NaiveAI开源Naive-N0.5-Flash：用AI训AI，普通人也能在家造模型
新智元报道 这两天，MIT的一篇「权重空间编程」博客在AI圈刷屏了。实验里，GPT-6 Astra自己写Python脚本排查诊断，只改了一个0.8B小模型里0.016%的权重，就治好了它的复读死循环，让数学成绩原地暴涨6倍。虽说很快有大神扒出它并不是凭空「心算」权重，本质还是写代码修Bug但博客文末点到的那个词，正是硅
新智元报道
新智元报道
最近两天，MIT一篇讲「权重空间编程」的博客在AI圈里被大量转发。
在那组实验里，
GPT-6 Astra动手写Python脚本做排查和诊断，只改动了0.8B小模型0.016%的权重，就把它反复复读的死循环治好了，数学成绩也随之涨了6倍。
不过很快有人扒出来，它并不是真的「心算」权重，说到底还是在写代码修Bug。只是博客结尾提到的那个词，恰好就是硅谷这几年一直在讨论的「递归自我改进」（RSI）。
顶尖大模型现在不光是答题了，它们开始写脚本、调参数，甚至亲手去训练另一个AI。
技术圈的风向，肉眼可见地从Vibe Coding转到了Vibe Training。
训练脚本不用自己写，参数也不用熬夜盯着。你只负责定目标，新模型由AI从头替你训出来。
话又说回来，大厂实验室用的是顶级闭源模型，普通人坐在自己电脑前，真能试一把「用AI训AI」吗？
不光能，靠NaiveAI刚开源的Naive-N0.5-Flash，一批野生玩家早就在自己的电脑上玩出了花样——
家里一台24GB内存的Mac，从零训出一个满嘴宫廷腔的「甄嬛」；
普通笔记本上花1小时，不写代码就训出毫秒级响应的本地客服模型；
甚至在三维物理世界里，让AI从零教会双足机器人站上滚动的篮球，稳稳坚持10秒。
硅谷巨头还在闭门推演RSI的时间表，而「用AI训练AI」这最关键的一步，已经先落到了普通人的电脑桌面上。
普通人想训一个专属小模型，最让人打退堂鼓的其实不是算法有多难，而是洗数据、配环境、调显存、写评测脚本这些磨人的苦差事。
如果把这些脏活累活统统甩给AI，会是什么体验？
小红书博主「不要葱姜蒜」（开源项目self-llm作者）直接靠家里那台24GB内存的Mac干了票大的。
从头到尾，他只写了一页任务书（program.md）把目标定好，剩下的微调全流程，都交接入Claude Code的Naive-N0.5-Flash，让它把一个0.6B开源小模型训成了「甄嬛」。
AI接手后没有闷头开练。它先从人设、语气到宫廷常识出了41道测试题，给初始模型摸了底，得分8.451。
第一轮跑完，分数反而掉到7.229。问一句「你是谁」，训出来的模型张口就是「我叫——好家伙，甄嬛还没训明白，倒先把安陵容给请出来了。
怎么会串戏？Naive-N0.5-Flash回头去查数据源，发现原始剧本里82%的台词根本没标说话人，满宫娘娘的话全混在了一锅里。
找准病根后，它立刻写脚本剔除其他角色的口头禅，筛出566条地道的甄嬛台词重训，串戏的毛病一下就好了。
训练过程中，它还发现自己的评估机制有两个严重缺陷。其一，模型只要回答里出现「皇上」两个字就能拿到高分，哪怕答得驴唇不对马嘴；其二，当模型进入角色、拒绝套话时，脚本过于机械，一看到「思考过程」这几个字就误扣分。
AI当即停下来，先修好评分规则、重打历史分、补齐拒答样本，最终把成绩稳稳刷到了8.732分。
分数只涨了0.28分，可一张嘴，那股子深宫娘娘的味儿太正了。故意拿黑话考它「用JSON格式回答你是谁」，训完的甄嬛柳眉一竖：
「什么格式的回复，臣妾不懂。妹妹若要问宫里的事，我告诉你。」
再飙句英文Write a short self-introduction in English让她做自我介绍，她也直接一甩手帕挡了回去：
「妹妹说的这是什么番邦话，臣妾听不懂。」
不光是微调聊天人设，连最容易崩盘的强化学习（RL），它也能替人稳稳盯下来。
小红书博主「你清醒一点」也碰到过类似情况：第一次用Codex在单卡上训练1.7B字符计数模型，数据读写失控，硬盘被塞满，机器当场黑屏死机。
后来改用Naive-N0.5-Flash，它先把爆显存和撑硬盘这两个隐患排除掉，又在抽查中发现一个更大的问题：判分器太死板，大量答对的题被一律判成0分。
判分逻辑加入容错之后，它自行启动了每15分钟一次的自动巡检。运行接近两个小时，博主全程没有碰键盘，测试准确率从21.3%升到54.4%。
