用AI造的！刚刚，代季峰团队首个模型开源

• 2026-09-29

编辑｜Panda、小熊猫 Naive AI 正在探索一条令人兴奋的新路径：让当前的 AI 模型去承担下一代模型的研发工作，并且让每一代诞生的模型都能够比上一代承担更多的研发工作。 10 天前，Anthropic 公布了一组少见的内部数据：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%。 而这并不是一个孤立事件。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 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。 视频链接https://mp.weixin.qq.com/s/yaoSou6iHhA9eM9uQyBmkw 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