Beam 1.0 vs Qwen 3.8: Un Lanzamiento de Pesos Entregados Contra una Lista de Precios

El 5 de octubre de 2026, Reflection Beam 1.0 se anunció como un modelo de pesos abiertos cuyos pesos aún no estaban disponibles. El 16 de octubre de 2026 llegaron: cuatro repositorios en Hugging Face bajo Apache 2.0, en precisiones BF16, FP8 y NVFP4, más un modelo borrador de decodificación especulativa de 2B. Qwen 3.8 ha sido la historia opuesta durante dos meses y medio: la generación de Alibaba se lanzó el 3 de agosto de 2026 con Qwen3.8-Max como una API de pago a $2.00 por millón de tokens de entrada y $6.00 por millón de salida, un hermano de pesos abiertos que llegó después bajo una licencia personalizada y un modelo denso de 27 mil millones de parámetros bajo Apache 2.0. Ambos modelos afirman tener un contexto de un millón de tokens. Ambos razonan, ambos llaman a herramientas, ambos son solo texto en la interfaz. La diferencia que vale la pena entender es cuál puedes presupuestar y cuál puedes tener en tus manos, porque después del 16 de octubre cada modelo tiene exactamente una de esas cosas y no la otra.

Ambas cifras anteriores son del proveedor, y ambos modelos ya han sido medidos por Artificial Analysis, algo lo bastante poco común en este campo como para ser la razón por la que esta comparación puede escribirse siquiera.

La situación actual, modelo por modelo

• Parámetros — Beam 1.0 es un modelo de mezcla de expertos disperso de 501,3 mil millones en total con 23,4 mil millones activos por token, a lo largo de 52 capas, tres densas y 49 MoE, con 256 expertos en la configuración que describe la ficha. Alibaba nunca ha revelado el número de parámetros de Qwen3.8-Max; el hermano abierto de su núcleo, Qwen3.8-2.4T-A95B, es un MoE de 2,4 billones de parámetros con aproximadamente 95.000 millones activos, que es lo más cerca que puede estar alguien fuera de la compañía del tamaño del modelo insignia.

• Ventana de contexto — 1,000,000 tokens en la tarjeta de modelo de Beam 1.0. 1,000,000 tokens en el listado de OrcaRouter para qwen/qwen3.8-max, y 984,000 en la página de Artificial Analysis para el mismo modelo. Las dos son la misma cifra redondeada de forma diferente y no constituyen un punto de diferencia entre los modelos.

• Modalidad — Beam 1.0 es texto de entrada y texto de salida, indicado claramente en su tarjeta. Qwen3.8-Max acepta texto e imágenes y devuelve texto, lo cual es una diferencia real de capacidad, no de formato.

• Licencia — Beam 1.0 es Apache 2.0, sin límites de usuarios y sin un nivel comercial separado. La generación Qwen 3.8 es mixta: el checkpoint central de 2.4T Max se puede descargar bajo una licencia personalizada, el denso 27B bajo Apache 2.0, y el propio Max insignia no tiene pesos en absoluto.

• Precio — no publicado para Beam 1.0 en ninguna de las propiedades propias de Reflection, y registrado como no disponible en la página de Artificial Analysis para el modelo. $2.00 y $6.00 por millón de tokens para Qwen3.8-Max, publicados por Alibaba y listados en nuestra propia ruta con las mismas cifras.

• Puntuación independiente — Artificial Analysis Intelligence Index v4.3.2 sitúa a Beam 1.0 en 30, en el puesto 19 de 120 en su clase de comparación. El mismo índice sitúa a Qwen3.8-Max (0902) en 45, en el puesto 33 de 217, y AA ha evaluado la línea Max en más de una versión, con la cifra variando entre ellas.

• Velocidad — no disponible para Beam 1.0; la página registra la velocidad de salida como desconocida, porque no hay un endpoint público para medirla. 38,8 tokens de salida por segundo para Qwen3.8-Max, que AA describe como notablemente lento para su nivel.

Qué cambiaron realmente los dieciséis días entre el anuncio y el lanzamiento

Vale la pena describir la brecha con precisión, porque es el tipo de cosa que queda aplanada una vez que los pesos salen.

