Beam 1.0 vs Kolibri: dos lanzamientos de Apache 2.0 no son el mismo lanzamiento

Beam 1.0 y Kolibri son los dos lanzamientos de pesos abiertos más comparables del último mes, y compararlos es más útil que comparar cualquiera de ellos con un modelo de API de frontera, porque ambos pueden descargarse de verdad. El Kolibri de Aleph Alpha llegó el 3 de octubre de 2026 — 78.103.074.560 parámetros totales, 3.457.573.120 activos por token, una ventana de contexto validada de 1.048.576 tokens, alemán e inglés, Apache 2.0. El Beam 1.0 de Reflection llegó el 16 de octubre de 2026 con 501,3 mil millones de parámetros totales, 23,4 mil millones activos, 1 millón de tokens de contexto, inglés y la misma licencia. La misma licencia, una filosofía de dispersión similar y casi nada más en común —que es exactamente por lo que el emparejamiento te dice más de lo que lo haría una comparación de tamaño contra tamaño. Uno fue construido por un laboratorio con un argumento jurisdiccional que esgrimir; el otro, por un laboratorio con un argumento de capacidad que esgrimir.

Los dos también difieren en un aspecto que decide la mayoría de los despliegues reales antes de que se lea una sola fila de benchmark: lo que el proveedor publicó junto con los pesos. Aleph Alpha publicó un informe inusualmente completo de cómo se entrenó el modelo —procedencia de los datos, energía, el predecesor fallido, las horas de GPU exactas—. Reflection publicó un verificador que puedes apuntar a tu propio endpoint. Esos son tipos diferentes de confianza, y cuál acepta tu proceso de adquisición es la primera pregunta que hay que responder.

Misma licencia, diferentes productos

Empieza por lo que es genuinamente idéntico, porque es menos de lo que parece.

• Licencia — ambas Apache 2.0, ambas con la licencia en el repositorio en lugar de en una frase de blog. La ficha de Beam añade que la destilación, el ajuste fino, la cuantización y la fusión no están restringidos. Kolibri no incluye ninguna cláusula adicional de uso aceptable, ningún umbral de usuarios activos mensuales ni condiciones comerciales aparte.

• Estrategia de esparsidad — ambos son mezclas de expertos con proporciones de activación agresivas. Kolibri activa 3,46B de 78,1B, aproximadamente el 4,4 por ciento; Beam activa 23,4B de 501,3B, aproximadamente el 4,7 por ciento. Ninguno de los laboratorios te está vendiendo un modelo denso.

• Contexto largo — Kolibri declara una ventana nativa de 262.144 tokens, con calidad y eficiencia de servicio validadas hasta 1.048.576; Beam declara 1M en la tarjeta y 131.072 tokens de salida máxima en la API.

• Ninguna reproducción independiente de los benchmarks — la tabla de ninguno de los proveedores ha sido verificada por un tercero. Artificial Analysis no tiene ninguna página de modelo para Kolibri, mientras que sí incluye a Beam 1.0 con un Índice de Inteligencia de 30, en el puesto diecinueve de 120 en la versión v4.3.2 del índice.

Esa última línea es la primera asimetría real y es fácil pasarla por alto. Beam tiene una cifra externa; Kolibri no tiene ninguna. Un 30 en un índice que abarca 120 modelos no es una cifra halagüeña, pero es una cifra que Reflection no produjo, y para un comprador que decide si la tabla de un proveedor es digna de confianza, la existencia de cualquier medición independiente vale más que su valor.

