Beam 1.0 vs Clef Flash: Satu Menulis Kode, Satu Tidak Bisa Menulis Kalimat

Tempatkan Beam 1.0 dan Clef Flash berdampingan dan perbandingannya tampak absurd sampai Anda menyadari apa sebenarnya pokok persoalannya. Beam 1.0 adalah model mixture-of-experts milik Reflection dengan 501,3 miliar parameter, dirilis dengan bobot Apache 2.0 pada 16 Oktober 2026 dan dibuat untuk pengkodean, penalaran, dan pekerjaan agentik jangka panjang; model ini membaca teks dan menulis teks. Clef Flash dari Cloudflare adalah model dengan 9 miliar parameter yang sama sekali tidak memiliki jalur keluaran teks — bukan jalur yang terdegradasi, melainkan tidak ada. Model ini menerima state plus skema pertanyaan bertipe dan mengembalikan probabilitas untuk setiap jawaban yang diizinkan. Halaman mana pun yang memeringkat keduanya satu sama lain berdasarkan skor benchmark telah salah memahami keduanya. Pertanyaan yang berguna adalah slot mana dalam pipeline yang ditempati masing-masing, karena dalam sistem yang dibangun dengan baik keduanya bukan pesaing; keduanya adalah tahap yang berdekatan.

Kedekatan itu layak dipahami secara tepat, karena hal itu menjelaskan sekelas kegagalan produksi yang tidak terungkap oleh tolok ukur model tunggal mana pun: parser yang Anda pasang paksa ke model chat karena hanya itu yang Anda punya, dan jawaban kelima puluh satu dari seratus yang tidak cocok dengan skema Anda.

Apa yang sebenarnya dikembalikan oleh setiap model

Mulailah dengan bentuk output, karena segala hal lainnya mengikuti dari itu.

• Beam 1.0 — teks bentuk bebas, dengan penalaran wajib. Tingkat upaya yang didukung adalah low, medium, high, xhigh, dan max, dengan max sebagai default, sehingga konfigurasi bawaan berpikir paling lama. Penalaran, pemanggilan alat, dan output terstruktur semuanya didukung, dan output terstruktur plus skema JSON adalah hal terdekat yang bisa dicapai Beam menuju hasil yang dibatasi.

• Clef Flash — distribusi atas himpunan jawaban yang dideklarasikan. Dokumentasi Cloudflare menjelaskan forward pass yang memberi skor pada setiap opsi yang diizinkan; tidak ada langkah generasi dan karenanya tidak ada langkah penguraian. Kerangka dari vendor sendiri adalah bahwa ini adalah model keputusan, dan produk kedua dalam rilis tersebut adalah platform fine-tuning pembelajaran penguatan untuk membangun lebih banyak model semacam itu.

Perbedaan praktisnya adalah apa yang terjadi ketika masukan berada di luar cakupan. Model teks yang ditanya sesuatu di luar kompetensinya akan menghasilkan prosa yang meyakinkan, dan sistem Anda harus menyadarinya. Clef Flash akan menghasilkan probabilitas yang berjumlah satu di antara pilihan-pilihan yang Anda berikan, yang berarti masukan di luar cakupan muncul sebagai distribusi datar alih-alih kalimat yang masuk akal — asalkan Anda membangun ambang batas untuk itu, yang tidak disediakan vendor. Tabel terbitan Cloudflare sendiri menunjukkan kasus tersebut sebagai sel terlemah model itu.

Evaluasi-evaluasi tersebut tidak tumpang tindih, dan itulah temuannya.

Skor Clef Flash berasal dari Jev Decision Index dan serangkaian suite khusus keputusan, semuanya dijalankan oleh Cloudflare, dan beberapa dijalankan terhadap benchmark milik pesaing — Jev diterbitkan oleh TypeSafe, vendor model yang menjadi pembanding bagi Clef Flash. Pada suite-suite itu, angkanya kuat: BFCL case-exact 98,8, API-Bank 93,1, simulasi peralatan rumah tangga 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Clef Flash sedikit mengungguli Clef 27B yang lebih besar pada BFCL, API-Bank, dan suite peralatan rumah tangga, yang terakhir dengan selisih empat belas poin. Tidak ada satu pun dari semua itu yang telah direproduksi secara independen.