La publicación de lanzamiento de Reflection decía que los pesos, el informe técnico, la ficha del modelo y los artefactos para desarrolladores llegarían «más adelante este mes», y prometía Apache 2.0. Entre el 5 y el 16 de octubre, lo único que un lector podía hacer con Beam 1.0 era unirse a una lista de espera. El modelo tenía una tabla de referencia, una cuenta de entrenamiento publicada —23,8 billones de tokens en 6.144 GB300 NVL72 GPUs en menos de cuatro semanas, una etapa de RL en 10.500 GB300s, más de 100 millones de rollouts— y ninguna descarga.

Luego, el 16 de octubre, aparecieron tres variantes de cuantización y un modelo borrador en una colección de Hugging Face, y la tarjeta llegó con una tabla de evaluación completa para las tres precisiones. Para un lector que decide qué ejecutar, la consecuencia importante no son las cifras del benchmark, que siguen siendo de Reflection y no se han reproducido. Es que el modelo pasó de la categoría «anunciado» a la categoría «a tu disposición para inspeccionar, cuantizar, ajustar y servir». Una licencia que puedes ejercer es un activo distinto de una licencia que te han prometido.

Qwen 3.8 tomó la ruta opuesta hacia el mismo lugar. Alibaba inauguró la generación con un modelo insignia de pago y en servicio el 3 de agosto de 2026, y publicó los pesos por etapas después: el núcleo de 2.4T el 12 de agosto, el modelo denso de 27B el 14 de agosto y la vista previa de Flash-Next más tarde ese mes. Nadie tuvo que esperar a que se cumpliera una promesa, porque lo que se podía comprar llegó primero y lo que se podía descargar llegó en segundo lugar.

Las dos situaciones de precios no son simétricas.

Qwen3.8-Max es una de nuestras rutas. Se sitúa en $2.00 por millón de tokens de entrada y $6.00 por millón de tokens de salida, con un contexto de un millón de tokens, al precio de lista del proveedor trasladado sin ningún margen adicional, así que si Alibaba modifica esa tarifa, tu factura cambia el mismo día en lugar de en la siguiente renovación de contrato. Eso es lo que significa en la práctica que "el modelo tiene un precio", y es la razón por la que este artículo puede poner delante del lector una cifra calculada para un lado de la comparación y no para el otro.

Beam 1.0 no tiene ese número. Doce días después del anuncio era una vista previa con lista de espera y un muro de registro; el 16 de octubre se convirtió en una descarga. Ninguno de los dos estados tiene una tarifa asociada. Cualquier cifra en dólares que veas citada para Beam 1.0 es la estimación de hardware de alguien, y la tarjeta no proporciona ninguna recomendación de servicio, ningún requisito mínimo de hardware ni ninguna cifra de rendimiento a partir de la cual estimar. La fila de precio es el mayor agujero en la documentación del modelo, y es un agujero que un recuento de parámetros de 501B hace costoso de llenar.

Existe una versión de esta comparación en la que los tamaños plantean por sí solos el argumento del coste: 23,4B de parámetros activos frente a unos supuestos 95B es una proporción de cuatro a uno en cómputo por token, y si el modelo más pequeño tuviera un precio asignado, bien podría ser el más barato de ejecutar. Ese argumento no puede esgrimirse aquí, porque una de sus partes no tiene tarifa. Lo que sí puede decirse es que un modelo con un precio publicado y un modelo con una licencia publicada están ambos, en sentidos distintos, listos para usarse, y quien compra necesita ambas filas para elegir.

Capacidad, con el aprovisionamiento adjunto

La ficha de Beam 1.0 reporta SWE-bench Verified 81,6 % en el checkpoint BF16, Terminal Bench v2.1 en 80,1, SWE Bench Pro v1 en 66,1, DeepSWE v1.1 en 43,3, GPQA Diamond en 90,6, AIME 2026 en 97,7, LiveCodeBench en 88,3, MCP Atlas en 80,8, LongBench v2 en 67,5 e IFBench en 79,6, con las cifras de FP8 y NVFP4 normalmente uno o dos puntos por debajo. El posicionamiento de Reflection es cuidadoso: describe a Beam como competitivo con modelos abiertos más grandes y acercándose a Qwen 3.8-Max, igualando a GLM-5.2 en razonamiento mientras usa tres o cuatro veces menos cómputo de inferencia, y reconoce que Kimi K3 sigue liderando en capacidad bruta. Todo es reportado por el proveedor y nada de ello ha sido reproducido por un tercero.

