Beam 1.0 vs Clef Flash：一方はコードを書き、もう一方は一文も書けない

並べてBeam 1.0とClef Flashを比べてみると、それが実際には何についてのものなのかに気づくまでは、その対比はばかげて見える。Beam 1.0はReflectionの5013億パラメータのMixture-of-Expertsモデルで、2026年10月16日にApache 2.0の重みとして公開され、コーディング、推論、長期的なエージェント作業向けに作られており、テキストを読み、テキストを書き出す。CloudflareのClef Flashは90億パラメータのモデルで、テキスト出力の経路をまったく持たない——劣化版というわけではなく、皆無なのだ。状態と型付き質問のスキーマを受け取り、許可されたすべての回答に対する確率を返す。この2つをベンチマークスコアで比較するページは、どちらも誤解している。有用な問いは、それぞれがパイプラインのどのスロットを占めるのかということだ。なぜなら、よく作られたシステムにおいて両者はライバルではなく、隣り合うステージだからだ。

その隣接関係は、正確に理解する価値がある。なぜならそれは、単一モデルのベンチマークでは決して浮かび上がらないある種の本番障害を説明してくれるからだ。つまり、ほかに使えるものがなかったからこそチャットモデルに後付けしたパーサーと、スキーマに収まらなかった100件中の51件目の回答である。

各モデルが実際に返すもの

出力の形から始めましょう。他のすべてはそこから導かれるからです。

• Beam 1.0 — 自由形式テキストで、推論は必須です。サポートされるエフォートは low、medium、high、xhigh、max で、デフォルトは max なので、初期設定では最も長く思考します。推論、ツール呼び出し、構造化出力はすべてサポートされており、構造化出力と JSON スキーマの組み合わせが、Beam が制約付きの戻り値に最も近づく方法です。

• Clef Flash — 宣言された回答集合上の分布。Cloudflare のドキュメントでは、許可された各選択肢をスコア付けするフォワードパスが説明されている。生成ステップは存在せず、したがってパースステップも存在しない。ベンダー自身の位置づけでは、これは意思決定モデルであり、このリリースの2番目の製品は、そうしたモデルをさらに多く構築するための強化学習ファインチューニングプラットフォームだった。

実用的な違いは、入力が範囲外のときに何が起こるかにある。能力の範囲外のことを尋ねられたテキストモデルは自信に満ちた文章を生成するので、システム側がそれに気づかなければならない。Clef Flash は、与えた選択肢全体で合計が 1 になる確率を出力する。つまり、範囲外の入力はもっともらしい文ではなく、平坦な分布として現れる — ただし、そのための閾値を組み込んでいる場合に限るが、ベンダーはそれを提供していない。Cloudflare 自身が公開した表では、そのケースがモデルにとって最も弱いセルとして示されている。

評価は重複しておらず、それが知見である。

Clef Flashのスコアは、Jev Decision Indexと一連の意思決定特化型スイートから得られており、そのすべてはCloudflareによって実行され、いくつかは競合他社自身のベンチマークに対して実行されている——Jevは、Clef Flashが比較評価されるモデルのベンダーであるTypeSafeによって公開されている。それらのスイートでは数値は強力だ：BFCL case-exact 98.8、API-Bank 93.1、家庭用電化製品シミュレーション97.7、ContractNLI macro-F1 84.3、RouterBench 79.9。Clef Flashは、BFCL、API-Bank、および家電スイートで、より大きな27B Clefをわずかに上回り、最後のスイートでは14ポイント上回っている。そのいずれも独立に再現されていない。

Beamの評価レジームは性質が異なる。Reflectionのモデルカードは、エージェント型およびソフトウェアエンジニアリングのベンチマークを報告している — SWEBench Verified 81.6、Terminal Bench v2.1 80.1、DeepSWE v1.1 43.3、BF16チェックポイントでのGPQA Diamond 90.6 — いずれもベンダー報告値だ。唯一の外部の数値はArtificial Analysisで、これはBeam 1.0をIntelligence Index 30、インデックスバージョンv4.3.2で120モデル中19位に位置づけており、また同モデルについて依然として「公開利用可能なAPIはない」と見ているため、価格も速度も記録していない。Clef Flashの列にはIntelligence Indexに対応するものは何もなく、Beamの列にはケース厳密一致のルータースコアに対応するものは何もない。両者は同じ軸上にはない。

比較できるのはコスト構造であり、ここでは両者は両極端にある。CloudflareはClef FlashをWorkers AI上でホストしており、入力トークン100万あたり$0.038、出力トークンは存在しないためゼロで課金される。これは同じ料金表がより大きな27B Clefに課す$0.24の約6分の1であり、同じリクエスト形状に応答する意思決定モデルに対して当社が課す$0.042をわずかに下回る。Beam 1.0には公開された100万トークンあたりの価格が一切ない — Reflectionのドキュメントには完全なレート制限ページがあり、料金表はない。セルフホスティングが唯一の価格設定された経路であり、それは4台のNVIDIA B300 GPUから始まる。