Lo que cada proveedor eligió publicar

La documentación de lanzamiento de Aleph Alpha es el artefacto más inusual. Junto con los pesos, publicó 20 billones de tokens de preentrenamiento extraídos de un corpus bilingüe filtrado —aproximadamente el 62,5 % en inglés, el 23,9 % en alemán y el 13,6 % en código—, además de 3,44 billones de tokens de entrenamiento intermedio y 201 000 millones para la extensión de contexto largo. El cómputo se declara como 768 NVIDIA B200 en 96 nodos HGX, 21 días de preentrenamiento durante 511 horas y 392 000 horas de GPU con un total declarado de 6,4×10²³ FLOPs, y el entrenamiento intermedio añade cinco días y 90 000 horas de GPU, mientras que la extensión de contexto largo añade 13 horas y 10 000 horas de GPU. La energía se estima en 9,5×10² MWh, incluida la sobrecarga del centro de datos, abarcando el preentrenamiento, el entrenamiento intermedio y el entrenamiento de contexto largo, y excluye el ajuste fino supervisado y el aprendizaje por refuerzo.

De publicar eso se desprenden dos cosas. En primer lugar, una organización con una norma de adquisición que empieza por «de dónde vinieron los datos de entrenamiento y en virtud de qué ley» tiene una respuesta en lugar de una conversación. En segundo lugar, y de forma menos cómoda, la misma documentación muestra que el modelo pierde frente a Qwen3.8 27B en el propio harness de Aleph Alpha: 75,5 frente a 80,2 en la media en inglés y 70,8 frente a 79,9 en la media en alemán, con Qwen por delante en GPQA Diamond, LiveCodeBench v6, SWE-Bench Verified y ambos benchmarks de contexto largo. Gemma 4 26B-A4B IT se sitúa en 71,9 y 66,3 en las dos medias. El caso de Kolibri no es que sea el modelo más potente de su tamaño; es que es el modelo más potente de su tamaño cuyo entrenamiento se puede auditar. Esa documentación es la razón por la que el lanzamiento se lee como investigación y no como marketing: Aleph Alpha describe cómo se hizo el modelo porque quiere que el producto sea el pipeline, no el modelo, y un laboratorio que vende un pipeline de entrenamiento publica las cifras que demuestran que el pipeline funcionó.

Reflection publicó algo diferente. El lanzamiento de Beam 1.0 incluye configuraciones de serving de referencia, un Helm chart, soporte desde el día cero en Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed y N​VIDIA Dynamo, y la beam-verifier CLI, que ejecuta un conjunto de pruebas de conformidad contra un endpoint en vivo y luego lo evalúa en los principales benchmarks para que un despliegue pueda compararse con las puntuaciones de referencia de Reflection. Lo que no incluye es una lista de precios: la documentación contiene una página completa sobre límites de velocidad y ningún precio por millón de tokens, y el anuncio solo dice que la API es gratuita para empezar.

Cuánto cuesta ejecutar cada uno

Ninguno de los dos se ofrece en nuestro catálogo, y no vamos a insinuar lo contrario. Ambos son compras autoalojadas, y los requisitos mínimos de hardware son el precio real.

• Beam 1.0 — la compilación NVFP4 es de 273 GiB y la configuración de referencia consta de cuatro GPU NVIDIA B300 SXM en NVLink, en una única máquina. FP8 es de 468,72 GiB y se ejecuta en ocho H200; BF16 es de 933,81 GiB y se despliega en ocho B200 o B300. Se incluye un drafter DFlash2 de 1,93B junto con el modelo para decodificación especulativa, lo que aporta una aceleración de decodificación de 1,7× a 3,0× en el checkpoint NVFP4. Las recetas de servicio mantienen la caché KV en FP8 E4M3 con una página de 64 tokens.

• Kolibri — el checkpoint FP8 es la precisión de servicio documentada, con pesos en bloques de 128×128 y activaciones cuantizadas dinámicamente, evaluado con una caché KV FP8 mientras que los embeddings, la cabeza LM, las normas y el router MoE permanecen en bfloat16. Un analizador de llamadas a herramientas de vLLM se distribuye en el mismo repositorio que los pesos, y el repositorio no tiene acceso restringido: una descarga con Apache 2.0 en lugar de una solicitud.

