一句话总结
10 月 5 日，纽约的 Reflection AI 放出自己的第一个模型 Beam：501B 总参数、23B 激活的稀疏 MoE，Apache 2.0、权重本月晚些才发布。这家 2024 年 3 月由前 DeepMind 研究员创办、英伟达投资的公司在公告里写得很直白——Beam 的目标不是「最强」，而是在和 GLM-5.2 同一档能力上，把推理算力压到对方的 1/3 至 1/4。这是西方开源权重第一次以「正面回应中国开源」的姿态出现，也因此值得逐个数字核对一遍。
数据来源：Reflection AI 官方博客《Introducing Beam: Reflection’s 501B open-weight model》（2026-10-05）、Fortune / TechCrunch / implicator.ai 同日报道（2026-10-05）。
发布的是什么：501B 的稀疏 MoE，权重还要等
Beam 是一个为编程、推理与 Agent 任务训练的稀疏 MoE 模型：501B 总参数、23B 激活。官方给的两条训练线索是：
- 预训练：23.8 万亿 token 的网页与「专有授权数据集」；
- 强化学习：一次高算力 RL 运行产生了超过 1 亿次 rollout，跑在 10.5K 张 NVIDIA GB300 上、历时 4 周，训练期间平均维持约 11 万个并发 rollout。
为了让这个规模跑得起来，Reflection 自建了一套异步 RL 平台：Agent 生成 rollout 与训练器更新权重解耦，每个 token 都带上「产生它的模型版本」标记，训练算法据此补偿策略陈旧度；环境池接近 100 万个，主要靠合成数据管线生成，再按难度与质量反复筛选。官方还提到一个细节——数据质量的妥协会让能力早早触顶，整条训练曲线结束时没有出现饱和迹象。
需要先记住的前提是：权重还没发。目前只有候补名单的早期访问，模型仍在最后阶段的红队与评测里；权重、技术报告、模型卡与开发者物料官方口径是「本月晚些时候」放出，许可证为 Apache 2.0。也就是说，下面所有分数都是自报口径，第三方要等 checkpoint 落地才能复测。
官方自报的位置：追平 GLM-5.2，落后 Kimi K3
Beam 公告里最诚实的一段话值得原文引用：
Beam advances the Western open-weight frontier and is competitive with larger open models like GLM 5.2 and approaching Qwen 3.8-Max on coding and agentic tasks. Where frontier open models like Kimi K3 remain ahead on raw capability, Beam’s advantage is efficiency at inference time.
翻过来就是：能力上对标 GLM-5.2、接近 Qwen 3.8-Max，但 Kimi K3 这类前沿开源模型在原始能力上仍然领先，Beam 的牌是推理效率。官方给出的一整张对比表（含 Inkling、Nemotron 3 Ultra、GLM-5.2 / 5.3、Kimi K3、Qwen 3.8 Max、DeepSeek V4.1 Flash）里，几行关键数字如下：
| 基准 | Beam | GLM-5.3 | Kimi K3 | DeepSeek V4.1 Flash |
|---|---|---|---|---|
| Terminal Bench v2.1 | 80.1 | 88.2 | 88.3 | 90.6 |
| DeepSWE v1.1 | 44.4 | 61.0 | 68.0 | 74.2 |
| HLE（无工具） | 36.2 | 42.3 | 46.9 | 39.1 |
| SciCode | 49.7 | 59.0 | 58.7 | 52.0 |
| GPQA Diamond | 90.5 | 91.7 | 93.5 | 90.9 |
| SWE-Bench Verified | 80.9 | — | — | — |
少数几行 Beam 拿得出手：MCP Atlas 78.7（对 GLM-5.2 的 77.8）、AutomationBench public 37.0（对 26.2）、AIME 2026 97.8（对 Inkling 97.1）。反过来，在编程与终端这类最吃 Agent 落地价值的行上，Beam 与 Kimi K3、DeepSeek V4.1 Flash 的差距是两位数——官方没有回避这个差距，而是把它当成「效率换能力」的定价依据。
