Beam 1.0 vs Clef Flash: uno escribe código, el otro no puede escribir una oración

Pon Beam 1.0 y Clef Flash uno al lado del otro y la comparación parece absurda hasta que te das cuenta de qué se trata en realidad. Beam 1.0 es el modelo de mezcla de expertos de 501,3 mil millones de parámetros de Reflection, publicado con pesos Apache 2.0 el 16 de octubre de 2026 y diseñado para programación, razonamiento y trabajo agéntico de horizonte largo; lee texto y escribe texto. Clef Flash de Cloudflare es un modelo de 9 mil millones de parámetros que no tiene ninguna vía de salida de texto — ni siquiera una degradada, ninguna. Toma un estado más un esquema de preguntas tipadas y devuelve una probabilidad para cada respuesta permitida. Cualquier página que enfrente a estos dos entre sí según puntuaciones de benchmark ha malinterpretado a ambos. La pregunta útil es qué lugar ocupa cada uno en una canalización, porque en un sistema bien construido no son rivales; son etapas adyacentes.

Esa adyacencia merece entenderse con precisión, porque explica una clase de fallo de producción que ningún benchmark de un solo modelo saca a la luz: el parser que le acoplaste a un modelo de chat porque era lo único que tenías, y la quincuagésima primera respuesta de un centenar que no encajaba con tu esquema.

Qué devuelve realmente cada modelo

Empieza por la forma del resultado, porque todo lo demás se deriva de ella.

• Beam 1.0 — texto libre, con razonamiento obligatorio. Los niveles de esfuerzo admitidos son low, medium, high, xhigh y max, y max es el predeterminado, por lo que la configuración predeterminada es la que piensa durante más tiempo. Se admiten el razonamiento, la llamada a herramientas y las salidas estructuradas, y las salidas estructuradas más un esquema JSON son lo más cerca que está Beam de una salida restringida.

• Clef Flash — una distribución sobre un conjunto de respuestas declarado. La documentación de Cloudflare describe una pasada hacia adelante que puntúa cada opción permitida; no hay paso de generación y, por lo tanto, no hay paso de parseo. El propio planteamiento del proveedor es que se trata de un modelo de decisión, y el segundo producto del lanzamiento fue una plataforma de ajuste fino con aprendizaje por refuerzo para construir más de ellos.

La diferencia práctica está en lo que ocurre cuando la entrada queda fuera del alcance. Un modelo de texto al que se le pregunta algo fuera de su competencia producirá una prosa segura de sí misma, y tu sistema tiene que darse cuenta. Clef Flash producirá probabilidades que suman uno entre las opciones que le diste, lo que significa que una entrada fuera de alcance aparece como una distribución plana en lugar de una oración plausible — siempre que hayas establecido un umbral para eso, que el proveedor no proporciona. La propia tabla publicada de Cloudflare muestra ese caso como la celda más débil del modelo.

Las evaluaciones no se superponen, y ese es el hallazgo

Las puntuaciones de Clef Flash provienen del Jev Decision Index y de un conjunto de suites específicas de decisiones, todas ejecutadas por Cloudflare, y varias se ejecutan contra el propio benchmark de un rival — Jev es publicado por TypeSafe, el proveedor del modelo contra el que se mide Clef Flash. En esas suites los números son sólidos: BFCL case-exact 98,8, API-Bank 93,1, una simulación de electrodomésticos en 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Clef Flash aventaja ligeramente al Clef 27B más grande en BFCL, en API-Bank y en la suite de electrodomésticos, esta última por catorce puntos. Nada de esto ha sido reproducido de forma independiente.

El régimen de evaluación de Beam es de distinta índole. La tarjeta de modelo de Reflection informa de benchmarks agénticos y de ingeniería de software — SWEBench Verified 81.6, Terminal Bench v2.1 80.1, DeepSWE v1.1 43.3, GPQA Diamond 90.6 en el checkpoint BF16 — todos reportados por el proveedor. El único dato externo es Artificial Analysis, que sitúa a Beam 1.0 con un Intelligence Index de 30, en el decimonoveno puesto de 120 modelos en la versión v4.3.2 del índice, y no registra precio ni velocidad porque todavía ve «No hay API disponible públicamente» para el modelo. No hay nada en la columna de Clef Flash que corresponda a un Intelligence Index, y nada en la columna de Beam que corresponda a una puntuación de enrutador exacta por caso. No están en el mismo eje.

Lo que se puede comparar es la estructura de costos, y aquí los dos están en extremos opuestos. Cloudflare aloja Clef Flash en Workers AI a $0.038 por millón de tokens de entrada, con los tokens de salida facturados a cero, porque no hay — aproximadamente una sexta parte de los $0.24 que la misma tarifa cobra por el Clef 27B más grande, y justo por debajo de los $0.042 que cobramos por un modelo de decisión que responde a la misma forma de solicitud. Beam 1.0 no tiene ningún precio publicado por millón de tokens — la documentación de Reflection incluye una página completa de límites de velocidad y ninguna tarifa. El autoalojamiento es la única vía con precio, y comienza en cuatro GPU NVIDIA B300.

