Beam vs Beam 1.0: 버전이 아닌 버전 번호

제품과 그 전신처럼 보이는 두 모델 이름 — Beam과 Beam 1.0 — 을 검색해 보면, 존재하지 않는 비교 글이 나올 것입니다. 이전 Beam을 대체한 Beam 1.0은 없고, 그 뒤를 잇는 Beam 1.1도 없으며, 독자가 아직도 실행하고 있을 법한 더 오래된 체크포인트도 없습니다. Reflection은 2026년 10월에 오픈 가중치 모델 하나를 공개했고, 자사 문서에서는 이를 Beam이라고 부르며, 리포지터리와 호스팅 엔드포인트는 Beam-1.0-501B-A23B라는 식별자 아래에 등록했습니다. 두 레이블은 모두 동일한 5,013억 개 파라미터의 희소 전문가 혼합 모델을 가리킵니다. 버전 번호는 배포 태그일 뿐, 세대가 아닙니다.

그건 각주처럼 들린다. 하지만 아니다. 버전 접미사는 전파되는 부분이기 때문이다. 그것은 모델 ID로, 라우터 구성으로, 비용 대시보드로, 그리고 누군가 공급업체 옵션을 비교하면서 Beam이라고 표시된 행과 Beam 1.0이라고 표시된 행이 두 가지 옵션인지 아니면 잘못된 가져오기로 중복된 하나인지 구분하지 못하는 스프레드시트로 들어간다. 정체성을 제대로 확립하는 것이 바로 비교의 전부이며, 이는 사양서보다 더 유용한 것으로 드러난다. 그것은 그 대상이 카탈로그에서 어떻게 동작할지, 그리고 무엇에든 연결하기 전에 무엇을 확인해야 할지 알려준다.

각 레이블이 실제로 어디에서 오는지

이 구분은 임의적이지 않습니다. 각 형태에는 출처가 있으며, 어느 것이 어느 것인지 아는 것이 바로 같은 모델이 두 이름으로 나타나는 것을 알아볼 수 있게 해줍니다:

• "Beam" — 벤더가 산문에서 사용하는 이름입니다. 출시 게시물의 제목은 "Beam: Reflection의 501B 오픈 웨이트 모델 소개"이고, 10월 16일 제공 게시물의 제목은 "Beam이 이제 제공됩니다"이며, Hugging Face 컬렉션은 beam-10입니다. 이는 프레임워크 생태계가 채택한 것이기도 합니다: SGLang 쿡북은 벤더 항목 아래에 이를 "Beam 1.0 — New"로 기재하며, 프로덕션에서 이를 서빙하는 프로젝트 계정도 "Beam"이라고 부릅니다.

• "Beam-1.0-501B-A23B" — 머신 식별자입니다. Reflection 자체의 OpenAI 호환 엔드포인트에 있는 모델 ID이며, 빌더에게 필요한 세 가지 사실을 그대로 담고 있습니다: 하나의 모델, 첫 번째 릴리스, 총 파라미터 5010억 개, 활성 230억 개. 하이픈은 없어서는 안 됩니다. 이것은 검색할 이름이 아니라 붙여넣을 문자열입니다.

• "Beam 1.0" — 해당 식별자를 사람이 읽을 수 있게 표현한 것이며, 카탈로그 목록, 모델 디렉터리 페이지, 서드파티 요약에 표시되는 형식입니다. 식별자가 드롭다운용으로 보기 좋게 다듬어졌을 때 얻는 결과가 바로 이것입니다.

그러니까 두 검색어는 두 개의 모델이 아니다. 그 둘은 공급업체의 용어와 하나의 저장소 이름에 대한 카탈로그의 표기이다.

실제로 문제가 되는 결과: 이름으로 매칭하기

그 이후의 모든 다운스트림 — 라우팅 규칙, 허용 목록, 청구 내보내기, 평가 하네스 — 은 그 문자열을 기준으로 매칭되며, 그 문자열은 붙여넣을 위치마다 안정적이지 않습니다. 이어서 세 가지 실질적인 함정이 있으며, 그중 어느 것도 가상의 것이 아닙니다:

• "Beam"에 대해 작성된 규칙은 "beam-1.0-501b-a23b"와 일치하지 않으며, 식별자에 대해 작성된 규칙은 표시 이름을 저장한 카탈로그와 일치하지 않습니다. 대소문자와 구두점은 플랫폼마다 다르며, 이를 대신 조정해 주는 것은 아무것도 없습니다.

• 표시 이름을 기준으로 그룹화하는 비용 대시보드는 공급자가 렌더링 방식을 바꾸는 순간 하나의 모델을 두 개의 항목으로 표시하게 되며, 합계는 청구서와 일치하지 않습니다.

• 두 용어를 모두 검색해 만든 비교 스프레드시트는 모델을 중복 집계하게 되는데, 이는 바로 이 글이 막고자 하는 실패입니다. Beam에 대한 행과 Beam 1.0에 대한 행이 있다면, 모델은 하나인데 행은 두 개인 것입니다.