效率牌怎么打：用训练侧的算力换推理侧的便宜
媒体转述 Reflection 的说法是：Beam 在编程与 Agent 任务上，按 token 成本与推理耗时衡量，比西方同类开源模型高效 3 至 4 倍；Artificial Analysis 拿到早期访问后表示「初步迹象显示 Beam 会是同智力水平里最省 token 的开源模型之一」。注意「3 至 4 倍」官方自己标注的是近似估算，不是实测成本报告。
工程侧有两张官方曲线可以佐证这条路线：
一张是专家负载均衡——训练结束时最忙的专家相对均匀路由只有 1.04 倍，MoE 没有出现「少数专家吃满、其余闲置」的常见退化；另一张是预训练扩展曲线：在 Code 与 Web 两个验证集上，Beam 的 base 模型以更低的训练 FLOPs 落在 DeepSeek v4 Flash Base 与 Nemotron 3 Ultra Base 之后（loss 越低越好）。
官方还展示了一条泛化侧的旁证：在只含推理、软件工程与终端任务的 RL 阶段，Beam 在没有浏览任务的混合数据里也持续涨了浏览能力；联网后它自发学会去搜索并调用其他大模型、用 OCR API 读文档。另一个病毒式测试是「陆海地图」题（180×90 网格、16,200 个坐标点），Beam 拿到 95.5% 的覆盖率，官方把这个分数放在 Opus 5 的 92.5% 与 Fable 5 的 97.8% 之间。
三个该打问号的地方
- 全部是自报口径。 榜单来自 Reflection 自己的评测台，技术报告尚未发布；人工分析机构给的只是「早期迹象」，无法在其智力指数上定位。
- 自家表里也有大片空白。 SWE-Bench Verified 等行只列了 Beam、Inkling、Nemotron 3 Ultra 三家，对比模型标成「NR」（未报告）——空白不等于领先，这类行不能拿来做结论。
- 效率主张还没被独立验证。 「3 至 4 倍」覆盖 DeepSWE、HLE、Terminal Bench 2.1 三组任务，官方称是近似而非实测；真正的成本账要等权重发布后在同一批硬件上跑出来。
为什么这件事值得记一笔
放在更大的盘面上，Reflection 的叙事有明确对手：目前开源模型市场里，中国模型拿走了超过 30% 的 token 份额，Kimi K3、DeepSeek V4 系列、GLM 系列是这份成绩单的主角。西方阵营此前在开源权重上的投入要零散得多，Beam 是第一个由「前沿实验室建制」做出来的西方开源权重模型，公司也在 5 月宣布向美国能源部等公共部门供货，定位写的是企业、公共部门与开发者的「workhorse」。
它选择的路线也很有代表性：不去追总参数，而是把算力砸在高算力 RL 换推理效率上——同一档智力水平，谁的每 token 成本更低，谁就更容易在 Agent 这类高频调用场景里被选中。对这个赛道来说，这比多拿几个榜单第一更接近生意本身。
总结
- 是什么：Reflection AI 的首个开源权重模型 Beam，501B 总参 / 23B 激活的稀疏 MoE，Apache 2.0，权重本月晚些发布，当前只有候补名单早期访问。
- 训练规模：23.8T token 预训练；RL 侧超过 1 亿次 rollout、10.5K 张 GB300、4 周，平均 11 万并发 rollout。
- 能力位置：官方口径接近 GLM-5.2、逼近 Qwen 3.8-Max，但在多数编程与终端基准上落后 Kimi K3、DeepSeek V4.1 Flash；效率（每 token 成本 / 推理耗时）是其主卖点，宣称优于西方同类开源模型 3 至 4 倍。
- 可信度边界：分数自报、技术报告未发、效率主张是近似估算——等权重落地再复测。
- 值得关注的理由：西方第一次用「前沿实验室建制 + 开源权重 + 效率路线」正面回应中国开源模型的市场份额。
图片出处：封面、基准对比图由 UU AI Hub 自制；预训练损失曲线、专家负载均衡曲线、预训练扩展曲线、陆海地图泛化实验输出均取自 Reflection AI 官方博客《Introducing Beam》原文配图。
数据来源：Reflection AI 官方博客与官方对比表（2026-10-05）；Fortune、TechCrunch、implicator.ai、gate.com 同日报道与拆解（2026-10-05）；Artificial Analysis 公开表态（2026-10-05）。