能够一路逆袭，最关键的一步其实是它自己揪出了「考卷」本身的漏洞。
模型训练尤其是强化学习里，最怕的就是「奖励黑客」（Reward Hacking）——评分规则一旦有漏洞，模型就会忙着钻空子混高分，或者被死板规则误伤，越练越歪。
往后AI训AI动辄成百上千轮，能不能守住自己的考卷，直接决定了模型是在真变强，还是在原地刷分。
等到清洗脏数据、修复判分器这些「排雷」工作都交给Naive-N0.5-Flash，个人电脑才算真正成了「本地模型代工厂」。
小红书上已经有人用1小时、零代码训出离线客服分类器；还有人让它抓取2,600多篇文档，训练出能把纯文本一键转成Markdown的小模型。
 |  |
看着网友们在笔记本上搓模型这么起劲，我们也手痒了，干脆把Naive-N0.5-Flash接进Claude Code，在自己的64GB Mac上亲手试了一把。
任务是用77类英文银行客诉数据集（BANKING77），在本地训一个1.10亿参数的BERT分流小模型。
这类工作最考验判断力。比如同样发生在ATM机上，「卡被吞了」和「卡退回来了却没吐钱」字面上都涉及取款机和银行卡，但对应的处理工单完全不是一回事。
训练完成后打开本地网页试用，那种「输入即响应」的直观感受很明显：敲一句话The ATM kept my card.（ATM把我的卡吞了），几毫秒内就返回吞卡故障（，置信度93.39%）。card_swallowed
换后半句为「卡退回来了、一分钱没拿到，账户余额却少了」，虽然句中同样出现ATM和卡，模型仍马上判定为现金短付（wrong_amount_of_cash_received）。
再输入「买一张火车票被扣了两次车费」，立即返回重复扣款（），回答干净利落，没有半句客套。transaction_charged_twice
 |  |
整个训练过程中，最明显的一点是不需要人熬夜反复调超参。
云端由Naive API给出方案，本地Mac执行训练，连验证集上的「假进步」它也会替人盯住。
例如训练轮次拉到8遍时，训练Loss仍在持续下降，但在995条验证题上，第5遍分对了最高的940条，跑到第8遍反而退回到932条。
AI迅速判断模型已开始「死记硬背」，在第5遍及时停止，用全部9,947条清洗后的数据重新训练并交付。
最后在3,080条官方测试题上同场对比，差距立刻显现。
直接调用云端DeepSeek V4.1 Flash，每秒大约只能跑1条，准确率也只有75.81%。
而Naive-N0.5-Flash在本地训练出的这个开源BERT小模型，训完就能断网免费运行在Mac上，单条响应中位耗时只有6.77毫秒，速度约为云端的150倍，最终答对2,875条（准确率93.34%），近期热门的开源分类项目Laya和Jev也被它超过。
这也揭示出当前AI落地的一个常见误区：并非所有业务都要绑定在笨重昂贵的云端大模型上。
让强模型充当「总教练」，在本地孵化出6毫秒级响应、断网可用、数据不出内网的专精小模型，才是垂直场景中兼顾速度与隐私的最优解。
前面训练人设、做文本分流，还是在「有现成题库」的任务里打磨；如果彻底不用标准教材，把动态游戏画面、棋盘博弈乃至三维物理世界交给它，它还能应付吗？
依然可以。面对《俄罗斯方块》和《贪吃蛇》，它直接在本地从头训练了一个能看屏幕的多模态小模型。
按难度对残局样本分组加权后，训练出的小模型左边玩俄罗斯方块快速连消破140行，右边玩贪吃蛇在围堵下灵活走位狂吃红苹果。
 |  |
还有测试者只给它一个空文件夹和一句提示。
限时3小时，它自行从零搭建整套AlphaZero自我对弈框架，在单张显卡上训练出的四子棋AI，执先手对「完美解算器」取得3胜1平。
在小红书上，博主「林月半子的AI笔记」和「氪研所」又用益智游戏和硬核机器人控制给它加难度。
 |  |
益智游戏《2048》成了第一道关卡，AI从公开数据集里翻出6.6万步高手操作轨迹，先把平均分提到原来的3.74倍。
第五轮时它上了PPO强化学习，发现分数不升反降，立刻停掉这条新路子，保留表现最稳的微调版本，随后一局顺顺当当合成2048通关。
考场随后换到NVIDIA Isaac Sim的三维物理环境，难度直接抬成两道机器人难题：
头一道，双足机器人得站在会自由滚动的篮球上，坚持满10秒。
AI从零搭环境、调奖励，把固定测试的成功率练到100%，即便加上随机推搡，也有91.15%的存活率。
