GPT-6.1 Sol vs. Reflection Beam: la afirmación de eficiencia de 3–4×, y las tablas de benchmark que la contradicen

El número más interesante en el material de lanzamiento de Reflection Beam no es una puntuación de benchmark. El anuncio de Reflection del 5 de octubre de 2026 dice que Beam se ejecuta con aproximadamente entre tres y cuatro veces menos FLOPs de inferencia que GLM 5.2 con calidad comparable — una afirmación de eficiencia, hecha contra un rival específico y nombrado, en un mercado donde el costo por token es la restricción bajo la que realmente operan la mayoría de los equipos. También es una afirmación que las propias tablas de benchmark del mismo anuncio complican en lugar de respaldar: en esas tablas Reflection Beam supera a GLM 5.2 en varias suites y queda por detrás de GLM 5.3, Kimi K3 y otros en DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp y DeepSearchQA. Contrasta eso con GPT-6.1 Sol, el lanzamiento de Open​AI del 29 de septiembre de 2026, y obtienes una comparación entre un modelo cuya eficiencia es el argumento y un modelo cuya eficiencia ya está tarificada, medida y publicada.

Ambos modelos son lanzamientos de nivel frontera de 2026, de octubre y de finales de septiembre, respectivamente, y la diferencia en cuánto se puede decir sobre cada uno de ellos es el tema central de este artículo. Todo lo que sigue proviene del material de lanzamiento de Reflection, las páginas de modelos y precios de OpenAI, nuestros propios registros de catálogo y mediciones independientes de Artificial Analysis, consultados el 2026-10-12. Cuando una cifra es del propio proveedor y nadie la ha reproducido, la frase que la contiene lo indica.

Qué es Reflection Beam, hasta donde sabe cualquiera fuera de Reflection

Beam es un modelo de mezcla de expertos de 501 parámetros con 23 mil millones de parámetros activos por token. Esa proporción es la decisión de diseño que vale la pena notar antes que cualquier otra cosa: un MoE de 501B/23B está diseñado para ser económico de servir, porque solo una pequeña fracción del modelo se ejecuta para cualquier token dado. La afirmación de eficiencia en el anuncio no es una sorpresa añadida a la arquitectura — es el propósito declarado de la arquitectura.

• Parámetros totales y activos — 501B en total, 23B activos por token, mezcla de expertos.

• Modalidad — solo texto. Sin visión, sin audio, sin entrada de imagen.

• Contexto — 256.000 tokens en la API beta, con una salida máxima de 128.000 tokens y una fecha de corte de conocimiento del 2026-06-30.

• Pesos — no publicados. Reflection ha dicho que los pesos se publicarán bajo Apache 2.0 más adelante en octubre, lo cual es la cuestión abierta más trascendental sobre este modelo y la razón por la que el lanzamiento es en la práctica una vista previa.

• Precio — ninguno publicado. No hay lista de precios para la API de Beam, así que no aparece ninguna cifra de costo para ella en ningún lugar de este artículo, y cualquier comparación basada en aritmética por token tiene que dejar su columna vacía.

• Evaluaciones comparativas independientes: ninguna. Artificial Analysis no tiene una fila para Reflection Beam, así que cada puntuación de la sección siguiente es una ejecución propia de Reflection, con las propias líneas base de Reflection adjuntas.

Las tablas de proveedores, leídas honestamente

Reflection publicó una serie de comparativas de benchmark junto con el lanzamiento, y la manera honesta de reportarlas es decir lo que muestran en ambas direcciones, porque no muestran una sola dirección.

• Donde gana Beam. En las suites que Reflection eligió destacar, Beam supera a GLM 5.2 — el modelo contra el que se hace la afirmación de eficiencia. Tomado al pie de la letra, es un resultado genuino: mejor rendimiento con aproximadamente un cuarto o un tercio del coste de inferencia es una posición sólida para cualquiera que preste servicio a gran volumen.

• Donde Beam pierde. Las mismas tablas sitúan a Beam por detrás de GLM 5.3, Kimi K3 y otros modelos actuales en DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp y DeepSearchQA. No son suites periféricas; son los benchmarks de ingeniería de software, uso de herramientas e investigación profunda que determinan si un modelo es utilizable como agente autónomo.

Leídas en conjunto, las tablas dicen algo coherente y más limitado que “el estado del arte”: Beam parece ser un lanzamiento sólido de modelo abierto que supera a la generación anterior en el terreno elegido por Reflection y no supera a la generación actual en el terreno agéntico. Eso es algo legítimo para un modelo. No es lo mismo que ser el mejor modelo disponible para trabajo agéntico, y el encuadre del anuncio invita a la lectura más fuerte.

