美国时间 10 月 5 日,Reflection AI 放出公司第一个开放权重模型 Beam——稀疏混合专家架构,总参 5010 亿,每个 token 只激活 230 亿,主打编程、推理与智能体任务。这家 2024 年成立的公司,两位创始人来自 Google DeepMind,背后站着英伟达,估值 250 亿美元,外界给它贴的标签一直是“美版 DeepSeek”。两年后第一次交卷,它自己的口径反倒很克制:推进了西方开放权重模型的前沿,和 GLM-5.2 这类更大的开源模型有竞争力,但原始能力上 Kimi K3 仍然领先,Beam 的卖点是推理效率。
先记住这句话,它是读这份成绩单的正确姿势。
一、这事是什么,三段说清
- 谁做的:Reflection AI,总部在纽约布鲁克林。CEO Misha Laskin 曾在 DeepMind 负责 Gemini 的奖励建模,CTO Ioannis Antonoglou 参与过 AlphaGo / AlphaZero,后来领导 Gemini 的人类反馈强化学习。公司拿英伟达投资,并与 SpaceX 签了约 63 亿美元的协议,租用其 Colossus 2 数据中心里的 GB300 NVL72 集群。
- 什么模型:纯文本稀疏 MoE,总参 5010 亿(501B)、每 token 激活 230 亿(23B);预训练吃掉 23.8 万亿 token;中训阶段把有效上下文拉到 100 万 token;只处理文字,图片与音频要先转成文本。
- 现在什么状态:还在最终红队与评测阶段,权重下载不到,官网只开了一个早期访问候补名单。官方承诺本月内以 Apache 2.0 放出权重、技术报告、模型卡与开发工具,并配一批发行伙伴和开源库集成。
一句话:这是一次预告片式的发布——成绩单先摆出来,可交付物还没上架。
二、先分清:哪些是实锤,哪些是官方自报
| 说法 | 现在能确认到什么程度 |
|---|---|
| 501B 总参 / 23B 激活 / 23.8T 预训练 token / 100 万有效上下文 | 实锤,官方博客逐项写清 |
| 预训练用 6144 张 GB300 NVL72、四周内跑完、goodput 92.3% | 官方口径,有曲线无第三方复核 |
| RL 用 1.05 万张 GB300 跑四周、生成超 1 亿次 rollout、约 13 亿个沙箱 | 官方口径 |
| 全部跑分(SWE-bench Verified 80.9 等) | 官方自报,目前没有任何第三方复现 |
| 推理算力省 3-4 倍 | 官方估算,公式见第四节,不等于实测账单 |
| Apache 2.0 许可、本月放权重 | 承诺尚未兑现,以权重真正挂出为准 |
三、跑分表逐项读:赢在哪,输在哪
下面这张表按官方跑分表整理,只列双方都报了分的项目(没报分的一律记 NR)。
| 基准 | Beam | GLM-5.2 | GLM-5.3 | Kimi K3 | DeepSeek V4.1 Flash | Nemotron 3 Ultra |
|---|---|---|---|---|---|---|
| SWE-bench Verified | 80.9 | NR | NR | NR | NR | 70.7 |
| Terminal Bench v2.1 | 80.1 | 81.0 | 88.2 | 88.3 | 90.6 | 56.4 |
| SWE-bench Pro v2-Hard | 77.2 | NR | 84.3 | 88.2 | NR | NR |
| DeepSWE v1.1 | 44.4 | 44.0 | 61.0 | 68.0 | 74.2 | NR |
| AIME 2026 | 97.8 | 99.2 | NR | NR | NR | NR |
| HLE(无工具) | 36.2 | 40.5 | 42.3 | 46.9 | 39.1 | 26.7 |
| GPQA Diamond | 90.5 | 91.2 | 91.7 | 93.5 | 90.9 | 87 |
| MCP Atlas | 78.7 | 77.8 | 84.2 | 82.3 | NR | 63.1 |
| τ³-banking | 38.0 | 37.1 | NR | 37.1 | NR | 22.6 |
三条结论:
- 代码与终端任务:超过西方此前最强,没超过中国头部。SWE-bench Verified 的 80.9 把英伟达自家 Nemotron 3 Ultra 的 70.7 拉开一整档,可同一张表上 DeepSeek V4.1 Flash 的 Terminal Bench v2.1 是 90.6、Kimi K3 是 88.3;Beam 在 Terminal Bench 上比 GLM-5.2 还低 0.9 分。
- 推理组是它的短板。和 GLM-5.2 能对上分的 13 个项目里 Beam 赢 8 项输 5 项,但输掉的正好是推理组四项:AIME 2026(97.8 对 99.2)、HLE(36.2 对 40.5)、GPQA Diamond(90.5 对 91.2)、CriPT AA(16.3 对 20.9),差距在 0.7 到 4.6 分之间。
- 工具调用与搜索是追得最近的一块。MCP Atlas 的 78.7 反超 GLM-5.2 的 77.8,τ³-banking 的 38.0 也略高于 37.1;但对照 Kimi K3 的 BrowseComp 91.2 与 DeepSearchQA 95.0,Beam 的 77.4 和 80.1 还差十几分。
四、“推理算力省 3-4 倍”是什么意思,别读成账单省 3-4 倍
- 官方原话:在高级推理基准上,Beam 的成绩与 GLM-5.2 相当,但推理算力只用对方的三分之一到四分之一。