해결책은 화려하지 않습니다: 식별자를 고정하고, 표시 이름은 레이블로 취급하며, 가격이나 벤치마크 비교는 드롭다운에 적힌 내용이 아니라 식별자를 기준으로 삼는 것입니다. 이는 가격 질문에도 마찬가지입니다 — Beam 1.0은 엔드포인트나 발표문 어디에도 백만 토큰당 공개된 요금이 전혀 없으므로, 아직 어느 행에도 넣을 숫자가 없습니다.

정말로 실질적인 차이를 담고 있는 버전

이번 릴리스에는 실질적인 차이점들이 있으며, 그중 어느 것도 모델 이름에 있지 않습니다. 그것들은 여러분이 선택하는 아티팩트에 있습니다. 그리고 바로 이 지점이 "Beam vs Beam 1.0" 쿼리가 실제로 가리키는 곳입니다:

• BF16 vs FP8 vs NVFP4 — 188개의 safetensors 샤드 전체에 걸쳐 933.81 GiB, E4M3로 468.72 GiB, 또는 273 GiB의 패킹된 4비트 빌드. 세 가지 모두 총 501.3B, 활성 23.4B로 동일하며, 차이는 각각이 요구하는 하드웨어 하한입니다. 16개 GPU에서 NVLink의 B300 4개까지입니다.

• 베이스 대 드래프터 — DFlash2는 Beam의 변형이 아니라, 자체 저장소로 공개된 별도의 1.93B 매개변수 추측 디코딩 모델입니다. 그것 없이 배포하는 것은 "업데이트 없는 Beam 1.0"이 아니라, 동일한 모델을 다르게 디코딩한 것입니다.

• 호스팅형 대 다운로드형 — 하나의 식별자, 두 가지 제공 경로: Apache 2.0에 따른 체크포인트, 그리고 필수 추론, low에서 max까지의 추론 강도(max가 기본값), 모든 키에 걸쳐 공유되는 조직 전체 한도를 갖춘 OpenAI 호환 엔드포인트.

두 팀이 자신들이 실행 중인 "어떤 Beam 1.0"인지를 두고 의견이 갈린다면, 그 불일치는 거의 항상 버전 번호가 아니라 그 세 축 중 하나에 관한 것이다.

올바른 날짜에 공급업체의 수치 읽기

레이블 사이에서 한 가지가 더 바뀌는데, 이는 명명상의 부산물이라기보다 실제 혼란의 원인이다. Reflection은 자사의 벤치마크 표를 한 번 이상 공개했고, 페이지 버전들 사이에서 수치가 달라졌다. 10월 5일 발표에는 한 세트가 실렸고, 같은 글의 한 주석에는 10월 8일 업데이트가 기록되어 있으며, 현재의 모델 카드는 최신 수치를 반영한다. 차이는 작고 대부분 세 번째 유효 숫자에 있지만 — SWE Bench Pro v2-Hard의 한 구성은 이전 표에서 77.2로, 현재 카드에서는 78.6으로 표시된다 — 두 기사가 "벤더의 수치"를 인용하면서 각자 날짜 기준으로는 정확하면서도 서로 불일치할 수 있을 만큼 크다.

변하지 않은 것은 결과의 형태입니다. 아래의 모든 수치는 공급업체가 보고한 것이며 우리가 재현한 것이 아니고, temperature 0.7과 top_p 0.99에서 측정되었습니다. 그리고 세 가지 정밀도를 모두 나열한 이유는 그 사이의 편차가 이 이야기의 일부이기 때문입니다:

• SWE Bench Verified — 81.6 BF16, 80.2 FP8, 80.7 NVFP4. 대표적인 코딩 수치이자, 정밀도가 거의 영향을 미치지 않는 항목.

• Terminal Bench v2.1 — 80.1 BF16, 78.9 FP8, 78.4 NVFP4. 에이전트형 터미널 작업으로, FP8 빌드는 약 1.5점을 손해 본다.

• AIME 2026 — 97.7 BF16, 98.0 FP8, 97.5 NVFP4. 모든 정밀도에서 사실상 포화 상태이므로, 이들 사이를 구분하는 데에는 약한 지표가 됩니다.

• GPQA Diamond — 90.6 BF16, 90.3 FP8, 89.3 NVFP4. NVFP4 빌드가 가장 뚜렷하게 뒤처지는 예이며, 약 1.3점 차이입니다.

일관된 패턴은 양자화가 코딩 및 추론 벤치마크에서는 손실이 거의 없고 지식 중심 벤치마크에서는 약간 더 크며, FP8이 때때로 BF16을 완전히 앞지르기도 한다는 점이다. 이는 정밀도를 리더보드 기준이 아니라 하드웨어 기준으로 선택해야 하는 이유다. 또한 어떤 표를 인용했는지 적어 두어야 하는 이유이기도 하다. "Beam"이라고 표시된 행과 "Beam 1.0"이라고 표시된 행은 어느 쪽도 틀리지 않으면서 실제로 다른 숫자를 담을 수 있으며, 둘을 구분하는 것은 버전 접미사가 아니다. 날짜다.