La comparación que un comprador debería hacer en realidad no son filas de benchmark. Es un endpoint autoalojado de dos GPU que responde en alemán e inglés y cuyo entrenamiento puedes documentar, frente a un endpoint de cuatro GPU que es más fuerte en programación y trabajo agéntico y cuya documentación de entrenamiento, hasta donde podemos averiguar, no abarca horas de GPU ni energía.

Si tu carga de trabajo son documentos regulados que no pueden salir del edificio, la primera es la única que cierra el debate. Si tu carga de trabajo es un agente de ingeniería, la segunda es la única que cuenta con un verificador.

Si quieres la capacidad sin el rack

Ambos modelos describen una clase —MoE de pequeños parámetros activos con una licencia permisiva— que ya se sirve en rutas que puedes llamar hoy mismo, y calcular el precio de la alternativa es la forma más rápida de decidir si vale la pena tener el hardware en propiedad.

• Gemma 4 26B-A4B IT — $0,06 por millón de tokens de entrada y $0,33 por millón de tokens de salida, con una ventana de 262.144 tokens. Lo más parecido que hay en un endpoint enrutado al nivel Kolibri, y el modelo que realmente supera a Kolibri en los propios promedios de inglés y alemán de Aleph Alpha.

• Qwen3.8-27B — $0.33 de entrada y $2.40 de salida, contexto de 262.144 tokens y pesos abiertos con licencia Apache si prefieres ejecutarlos tú mismo en lugar de alquilarlos.

• GLM-5.2 — $1.40 y $4.40 con una ventana de 1.000.000 de tokens, para el trabajo de contexto largo y de programación al que apunta Beam 1.0.

• Kimi K3 — $3.00 de entrada, $0.30 en caché, $15.00 de salida por 1,048,576 tokens, el modelo que, según admite el propio post de lanzamiento de Reflection, está por delante en capacidad bruta.

OrcaRouter enruta ese conjunto detrás de una única clave compatible con OpenAI, con el precio de lista del proveedor traspasado y sin añadir nada, de modo que una rebaja de precio del proveedor llega a tu factura el mismo día en lugar de en la siguiente renovación del contrato, y el failover automático cubre el caso en que un proveedor se degrada bajo carga. Un patrón útil para cualquiera que evalúe un despliegue soberano es ejecutar el tráfico regulado contra un endpoint Kolibri autoalojado y el trabajo general contra un nivel enrutado, con una regla de enrutamiento que decide cuál es cuál —una clave, una configuración y una decisión de hardware que solo tiene que justificarse para los documentos que la necesiten.

¿Qué lanzamiento estabas buscando en realidad?

Si buscaste pesos abiertos porque necesitas responder una pregunta sobre procedencia, jurisdicción o auditabilidad, Kolibri es la versión con la respuesta. No es el modelo más potente de su tamaño —así lo dicen las propias tablas de Aleph Alpha— y abarca dos idiomas, y su configuración de servicio recomendada es dos H100 SXM5 o dos H200 —o un solo B200 o B300, que la tabla de hardware enumera junto a ellos. La disyuntiva es explícita y, para un despliegue regulado, probablemente correcta.

Si buscabas pesos abiertos porque quieres un agente de ingeniería que puedas ejecutar tú mismo, Beam 1.0 es la versión con la capacidad, la pila de servicio y las herramientas de verificación, y pide cuatro B300s y una lista de precios que aún no se ha escrito. La contrapartida ahí es capital y ambigüedad a cambio de un modelo que hace trabajo de programación cercano a la frontera en tu propio hardware.

Lo que demuestra el emparejamiento es que "open weight" dejó de ser un diferenciador hace tiempo. Dos lanzamientos con Apache 2.0 de dos laboratorios en dos semanas pueden compartir una licencia, una filosofía de dispersión y una ventana de contexto, y aun así ser respuestas a preguntas completamente diferentes. Ordenar por licencia no te lleva a ninguna parte; ordenar por la pregunta a la que el lanzamiento se creó para responder te lleva a la carpeta correcta.

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.