- 算法写得明明白白:生成侧前向算力 ≈ 2 × 每 token 激活参数量 × 每次尝试的平均生成 token 数,每个乘加按两次运算计。
- 它明确排除的部分:提示词预填充(prefill)、与上下文长度相关的注意力开销、服务调度开销。所以这是近似的算力对比,不是实测推理成本。
- 口径为什么站得住:MoE 的解码开销主要由“激活参数量 × 生成 token 数”决定,23B 激活对上 GLM-5.2 的 40B 激活确实更小;官方又用可控长度惩罚做训练,让同等正确率下的废话 token 更少。
- 什么时候这个优势成立:长输出、多轮 Agent 任务——省的是生成侧;短问答、长文档一次性读取这类 prefill 重的场景,省不到。
五、训练账:1.05 万张 GB300、1 亿次 rollout 堆出来的东西
- 预训练:6144 张 GB300 NVL72,四周内跑完,goodput 达到 92.3%(衡量多少 GPU 时间真花在最终保留的模型上,而不是崩溃与重启),全程只有 9 次半自动回滚。
- 强化学习才是重头戏:1.05 万张 GB300 跑四周,生成超过 1 亿次 rollout,训练与判分消耗约 13 亿个沙箱,环境池近 100 万个,最大单次上下文 25.6 万 token。官方自称这是开放实验室里规模最大的 RL 运行之一。
- 工程数字里有几处是真值得抄的:训练中平均维持 11 万条并发 rollout、峰值 17 万个并发沙箱;新权重铺到推理集群的中位延迟约 12 秒;71 次推理事故没有中断训练,容量中位 8 分钟恢复,损失只占推理 GPU 分钟的 0.02%。
- 它赌的路线:预训练进入成熟期之后,能力增量会越来越多来自“把强化学习本身 scale”。这也解释了为什么激活参数只有 23B——它想证明小激活加大规模 RL,能逼近大模型。
六、怎么用:现在只有一条路,权重放出后有三条
- 现在(10 月):只能去官网登记候补名单,拿到的是早期访问版本。没有权重下载、没有 API 定价页、没有技术报告,任何第三方集成都做不了。
- 放权重后 · 自部署:先把硬件账算清楚。501B 参数要装进显存,按 FP8 每参数约 1 字节粗算,权重本身就近 500GB,再留 KV 缓存与运行时余量,这是 8 卡 H200 / B200 这一档的多卡节点。对照一下上个月德国 Aleph Alpha 的 Kolibri:78B 总参、FP8 约 78GB,已经要两张 H100 才起得来。23B 激活省的是解码算力,不是显存,这两件事别混。
- 放权重后 · 走托管:官方说会配发行伙伴与开源库集成,现实路径多半是先由云厂商与推理平台托管、你按 token 付费,再决定要不要自己搬。参照今年的节奏,新开放权重模型的托管报价通常比官方博客晚一两周出现,别提前按“开放权重一定更便宜”做成本承诺。
- 验证顺序:权重出来之后,拿你自己的真实任务跑 A/B——同一批 prompt 同时打 Beam、GLM-5.2 / 5.3、Kimi K3,比正确率和总 token 消耗,而不是比榜单名次。
七、六条限制,写在权重放出来之前
- 没有任何第三方复现:全部分数出自同一份官方跑分表,对手与项目都是自家挑的。
- 官方自己划的边界:Kimi K3 这类前沿开放模型在原始能力上仍然领先。这和 Kimi K3 被 Harvey 拿去训出 Tenet 时的判断一致——中国开源模型目前仍站在前沿位置。
- 纯文本:没有多模态,图像与音频要先转成文本;官方演示里唯一沾视觉的任务,也是“用文字推理画面该长什么样”。
- 中文能力完全没公布:整张跑分表都是英文向基准,中文可用性现在无法判断。
- 安全评测结果未公开:模型还在最终红队,官方承诺随技术报告放出内部安全评测集。红队没走完之前,拿它跑生产任务不合适。
- 许可证是承诺不是现状:Apache 2.0 那句话,要等权重真的挂上去才算数。
八、我的判断
- 该上的:已经在用 GLM-5.2 / 5.3 或 Kimi K3,且推理账单压在生成侧的团队——长输出、多轮 Agent、批量代码改造。你要的正是“同等正确率下更少的 token 与更小的解码算力”,这是 Beam 唯一明确宣称的优势;权重一落地,花两周做 A/B 压测是划算的。
- 再等等的:中文为主的业务(现在没有任何中文基准可参考)、需要多模态的、想立刻用起来的(权重没放,只能候补),以及准备直接签采购单的(等第三方复现评测出来再谈)。
- 别碰的:把它当“开源版 Claude / GPT”的人。同期报道里的判断很直接——免费开放模型仍整体落后于 Claude Fable 5.1 这类封闭前沿,我们此前拆过 Fable 5.1 的缓存价改动;另外 Beam 的第一客户是“不愿或无法使用中国模型的欧美政府与企业”,如果你本来就在用中国模型,它的地缘价值对你等于零。
- 一句话总结:Beam 的增量不是“西方终于有了最强开源模型”,而是给开放权重阵营补了一个同等能力、推理更省的选项。它值不值得用,等本月权重落地后看两件事:第三方能不能复现那 80.9,以及自部署与托管两条路的真实成本。
把它放回这两个月的节奏里看,路线很清晰:一边是美国初创用大算力 RL 把激活参数压下来换效率,另一边是中国开源模型继续在绝对能力上往前走——DeepSeek V4.1 Flash 的降价和它 90.6 的 Terminal Bench 成绩,正好是同一件事的两面。对普通开发者来说,这轮竞争最实际的结果不是谁赢,而是开放权重模型的性价比还在被往上推。
顺带一提:权重放出之前想先本地玩小模型,桌面怎么配不花冤枉钱,看极客桌面 2000 元整套。
本文由拾光札记编辑部整理,勘误请联系我们。