Las cifras de Qwen3.8-Max provienen de dos direcciones. Alibaba reporta las suyas propias, incluido un 86,6 % en Terminal Bench 2.1, y las hojas de precios empresariales que acompañan al lanzamiento de un buque insignia. El compuesto independiente de Artificial Analysis es la fila más útil: 45 en Intelligence Index v4.3.2, lo que sitúa al modelo muy por encima de la mediana de su clase de comparación de 27, pero por debajo de la frontera, y una velocidad de salida medida de 38,8 tokens por segundo que AA describe como lenta incluso frente a una mediana de nivel cercana a 88. Un buque insignia que está 15 puntos por delante de Beam 1.0 en el mismo índice independiente y cuesta 2,00 $ por interactuar con él es una propuesta diferente de uno que va por delante en la tabla del propio proveedor.

El único número que zanjaría el debate sobre la eficiencia —tokens por unidad de energía o por dólar de cómputo, medidos en hardware idéntico— no existe para ninguno de los dos modelos. El gráfico de apoyo de Reflection aproxima los FLOPs como aproximadamente el doble del número de parámetros activos multiplicado por los tokens generados y afirma en su propio pie de figura que esto excluye el prefill, la atención y la sobrecarga de servicio. Eso es una divulgación honesta de un límite, y aun así no es una medición.

Para qué sirve cada uno

Recurre a Qwen3.8-Max cuando necesites algo que se pueda invocar y que rinda cuentas. Hay una tarifa, una cifra de contexto y una puntuación independiente, lee imágenes además de texto, y responde con una clave que puedes tener hoy mismo. Los costes son honestos: es caro, a 2,00 $ y 6,00 $ por millón de tokens, y la medición independiente indica que es lento para su clase, así que una carga de trabajo de alto volumen notará ambas cosas. Los pesos abiertos de la generación existen, pero el checkpoint que respalda el nombre del modelo insignia está bajo una licencia personalizada y tiene escala de centro de datos, así que alojar por tu cuenta exactamente lo que estás comprando no es la vía de escape que parece.

Opta por Beam 1.0 cuando quieras ser dueño de todo el stack. Apache 2.0 con tres niveles de cuantización, un contexto de 1 M de tokens, un presupuesto de razonamiento siempre activo que ajustas en lugar de activar o desactivar, y una tabla de evaluación orientada a la programación y al trabajo agéntico. El precio de tener ese control es todo lo que lo rodea: una factura de servicio que tienes que estimar tú mismo, un número de parámetros que hace que la estimación sea elevada, y ninguna puntuación independiente con la que contrastar la tabla del proveedor — la cifra de 30 del Intelligence Index es real y de terceros, pero es un solo compuesto, no una verificación por benchmark.

Y para el caso mixto —un equipo que quiere los pesos abiertos con el tiempo, pero necesita un endpoint este trimestre—, la respuesta habitual es ambos: enrutar el trabajo a través de un modelo servido a una tarifa publicada mientras se construye el despliegue autoalojado y se evalúa con tus propias tareas. OrcaRouter ejecuta más de 200 modelos detrás de una única clave compatible con OpenAI, con conmutación por error automática entre proveedores, por lo que una implementación autoalojada puede recibir una fracción del tráfico y devolver el resto cuando se degrade, y no se requiere un segundo contrato para probar un modelo al que no te has comprometido.

Qué ver a continuación

Una sola cosa cambia esta página, y es una única fila. Si Reflection o un socio de servicio publica una tarifa de Beam 1.0 —para la API, o para un despliegue alojado de FP8 o NVFP4—, entonces la comparación se convierte en aritmética: 23,4B parámetros activos frente a unos 95B según los rumores, dos puntuaciones de índice independientes y dos precios. Esa es una página que vale la pena leer. Hasta entonces, el resumen veraz es que Reflection entregó la mitad que había prometido, A​libaba entregó la mitad que había cotizado, y ambos modelos están esperando la otra mitad.

Esa brecha entre lo que mide un marcador y lo que encuentra un despliegue es la razón por la que el registro importa: los fallos de IA documentados y los incidentes de agentes en torno a modelos de esta clase se recopilan en el OrcaRouter AI Incident Archive, donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.