Rezim evaluasi Beam berbeda secara mendasar. Kartu model Reflection melaporkan tolok ukur agentik dan rekayasa perangkat lunak — SWEBench Verified 81,6, Terminal Bench v2.1 80,1, DeepSWE v1.1 43,3, GPQA Diamond 90,6 pada checkpoint BF16 — semuanya dilaporkan vendor. Satu-satunya angka dari pihak luar adalah Artificial Analysis, yang mencantumkan Beam 1.0 pada Intelligence Index 30, peringkat kesembilan belas dari 120 model pada versi indeks v4.3.2, dan tidak mencatat harga maupun kecepatan karena masih melihat "Tidak ada API yang tersedia untuk publik" untuk model tersebut. Tidak ada apa pun di kolom Clef Flash yang bersesuaian dengan Intelligence Index, dan tidak ada apa pun di kolom Beam yang bersesuaian dengan skor router case-exact. Keduanya tidak berada pada sumbu yang sama.

Yang dapat Anda bandingkan adalah struktur biaya, dan di sini keduanya berada di kutub yang berlawanan. Cloudflare menyediakan hosting untuk Clef Flash di Workers AI dengan tarif $0,038 per juta token masukan, dengan token keluaran ditagih nol karena memang tidak ada — sekitar seperenam dari $0,24 yang dikenakan daftar tarif yang sama untuk Clef 27B yang lebih besar, dan sedikit di bawah $0,042 yang kami kenakan untuk model keputusan yang menjawab bentuk permintaan yang sama. Beam 1.0 tidak memiliki harga per juta token yang dipublikasikan sama sekali — dokumentasi Reflection memuat halaman batas laju yang lengkap dan tidak memuat daftar tarif. Hosting mandiri adalah satu-satunya jalur yang memiliki harga, dan dimulai dari empat GPU N​VIDIA B300.

Di mana masing-masing berada dalam sistem nyata

Jawaban jujurnya adalah bahwa Clef Flash menggantikan langkah yang mungkin Anda lakukan dengan buruk, dan Beam 1.0 menggantikan langkah yang mungkin Anda lakukan dengan mahal.

Target Clef Flash adalah klasifikasi, perutean, gating, dan triase di dalam loop agen — di mana pun output yang benar merupakan salah satu dari sekumpulan label yang diketahui dan biaya dari jawaban yang cacat adalah pengecualian di hilir. Profil latensinya yang dipublikasikan, sekitar 38,8 ms median dan 122,4 ms pada p95, adalah bagian yang penting di sana, karena diukur dalam rezim di mana waktu-ke-token-pertama model teks tidak.

Target Beam 1.0 adalah pekerjaan itu sendiri: menyelesaikan masalah GitHub, beroperasi di CLI, menjalankan alur kerja alat multi-langkah. Argumen yang dibuat Reflection adalah efisiensi token daripada kemampuan puncak — kartu model mengklaim kualitas solusi yang sebanding dengan model terbuka terkemuka dengan token penalaran waktu inferensi sekitar tiga kali lebih sedikit, dan dukungan terkuat untuk itu adalah Artificial Analysis mencatat 79M token keluaran untuk Beam di seluruh Intelligence Index dibandingkan median 130M, peringkat sepuluh dari empat puluh enam pada ukuran itu. Pada jalannya agen yang panjang di mana setiap giliran memutar ulang percakapan sebelumnya, itulah item baris yang bertambah secara majemuk.

Tidak ada satu pun yang ada di katalog kami, dan kami tidak akan menyiratkan sebaliknya. Clef Flash berjalan di GPU edge milik Cloudflare sendiri dan bobot Apache-2.0 menjadi milik Anda untuk di-hosting sendiri; bobot Beam 1.0 tersedia di Hugging Face di bawah lisensi Apache 2.0 dengan API pihak pertama yang belum memiliki harga yang dipublikasikan.