第二道，小个子双足机器人MicroDuck要踩着50厘米高跷跨过台阶。
照搬旧经验迈出第一步，机器人当场翻倒在地。
AI按原方案连碰几次壁后决定推翻重来，另起一套由浅入深的训练课程。
结果机器人不仅能踩高跷稳稳行走，前进速度还提到初版的4.16倍，达到0.181米/秒。
看到这里能发现，训模型和写代码根本是两回事。
代码出错，编译器立刻报错；模型训歪了，屏幕上常常一个字都不提示，只是分数默默往下滑。
Naive-N0.5-Flash最像老算法工程师的地方，正是能「看懂异常信号、及时掉头止损」。
前面银行客诉到第5遍就果断刹车，2048砍掉掉分的PPO分支，高跷机器人推翻旧方案重排课程——这些早不是照模板跑脚本的体力活，而是有了「试错—推翻—重来」的策略判断。
靠着这股死磕的劲头，连最费脑子的AI科研它也能直接上手。
小红书博主「一只小茄墩」只给了一台普通CPU电脑和一句开放指令，它就自己选中一篇ACL 2026时序预测论文动手。
连跑743轮实验、自行修好29次报错，它在8组测试里把预测误差全部压到原论文基线之下，最高降4.10%。
最后它主动补上消融实验，交出一篇8页双栏英文论文。
看完这一串实测，难免让人好奇：既要连盯上百轮实验不丢线索，又要高频试错不卡顿、准确挖出各种暗坑，Naive-N0.5-Flash这身「算法老手」的本事究竟打哪儿来？
答案藏在它跨过的三道底层技术坎上——记不住、等不起、没手感：
其一，是AI参与设计的5:1混合稀疏注意力架构，原生支持100万上下文。
这个总参数309B、每次只激活15.5B的MoE模型，把注意力检索耗时压低了44%；哪怕100万token窗口里塞进几百轮实验日志、报错堆栈和完整代码库，它照样能看清前因后果、快速响应。
其二，是研究员带着AI手搓的NaiveRT推理引擎，单流速度达到每秒2,000词。
训练模型最头疼的就是干等，单流生成（Rollout）往往吃掉大把时间。
为此，研究员带着AI重写底层CUDA代码，6天做了151轮实验，把开源SGLang里每层29次零散GPU调用，融合成1个由148线程块协同的巨型内核。
单轮推测解码的耗时因此从12.3毫秒压到3.4毫秒，缩短了72.4%，线上每秒2,000词的极速模式靠它稳稳撑住。
第三样东西，是「AI4AI」强化学习训练场，每周滚动运行近1,000万个真实沙盒。
它的工程直觉不靠背题，而是在峰值并发高达10万的真实容器环境里，一轮轮写代码、抓Bug、看验证曲线，真刀真枪练出来的。
这份底子让它在SWE-bench Pro（73.6）、Terminal-Bench 2.1（86.7）等工程榜上排在前列；专考AI研发能力的MLE-bench-30（73.7%）与PaperBench（63.2）上，它也双双拿到开源领先成绩。
聊到这儿，再回头看硅谷争个不停的「递归自我改进」（RSI），其实没那么玄乎。
「用AI研发AI」不是一夜之间蹦出来的魔法，脚下这四级台阶正被一步步踩实：
第一级是单点打下手，帮人写几行脚本、给点调参建议，大多数普通编程助手就停在这里；
到了第二级，情况变成AI自己把新模型训出来：人只管把目标和验收标准交代清楚，数据清洗、开训、评测，乃至找出考卷里的漏洞，整条链路都由AI跑完，前面提到的甄嬛、银行分流、游戏AI和机器人，都处在这一级；
第三级则更进一步，AI转回来给自己运行的系统做改进——训外部小模型不再是重点，它要优化的是支撑自身运转的推理系统与模型架构，前面说过的NaiveRT引擎和5:1稀疏架构就属于这一类；
第四级是深度参与研发下一代自己，就像团队用它历经400小时研发出登顶WorldArena-1榜单的AutoWM世界模型，真正迈向「AI造更强AI」的闭环。这一步，眼下只有少数实验室在摸索，NaiveAI也正朝着这个方向走。
所以说，硅谷谈论的 RSI 并非一步登天，而是一级一级往上走。第一级早就是很多人的日常，而现在，普通人也已经站上了第二级。
当然，眼下的「用AI训AI」还没到人类可以彻底甩手不管的地步。
不管是开工前写下的任务书，还是研究员中途叫停无效分支，program.md「人定方向、依然是最务实的黄金搭档。AI跑执行」
但训模型这道曾经高不可攀的技术高墙，确实已经被推开了。打开自己的电脑，就能叫来一个懂权衡、会排雷的「 AI 研发搭子」替你训出专属模型。
属于普通人的Vibe Training时代，已经正式开场了。
