAI, empresa chinesa de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI →, construiu o Naive-N0.5-Flash sobre os pesos do MiMo-V2.5 da Xiaomi, um modelo sparse Mixture-of-Experts de 310 bilhões de parâmetros (15 bilhões ativos), treinado originalmente em 48 trilhões de tokens. A NaiveAI adaptou esse checkpoint com cerca de 3,25 trilhões de tokens adicionais para adotar camadas de DeepSeek Sparse Attention (DSA), e acoplou tudo a um motor de inferência próprio, o NaiveRT. O resultado é vendido como o modelo mais rápido do mercado, capaz de disputar o topo do ranking de velocidade da Artificial Analysis.

Quem testou essa promessa foi o Latent Space, em reportagem assinada por Gabriele Beltramo e publicada em 10 de novembro de 2026. O teste coloca o Naive-N0.5-Flash contra dois modelos da mesma classe Flash, populares no OpenRouter: o DeepSeek V4.1 Flash 1017 e o GLM 5.3 Flash. Os três miram o mesmo público: quem constrói agentes, pipelines de vibe coding ou protótipos que rodam via API e precisam de resposta rápida sem abrir mão de código funcional.

Para o dev brasileiro que escolhe modelo pelo preço por milhão de tokens e pela latência percebida no editor, a pergunta não é qual modelo é mais inteligente em abstrato, mas qual entrega código utilizável mais rápido, e a que custo. É esse recorte que o teste do Latent Space ajuda a responder, com ressalvas importantes sobre o que ainda não foi medido.

Critérios de comparação em tabela

Análise por critério

O Intelligence Index da Artificial Analysis ainda não existe para o Naive-N0.5-Flash, então a comparação de inteligência bruta fica incompleta por enquanto. Nos benchmarks publicados pelos próprios fabricantes, porém, o modelo da NaiveAI fica no meio do pelotão: atrás do DeepSeek V4.1 Flash 1017 em DeepSWE v1.1 (67,8 contra 77,0) e em Agent's Last Exam (32,4 contra 35,4), mas à frente dos dois concorrentes em NL2Repo-Bench (71,9), o benchmark mais diretamente ligado a gerar repositórios a partir de linguagem natural.

No preço, só o Naive-N0.5-Flash tem números públicos: US$ 0,10 por milhão de tokens de entrada, US$ 0,40 por milhão de saída e US$ 0,01 por milhão de tokens lidos do cache. O próprio Latent Space observa que isso coloca o modelo na faixa de US$ 0,20 a US$ 0,60 por milhão de tokens de saída ocupada por vários modelos Flash capazes, incluindo os dois usados na comparação, mas sem revelar os preços exatos de DeepSeek e GLM.

A velocidade é onde o Naive-N0.5-Flash tenta se diferenciar. Em modo ultrafast, o modelo sustenta cerca de 984 tokens por segundo durante a fase de raciocínio e 1.816 tokens por segundo na fase de resposta, com pico pontual de 2.100 tokens por segundo em uma janela de um segundo, tratado pela própria reportagem como teto e não como taxa típica. Esses números vêm de medição server-side feita pela NaiveAI, enquanto os números de DeepSeek e GLM vêm do OpenRouter, então o Latent Space evita cravar um multiplicador exato de velocidade entre eles.

O tempo de resposta ponta a ponta conta uma história mais honesta que o throughput isolado. Na mediana das 30 perguntas testadas (10 fáceis do MATH-500, 10 médias do GPQA-Diamond e 10 difíceis do HLE-Diamond), o Naive-N0.5-Flash com raciocínio ligado respondeu em 3,1 segundos, contra 5,3 segundos do GLM 5.3 Flash em modo high e 10,1 segundos do DeepSeek V4.1 Flash 1017 em modo high. Mas nas médias, que sofrem o efeito de perguntas difíceis puxando o tempo para cima, o quadro se equilibra: 45,3 segundos para o Naive, 45,0 para o DeepSeek e 86,9 para o GLM.

O trade-off que descobrimos é que o Naive-N0.5-Flash demora mais para raciocinar sobre problemas difíceis, mas ainda assim entrega respostas mais rápido no geral.

Gabriele Beltramo, autor do teste no Latent SpaceThe trade-off, we discovered, is that Naive-N0.5-Flash takes longer to reason through harder problems, yet it still delivers answers faster overall.

Essa frase resume o padrão encontrado nas perguntas difíceis do HLE-Diamond: ali, o Naive-N0.5-Flash com raciocínio ligado gastou em média cerca de 108.500 tokens de saída, nove vezes mais que o GLM 5.3 Flash em modo high e onze vezes mais que o DeepSeek V4.1 Flash 1017 em modo high. No tempo total, isso fez o Naive ficar mais lento que o DeepSeek nas perguntas difíceis especificamente (89,8 segundos contra 79,7 segundos), mesmo vencendo na mediana geral.