Alasan untuk menjaga keduanya tetap dapat dijangkau

Pipeline yang menggunakan model keputusan di gerbang dan model penalaran di belakangnya adalah arsitektur yang secara tegas lebih baik daripada pipeline yang menggunakan satu model chat untuk keduanya, dan biaya membangunnya dengan cara itu adalah biaya operasional dari dependensi kedua — kontrak kedua, rangkaian kunci kedua, mode kegagalan kedua. Itulah bagian yang dihilangkan oleh router, bukan bagian modelnya.

Jika langkah gate di sistem Anda adalah yang dijelaskan Clef Flash, padanan terdekat yang sudah dirutekan adalah Jev 1.13 milik TypeSafe — model yang dipilih Cloudflare sebagai mitra benchmarknya, kompatibel API dengan bentuk permintaan Clef Flash, dan di katalog kami dengan harga $0,042 per juta token masukan dengan keluaran ditagih nol dan konteks 65.536 token.

Untuk tahap penalaran di balik gerbang, katalog kami memuat model-model yang menjadi acuan ukuran Beam: GLM-5.2 dengan $1,40 dan $4,40 per juta token dengan jendela 1.000.000 token, Kimi K3 dengan $3,00 dan $15,00 dengan 1.048.576, dan Qwen3.8-Max dengan $2,00 dan $6,00. Satu kunci yang kompatibel dengan OpenAI mencakup semuanya, harga daftar penyedia diteruskan tanpa tambahan apa pun, dan failover otomatis berarti tahap gerbang tidak mati karena satu penyedia mengalami gangguan sesaat.

Anda juga dapat mempertahankan kedua tahap pada model yang berbeda tanpa harus memilih salah satunya: aturan perutean yang mengirim lalu lintas klasifikasi skema ke endpoint keputusan dan pekerjaan teks bebas ke model penalaran adalah kasus biasa bagi routing DSL, dan ini berarti akurasi tahap keputusan serta biaya tahap penalaran dapat disetel secara independen alih-alih dipertukarkan di dalam jumlah parameter satu model.

Yang mana yang sebenarnya sedang kamu cari

Jika Anda sampai di sini karena agen Anda kadang-kadang mengeluarkan blob JSON yang ditolak parser Anda, Anda tidak menginginkan model 501 miliar parameter. Anda menginginkan model keputusan, dan pertanyaan yang perlu diajukan adalah apakah himpunan jawaban Anda benar-benar dapat dienumerasi dan apa kebijakan abstain Anda — karena Clef Flash memberi Anda probabilitas, bukan penolakan.

Jika Anda sampai di sini karena tagihan agen pengkodean Anda didominasi oleh token penalaran yang tidak dapat Anda lihat, Anda tidak menginginkan pengklasifikasi 9 miliar parameter. Anda menginginkan Beam 1.0, atau salah satu model yang menjadi tolok ukurnya, dan pertanyaan yang perlu diajukan adalah apakah Anda dapat menghostingnya atau apakah Anda menunggu daftar harga yang belum dipublikasikan.

Satu hal yang benar dari pembingkaian head-to-head adalah bahwa keduanya adalah taruhan pada tesis yang sama dari ujung yang berlawanan: bahwa bagian yang mahal dari sebuah agen bukanlah jawabannya, melainkan segala hal di sekitarnya. Jawaban Cloudflare adalah menghilangkan generasi dari langkah-langkah yang tidak pernah membutuhkannya. Jawaban Reflection adalah membuat generasi lebih murah per token pemikiran. Jika diterapkan bersama, keduanya lebih murah daripada salah satunya diterapkan sendiri, yang merupakan hasil lebih baik daripada yang akan diberitahukan oleh tabel benchmark masing-masing vendor.

Tidak ada satu pun dari itu yang hipotetis: kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, peringkat keyakinan, dan penanda status diperdebatkan.