이들 중에서 선택할 때 이것이 의미하는 바

Beam과 Beam 1.0 사이에서 내릴 결정은 없습니다. 모델은 하나뿐이기 때문입니다. 실제로 여러분 앞에 놓인 결정은 세 부분으로 이루어져 있고, 각각에는 답이 있습니다:

• 자체 하드웨어에서 오픈 체크포인트가 필요하다면 — 선택지는 하나, 정밀도는 세 가지이며, 그중 어느 것을 고를지는 하드웨어 문제입니다. NVFP4에는 B300 4대, FP8에는 H200 8대, BF16에는 장치 16대가 필요하며, 장치 수는 256개 전문가를 나누어떨어뜨릴 수 있어야 합니다.

• 호스팅 엔드포인트가 필요하다면, 문서화된 계약을 갖춘 것은 자사 API뿐이며, 현재 공개된 가격이 없기 때문에 아직 비용을 기준으로 조달 비교를 완료할 수 없습니다.

• 이미 호출하고 있는 모델 옆에 이것이 필요하다면 — Beam 1.0은 저희 라우트 중 하나가 아니므로 저희가 대신 제공해 드릴 수 없으며, 여기의 어떤 내용도 저희의 가용성 주장으로 해석되어서는 안 됩니다. 저희가 할 수 있는 일은 그 주변의 의사 결정 비용을 낮게 유지하는 것입니다. OrcaRouter는 200개 이상의 모델에 걸쳐 하나의 OpenAI 호환 키를 사용하며, 제공업체의 정가를 그대로 전달하고 아무것도 더하지 않으며, 제공업체 간 자동 페일오버를 제공합니다, 따라서 Beam 1.0 파일럿은 프로덕션 트래픽을 대체하는 것이 아니라 그와 나란히 자리잡게 되고, 폴백 경로는 마이그레이션이 아니라 라우팅 규칙이 됩니다.

폴백이 가장 그럴듯하게 선택하게 될 모델들은, 우리 자체 카탈로그와 공개된 요금표를 기준으로 하면:

• GLM-5.2 — 백만 입력 토큰당 $1.40, 백만 출력 토큰당 $4.40이며 1,000,000토큰 윈도우를 제공합니다. Reflection이 자체 효율성 주장을 견주는 기준이 되는 모델입니다.

• Kimi K3 — 입력 100만 토큰당 $3.00, 캐시 $0.30, 출력 $15.00, 1,048,576토큰 윈도우. Reflection의 출시 게시물은 K3가 순수 성능 면에서 여전히 앞서 있음을 인정한다.

• Qwen3.8-Max — 1,000,000토큰 창에서 입력 100만 개당 $2.00, 출력 $6.00이며, Blackwell 용량을 구매하는 것에 대한 독점 플래그십 대안입니다.

Beam 2.0 대신 무엇을 시청할까요?

세 가지가 이 비교를 진정한 비교로 만들어 줄 텐데, 그중 어느 것도 새로운 버전 번호와는 관련이 없다.

첫 번째는 요금표다. Reflection이 엔드포인트에 백만 토큰당 가격을 공개하기 전까지, 호스팅 방식과 자체 호스팅의 비교는 자본 수치를 아무것도 아닌 것과 견주는 셈이며, 어떤 명명 규율로도 그 문제는 해결되지 않는다.

두 번째는 독립적 측정입니다. Artificial Analysis는 이 모델을 Intelligence Index 30으로 등재하면서 속도 수치도 가격도 밝히지 않았고, 공개적으로 이용 가능한 API도 기록하지 않았습니다. 즉, 이를 측정하는 기관들에게 호스팅된 서비스 표면은 아직 보이지 않는 것입니다. 이 모델에 관한 유일한 독립적 효율 데이터 포인트인, Intelligence Index 전반에서 생성된 79M 출력 토큰은 중간값 130M과 대비되는 수치로, 벤더의 "추론 토큰 감소" 주장을 뒷받침하지만 그 이면의 처리량을 확인해 주지는 않습니다.

세 번째는 그 레이블이 언젠가 달라지는지 여부입니다. 서로 다른 체크포인트인 "Beam 2.0"이라면 마침내 버전 접미사가 의미를 갖게 될 것이고, 그것이 등장하는 날에는 이와 같은 쿼리가 더 이상 이름 정리에 관한 것이 아니라 두 모델 간의 차이에 관한 것이 되기 시작할 것입니다. 오늘날에는 첫 번째 종류의 질문입니다. Beam을 Beam 1.0과 비교하는 사람은 모델을 자체 저장소 이름과 비교하는 것이며, 그 비교의 유용한 결과물은 구성을 Beam-1.0-501B-A23B에 맞추고 두 표기를 모두 검색하는 것을 그만두라는 메모입니다.

그중 어느 것도 가정이 아닙니다: 이번과 같은 릴리스의 배경이 된 문서화된 AI 실패와 에이전트 사고는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 함께 제공됩니다.