実際のシステムでは、それぞれがどこに属するか

正直に言えば、Clef Flash は、あなたがおそらく下手にやっているステップを置き換え、Beam 1.0 は、あなたがおそらくコストをかけすぎてやっているステップを置き換えます。

Clef Flashの狙いは、エージェントループ内での分類、ルーティング、ゲーティング、トリアージです。つまり、正しい出力が既知のラベル集合のいずれかであり、不正な形式の回答によるコストが下流の例外となるあらゆる場面です。そこで重要なのは、公表されているレイテンシプロファイル、おおよそ中央値38.8 ms、p95で122.4 msという部分です。なぜなら、それはテキストモデルの初回トークンまでの時間が問題にならない条件下で測定されているからです。

Beam 1.0 が狙うのは作業そのものだ。GitHub issue の解決、CLI での操作、複数ステップのツールワークフローの実行。Reflection が提示する論点は、ピーク性能ではなくトークン効率である。モデルカードは、推論時推論トークンが約3分の1で、主要なオープンモデルと同等の解答品質を主張しており、その最も強い裏付けは、Artificial Analysis が Intelligence Index 全体で Beam の出力トークンを79Mと記録したことだ。中央値は130Mで、その指標では46中10位にあたる。毎ターンが以前の会話を再投入するような長いエージェント実行では、これが効いてくる項目になる。

どちらも当社のカタログには掲載されておらず、そうであるかのように示唆するつもりもありません。Clef Flash は Cloudflare 自社のエッジ GPU 上で動作し、Apache-2.0 の重みは自社でセルフホストできます。Beam 1.0 の重みは Apache 2.0 の下で Hugging Face に公開されており、ファーストパーティ API を備えていますが、価格は公表されていません。

両方を到達可能に保つ理由

ゲートで決定モデルを使い、その背後で推論モデルを使うパイプラインは、両方に単一のチャットモデルを使うものよりも厳密に優れたアーキテクチャであり、そのように構築するコストは2つ目の依存関係の運用コスト——2つ目の契約、2つ目の鍵セット、2つ目の障害モード——である。ルーターが取り除くのは、モデルの部分ではなく、その部分だ。

システム内のゲートステップがClef Flashの説明するものと一致するなら、最も近い既存のルーティング済み相当品はTypeSafeのJev 1.13です — Cloudflareがベンチマークの比較対象として選んだモデルで、Clef Flashのリクエスト形式とAPI互換であり、当社のカタログでは入力100万トークンあたり$0.042、出力の課金はゼロ、コンテキストは65,536トークン。

ゲートの背後にある推論ステージ向けに、当社のカタログにはBeamが比較対象としているモデルが揃っています。GLM-5.2は100万トークンあたり$1.40と$4.40、ウィンドウは1,000,000トークン、Kimi K3は$3.00と$15.00で1,048,576、Qwen3.8-Maxは$2.00と$6.00です。OpenAI互換のキー1つでそのすべてをカバーし、プロバイダーの定価は上乗せなしでそのまま適用されます。そして自動フェイルオーバーにより、あるプロバイダーが一時的に不調でもゲートステージが停止することはありません。

また、どちらか一方に決め打ちすることなく、2つのステージを別々のモデル上に維持しておくこともできます。スキーマ分類のトラフィックを決定エンドポイントへ、フリーテキストの作業を推論モデルへ送るルーティングルールは、ルーティングDSLではごく普通のケースであり、これにより、決定ステージの精度と推論ステージのコストを、1つのモデルのパラメータ数のなかでトレードオフさせるのではなく、独立に調整できます。

実際にあなたが購入しようとしているのはどちらですか？

もしあなたがここにたどり着いた理由が、エージェントがときどきパーサーに拒否されるJSONブロブを出力するからだとしても、あなたが欲しいのは5010億パラメータのモデルではない。欲しいのは意思決定モデルであり、問うべきは、自分の回答集合が本当に列挙可能かどうか、そして棄権ポリシーはどうなっているかだ——なぜならClef Flashが返すのは確率であって、拒否ではないからだ。

コーディングエージェントの請求額が、目に見えない推論トークンによって大部分を占めているからここにたどり着いたのなら、あなたが欲しいのは90億パラメータの分類器ではない。欲しいのは Beam 1.0、あるいはそれが比較対象として測定されているモデルの一つであり、問うべきは、それを自分でホストできるのか、それともまだ公表されていない料金表を待っているのか、ということだ。

直接対決の構図が正しく捉えている唯一の点は、両者が同じ命題に対して正反対の端から賭けているということだ。つまり、エージェントでコストがかかる部分は答えではなく、その周辺のすべてだという命題だ。Cloudflareの答えは、生成がそもそも必要なかったステップから生成を取り除くこと。Reflectionの答えは、思考のトークンあたりの生成コストを安くすることだ。両方を一緒に導入すれば、どちらか片方だけを導入するよりもコストは低くなる。これは、どちらのベンダーのベンチマーク表が示すよりも良い結果だ。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。