NaiveAI redujo la mediana del tiempo de respuesta a 3,1 segundos en una prueba de Latent Space

Esperar a que la IA termine de escribir otra versión de una aplicación consume una parte de la jornada laboral. NaiveAI propone acortar esas pausas: su modelo Naive-N0.5-Flash genera texto con un pico anunciado de unos 2100 tokens por segundo. En la evaluación de Latent Space, la mediana del tiempo de respuesta con el razonamiento activado fue de 3,1 segundos, frente a los 10,1 segundos de DeepSeek V4.1 Flash 1017 con el nivel de razonamiento alto.

Para un desarrollador, la propuesta resulta atractiva: recibir antes una versión, ejecutarla, detectar un error y enviar la siguiente corrección. Sin embargo, en esa misma prueba, el tiempo medio de respuesta de NaiveAI y DeepSeek fue casi idéntico. La diferencia entre ambas observaciones explica por qué elegir un modelo únicamente por su velocidad de generación puede poner en riesgo el presupuesto y los plazos.

De dónde sale la velocidad

Naive-N0.5-Flash es un modelo de pesos abiertos creado a partir de Xiaomi MiMo-V2.5. El equipo lo sometió a entrenamiento adicional, adaptó su mecanismo de atención y utiliza su propio motor NaiveRT. La arquitectura base tiene 310 mil millones de parámetros, de los cuales 15 mil millones están activos al procesar un token.

Una pieza clave de la aceleración es la decodificación especulativa. Simplificando, un modelo pequeño propone una continuación por adelantado y el modelo principal verifica varios de los tokens propuestos a la vez. Cuando las predicciones encajan, el sistema avanza más rápido que si el modelo grande generara cada token de forma secuencial.

Hay una salvedad importante: las velocidades anunciadas se midieron en un nodo con ocho GPU Blackwell. La configuración está orientada a minimizar la latencia de un único flujo de generación. Estos resultados no permiten deducir cuántos usuarios simultáneos podría atender un sistema así ni cuánto costaría desplegarlo en infraestructura propia.

Además, los 2100 tokens por segundo corresponden a un pico de un segundo. En las mediciones publicadas, la velocidad fue de unos 984 tokens por segundo durante el razonamiento y de 1816 durante la generación de la respuesta. Con el razonamiento activado, el modelo principal aceptó el 43,4% de las propuestas del modelo auxiliar; con el razonamiento desactivado, el 70,6%.

Qué resultados dio al programar

Latent Space planteó a los modelos las mismas tareas: un sistema solar interactivo, un árbol tridimensional generado de forma procedural y una implementación de trazado de rayos para el navegador basada en el libro Ray Tracing in One Weekend.

En el sistema solar, el autor de la reseña prefirió el resultado de NaiveAI con el razonamiento activado: el modelo añadió manchas solares y luces nocturnas de las ciudades en la Tierra. En la tarea del árbol, NaiveAI y DeepSeek obtuvieron buenos resultados, aunque la animación del viento conservó pequeños defectos. En cambio, NaiveAI sin razonamiento no logró crear una aplicación utilizable para esa tarea.

El trazador de rayos funcionó en los tres modelos con el razonamiento activado. Aquí ganó DeepSeek: su implementación ejecutaba el código con mayor eficiencia. La aplicación de NaiveAI funcionaba correctamente, pero su JavaScript era más lento.

Es una distinción útil para un equipo que está creando un prototipo. Una generación rápida permite abrir antes el resultado en el navegador, pero por sí sola no dice nada sobre el rendimiento de la aplicación resultante. Tampoco tres tareas de demostración sustituyen una evaluación de las correcciones en un repositorio existente, las pruebas y el mantenimiento del código.

Dónde desaparece la ventaja

La velocidad de respuesta se evaluó con 30 preguntas por configuración: diez fáciles, diez de dificultad media y diez difíciles. En este experimento no se evaluó si las respuestas eran correctas. Por tanto, el resultado describe la latencia, pero no demuestra una mayor capacidad para resolver tareas.

En las preguntas difíciles, NaiveAI con el razonamiento activado generó una media de unos 108 500 tokens, aproximadamente 11 veces más que DeepSeek. El tiempo medio de respuesta fue de 89,8 segundos, frente a los 79,7 segundos de DeepSeek. En el conjunto de la muestra, las medias fueron prácticamente iguales: 45,3 y 45 segundos, respectivamente.

El precio objetivo anunciado por NaiveAI es de 0,40 dólares por millón de tokens de salida. Pero un token barato no implica una tarea barata: un razonamiento largo aumenta el coste total. Además, las cifras de velocidad se recopilaron con métodos distintos, por lo que no permiten calcular un factor de aceleración preciso.

El siguiente paso práctico es ejecutar un conjunto propio de tareas y medir el tiempo hasta obtener un resultado funcional verificado, el consumo total de tokens y el número de reintentos. Esta reseña ofrece motivos para probar NaiveAI en ciclos rápidos de iteración. La decisión de cambiar de modelo requerirá evaluarlo con su propio código.