Dónde va cada uno en un sistema real

La respuesta honesta es que Clef Flash reemplaza un paso que probablemente estás haciendo mal, y Beam 1.0 reemplaza un paso que probablemente estás haciendo de forma costosa.

El objetivo de Clef Flash es la clasificación, el enrutamiento, el gating y el triaje dentro de un bucle de agente, en cualquier punto donde la salida correcta sea una de un conjunto conocido de etiquetas y el coste de una respuesta mal formada sea una excepción en etapas posteriores. Su perfil de latencia publicado, de aproximadamente 38,8 ms de mediana y 122,4 ms en p95, es la parte que importa ahí, porque se mide en un régimen en el que el tiempo hasta el primer token de un modelo de texto no lo es.

El objetivo de Beam 1.0 es el trabajo en sí: resolver issues de GitHub, operar en una CLI, ejecutar flujos de trabajo de herramientas de varios pasos. El argumento que plantea Reflection es la eficiencia de tokens más que la capacidad máxima —la tarjeta del modelo afirma una calidad de solución comparable a la de los principales modelos abiertos con aproximadamente tres veces menos tokens de razonamiento en tiempo de inferencia, y el respaldo más sólido para ello es que Artificial Analysis registró 79 M de tokens de salida para Beam en el Intelligence Index frente a una mediana de 130 M, décimo de cuarenta y seis en esa medida. En una ejecución larga de agente, donde cada turno reproduce la conversación anterior, esa es la partida que se acumula.

Ninguno de los dos figura en nuestro catálogo, y no vamos a insinuar lo contrario. Clef Flash se ejecuta en las GPU de borde propias de Cloudflare y los pesos Apache-2.0 son tuyos para autoalojarlos; los pesos de Beam 1.0 están en Hugging Face bajo Apache 2.0, con una API propia que no tiene precio publicado.

La razón para mantener ambos accesibles

Un pipeline que usa un modelo de decisión en la compuerta y un modelo de razonamiento detrás de él es una arquitectura estrictamente mejor que uno que usa un único modelo de chat para ambos, y el costo de construirlo así es el costo operativo de una segunda dependencia: un segundo contrato, un segundo conjunto de claves, un segundo modo de fallo. Esa es la parte que elimina un enrutador, no la parte del modelo.

Si los pasos de compuerta de su sistema son los que describe Clef Flash, el equivalente ya enrutado más cercano es Jev 1.13 de TypeSafe —el modelo que Cloudflare eligió como contraparte de referencia, compatible a nivel de API con la estructura de solicitudes de Clef Flash— y en nuestro catálogo a $0,042 por millón de tokens de entrada, con la salida facturada a cero y un contexto de 65.536 tokens.

Para la etapa de razonamiento detrás de la compuerta, nuestro catálogo incluye los modelos frente a los que se dimensiona Beam: GLM-5.2 a $1.40 y $4.40 por millón de tokens con una ventana de 1,000,000 de tokens, Kimi K3 a $3.00 y $15.00 con 1,048,576, y Qwen3.8-Max a $2.00 y $6.00. Una sola clave compatible con OpenAI cubre todos ellos; el precio de lista del proveedor se traslada sin añadir nada, y la conmutación automática por error significa que la etapa de la compuerta no se queda a oscuras porque un proveedor haya tenido un mal minuto.

También puedes mantener las dos etapas en modelos distintos sin comprometerte con ninguno de los dos: una regla de enrutamiento que envía el tráfico de clasificación de esquemas al endpoint de decisión y el trabajo de texto libre a un modelo de razonamiento es el caso ordinario del DSL de enrutamiento, y significa que la precisión de la etapa de decisión y el costo de la etapa de razonamiento se pueden ajustar de forma independiente en lugar de compensarse dentro del recuento de parámetros de un solo modelo.

¿Cuál de ellos estás buscando comprar en realidad?

Si llegaste aquí porque tu agente ocasionalmente emite un blob JSON que tu parser rechaza, no quieres un modelo de 501 mil millones de parámetros. Quieres el modelo de decisión, y la pregunta que hay que hacer es si tu conjunto de respuestas es genuinamente enumerable y cuál es tu política de abstención, porque Clef Flash te da probabilidades, no un rechazo.

Si llegaste aquí porque la factura de tu agente de programación está dominada por tokens de razonamiento que no puedes ver, no quieres un clasificador de 9 mil millones de parámetros. Quieres Beam 1.0, o uno de los modelos contra los que se mide, y la pregunta que hay que hacerse es si puedes alojarlo tú mismo o si estás esperando una tarifa que aún no se ha publicado.

Lo único en lo que acierta un enfoque de comparación directa es en que ambas son apuestas por la misma tesis desde extremos opuestos: que la parte costosa de un agente no es la respuesta, sino todo lo que la rodea. La respuesta de Cloudflare es eliminar la generación de los pasos que nunca la necesitaron. La respuesta de Reflection es hacer que la generación sea más barata por cada token de pensamiento. Desplegados juntos, cuestan menos que cualquiera de los dos por separado, lo cual es un resultado mejor de lo que te dirá la tabla de benchmarks de cualquiera de los proveedores.

Nada de eso es hipotético: los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, severidad, grado de confianza e indicador de disputa.