Nos três apps construídos a partir do mesmo prompt inicial, o padrão se repete: o Naive-N0.5-Flash com raciocínio ligado produz o melhor resultado no sistema solar (com manchas solares e luzes noturnas na Terra, algo que nem DeepSeek nem GLM reproduziram), empata com o DeepSeek na qualidade da árvore 3D e fica um degrau abaixo do DeepSeek na eficiência do ray tracer, cujo JavaScript o próprio Latent Space descreve como menos otimizado.

O detalhe que mais chama atenção para quem for rodar o modelo em produção é que a variante sem raciocínio do Naive simplesmente não gerou um app usável para a árvore 3D, enquanto manter o raciocínio ligado custou consistência nas outras tarefas.

Veredito por caso de uso

Time pequeno prototipando rápido (vibe coding, demos, PoC): o Naive-N0.5-Flash com o modo de raciocínio ligado é a escolha mais defensável. A mediana de 3,1 segundos por resposta e os melhores resultados visuais no app do sistema solar favorecem quem itera várias vezes por minuto no editor. O custo por token de saída (US$ 0,40 por milhão) soma pouco em sessões curtas de prototipagem.

Produto já em produção com tarefas agentic complexas: o DeepSeek V4.1 Flash 1017 tem a vantagem nos benchmarks que medem raciocínio sob pressão, como DeepSWE v1.1 (77,0) e Agent's Last Exam (35,4), além de ter vencido com folga a tarefa de ray tracing, a mais próxima de engenharia de performance real. Para pipelines que não podem tolerar código ineficiente ou travas sutis (como os galhos que se soltam no app da árvore sob vento forte), vale pagar a latência mediana mais alta em troca de previsibilidade.

Orçamento apertado sem tolerância a surpresa de custo: aqui a recomendação fica incompleta por falta de dado. Só o preço do Naive-N0.5-Flash é público (US$ 0,10 de entrada, US$ 0,40 de saída, US$ 0,01 de cache), e o Latent Space não divulga os preços de DeepSeek e GLM, apenas situa os três na mesma faixa de mercado.

Antes de decidir só pelo custo, confira o preço publicado do DeepSeek V4.1 Flash 1017 e do GLM 5.3 Flash no provedor que você usa, porque o consumo de tokens de raciocínio do Naive em tarefas difíceis (em média cerca de 108.500 tokens nas perguntas difíceis do HLE-Diamond) pode inflar a conta mais do que o preço por token sugere.

Quem não pode tolerar falha silenciosa: evite a variante sem raciocínio do Naive-N0.5-Flash para tarefas de geração de UI complexa. O app da árvore 3D simplesmente não funcionou nessa configuração, um tipo de falha binária mais arriscado do que a lentidão ou a ineficiência relativa dos concorrentes.

O que ainda não dá pra afirmar

O teste do Latent Space mediu velocidade, não corretude: as 30 perguntas de MATH-500, GPQA-Diamond e HLE-Diamond tiveram tempo de resposta cronometrado, mas as respostas não foram corrigidas quanto à precisão. Uma resposta rápida e errada não vale nada, e esse dado simplesmente não está no material.

A amostra também é pequena, com apenas 10 perguntas por nível de dificuldade por modelo, o que deixa qualquer diferença de poucos segundos vulnerável a ruído estatístico. Some a isso o fato de que os números de velocidade do Naive-N0.5-Flash vêm de medição direta no servidor da NaiveAI, enquanto os de DeepSeek e GLM vêm do OpenRouter, uma camada a mais de rede e fila que o próprio Latent Space reconhece não ser diretamente comparável.

Faltam ainda, no material disponível: o Intelligence Index oficial do Naive-N0.5-Flash na Artificial Analysis (listado como indisponível no momento do teste), os preços de DeepSeek V4.1 Flash 1017 e GLM 5.3 Flash para comparação direta de custo total, e qualquer avaliação de estabilidade em produção fora do ambiente controlado de teste. O código usado nos experimentos está publicado em gbeltramo/llm-verbosity no GitHub, o que permite reproduzir a metodologia, mas não substitui um teste com a carga de trabalho específica de cada time.

O material recebido não trouxe nenhuma URL de vídeo do canal oficial do fabricante nem imagem do banco do iMasters, por isso este texto segue sem mídia embutida.

Fonte 1: Latent Space (https://latent.space/p/naiveai/)

"NaiveAI Promises 2,100 Tokens per Second. How Well Does It Code?", reportagem de Gabriele Beltramo publicada em 10 de novembro de 2026 no Latent Space.

Fonte: Latent Space