Un punto estructural sobre el propio número de eficiencia, ya que es la cifra principal. Una comparación de FLOPs por token frente a otro modelo es una propiedad de la arquitectura y de la configuración de servicio, no de la calidad del resultado — y una reducción de 3–4× en FLOPs es una cifra medida por el proveedor sin reproducción independiente. Es una razón razonable para esperar que Beam sea barato de servir. No es evidencia de que Beam sea barato de usar, y la diferencia entre esas dos cosas es toda la discusión sobre costos de esta página: un modelo que gasta más tokens para llegar a una respuesta puede ser más barato por FLOP y más caro por tarea al mismo tiempo.

El lado enviado de la comparación

Esta es la asimetría que este artículo existe para documentar. GPT-6.1 Sol entró en funcionamiento en la API de Open​AI el 29 de septiembre de 2026. Tiene una tabla de tarifas publicada — 2,00 $ por millón de tokens de entrada, 10,00 $ por millón de salida, 0,10 $ por entrada en caché, 2,50 $ por escrituras en caché —, una ventana de contexto documentada de 1.050.000 tokens, una salida máxima de 128.000 tokens y una fila de 52 en el Intelligence Index independiente con el máximo esfuerzo de razonamiento y un costo de ejecución de 0,72 $ por tarea.

Esa cifra de coste es la que vale la pena contraponer a la afirmación sobre FLOPs de Reflection. $0.72 por tarea no es un recuento de FLOPs ni una tarifa; es lo que cuesta el trabajo cuando está terminado, medido por un tercero que ejecutó el modelo. Es la cifra que habría que batir para que el argumento de eficiencia de Beam se imponga como argumento de adquisición — y Beam no tiene una cifra equivalente, porque Beam no tiene precio publicado ni ejecución independiente.

Otras dos diferencias son concretas y verificables hoy:

• Contexto y salida — GPT-6.1 Sol documenta 1.050.000 tokens de contexto frente a los 256.000 de Beam en beta, y ambos limitan la salida a 128.000 tokens. Para el trabajo a escala de repositorio o de conjuntos de documentos, eso supone una diferencia de cuatro veces en la cantidad de material que cabe en una sola llamada.

• Modalidad — GPT-6.1 Sol acepta texto, imágenes y archivos; Beam es solo texto. Si tu pipeline lee capturas de pantalla, escaneos o diagramas, Beam no es un candidato, independientemente de sus puntuaciones.

Donde Beam tiene un argumento que GPT-6.1 Sol estructuralmente no puede responder, es el de pesos abiertos. Si los pesos Apache 2.0 llegan en el calendario prometido, un modelo 501B/23B cuyo número de parámetros activos es 23B se convierte en un candidato a autoalojamiento de una forma en la que un modelo propietario nunca podrá serlo. Veintitrés mil millones de parámetros activos es una cifra sobre la que un equipo bien equipado puede razonar; el contexto de 256.000 tokens en beta y la ausencia de pesos publicados son la razón por la que ese argumento tiene que esperar al lanzamiento real en lugar de resolverse en el lanzamiento.

¿Quién debería actuar sobre qué modelo, ahora?

La respuesta práctica varía según lo que estés comprando, y la división es lo bastante clara como para decirla directamente.

Si necesitas un modelo en producción esta semana para codificación agéntica, uso de herramientas o trabajo con documentos de contexto largo, el modelo ya disponible es GPT-6.1 Sol y la decisión es sobre su precio, no sobre su existencia. Su tarifa de salida es el medidor que importa, su tarifa de entrada en caché es inusualmente baja, de $0,10 por millón, y por encima de 272.000 tokens de entrada toda la solicitud se vuelve a tarifar al alza — un umbral que conviene tener en cuenta al diseñar antes de escalar un bucle que lee un prefijo grande. Está en nuestro catálogo a las tarifas de lista de Open​AI con 0% de margen, así que la tarifa de la tarjeta es la tarifa de la factura, y un cambio de precio del proveedor aparece en el catálogo el mismo día en lugar de después del ciclo de actualización de un revendedor: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Si tu interés en Beam es la publicación de pesos abiertos en lugar de la API beta, lo que hay que seguir es la publicación bajo Apache 2.0 que Reflection ha prometido para finales de este mes. Hasta que existan los pesos, cada cifra de capacidad en este artículo es la del proveedor, el precio es desconocido, y ni un plan de autoalojamiento ni una comparación de costos se pueden completar. Si se lanza según lo previsto, Beam se vuelve inmediatamente interesante como el nivel eficiente en una configuración de dos modelos — y esa es una configuración que un endpoint con conmutación automática por error entre más de 200 modelos maneja sin una segunda integración, que es el argumento para probar un modelo no probado en una capa de enrutamiento en lugar de comprometer una ruta de producción con él.

Reflection Beam no es algo que nosotros ofrezcamos. Cuando sus pesos y su API se abran adecuadamente, lo será, como la mayoría de los lanzamientos abiertos, en la plataforma del propio proveedor y varios servicios de terceros, y entonces valdrá la pena reescribir esta página, porque las dos cosas que actualmente no puede decir, cuánto cuesta Beam y cómo puntúa cuando alguien que no es su creador lo ejecuta, son exactamente las dos cosas de las que depende la respuesta.