Reflection Beam vs DeepSeek V4 Pro: 크기는 3분의 1, 활성화 비율은 두 배

로 프레이밍하는 매력적인 방식Reflection Beam 대 DeepSeek V4 Pro은 저렴한 신흥주자 대 확고한 플래그십입니다. 그 프레이밍은 무엇보다 먼저 짚어볼 가치가 있는 방식으로 틀렸습니다. 왜냐하면 두 모델은 같은 아이디어를 정반대로 해석한 토대 위에 세워져 있기 때문입니다. DeepSeek V4 Pro는 토큰당 490억 개의 매개변수를 활성화하는 1.6조 매개변수 전문가 혼합 모델입니다 — 이는 자기 자신의 약 3.1퍼센트입니다. Reflection Beam은 2026년 10월 5일에 발표된, 토큰당 230억 개를 활성화하는 5010억 매개변수 전문가 혼합 모델입니다 — 이는 자기 자신의 약 4.6퍼센트입니다. Beam은 크기가 3분의 1이며, 토큰당으로는 *덜* 희소한 설계입니다. Reflection의 전체 논지는 추론 효율성인데, 여기서 비교 대상이 된 모델은 그 논지가 기대고 있는 희소성 지표에서 Reflection보다 앞서 있습니다.

그것은 반박이 아니다. 그것은 준비 단계다. 두 모델은 가격과 가용성에서 매우 다른 지점에 있기 때문이며, 정직한 비교는 실제로 어느 것을 기반으로 구축할 수 있는가에 관한 것이다. DeepSeek V4 Pro는 카탈로그에 입력 토큰 100만 개당 $0.66, 출력 토큰 100만 개당 $1.98로 올라 있으며, 1,048,576토큰 컨텍스트와 최대 출력 384,000토큰을 갖추고 있다. Beam은 공개된 가격이 전혀 없고, 대기자 명단을 통해서만 접근할 수 있으며, 가중치는 이달 후반에 Apache 2.0에 따라 공개될 예정이라고 약속되어 있다.

같은 아이디어, 다른 비율

희소성은 공통된 전제다. 두 모델 모두 주어진 토큰에서 거의 모든 파라미터를 잠들게 해 두고, 실제로 실행되는 작은 조각에만 비용을 지불한다. 차이는 각 연구소가 이를 얼마나 밀어붙이는지, 그리고 그것으로 무엇을 얻는지에 있다.

DeepSeek V4 Pro는 총 약 1조 6천억 개 중 490억 개의 활성 매개변수를 실행합니다. 이는 매우 공격적인 비율이며, 바로 이것이 DeepSeek가 플래그십급 모델을 $0.66 및 $1.98에 판매할 수 있게 해줍니다. 그 정도 능력의 덴스 모델이라면 상상할 수 없는 요율입니다. 대가는 전체 매개변수 수가 엄청나다는 점입니다. 즉, 모델은 저장하고 서빙하는 것 자체가 클 정도로 크기 때문에, 이를 호스팅하는 일은 대부분의 팀이 직접 하기보다 전문가의 사업입니다.

Reflection Beam은 5010억 개 중 230억 개가 활성화되어 실행된다. 모든 차원에서 더 작다: 전체 파라미터는 3분의 1, 활성 파라미터는 절반 이하, 그리고 활성화 비율도 덜 공격적이다. Reflection의 주장은 Beam이 이용 가능한 모델 중 가장 희소한 모델이라는 것이 아니라 — 그것은 의도적으로 그렇게 주장하지 않는다 — 230억 개의 활성 파라미터가 비교적 적은 수의 GPU에서 서빙할 수 있는 규모이며, 이는 토큰당 연산이 아니라 배포 경제성을 바꾼다는 것이다.

• 총 파라미터 — DeepSeek V4 Pro 약 1.6조 대 Reflection Beam 5,010억.

• 토큰당 활성 — 490억 대 230억.

• 활성화 비율 — DeepSeek V4 Pro는 약 3.1퍼센트, Reflection Beam은 약 4.6퍼센트. Beam이 둘 중 덜 희소하다.

• 입력 모달리티 — DeepSeek V4 Pro는 텍스트 전용이며, Reflection Beam도 텍스트 전용입니다. 둘 다 이미지, 오디오, 비디오를 받지 않는데, 이는 이 등급의 두 모델이 의견을 같이하는 드문 사례입니다.

• 컨텍스트 및 출력 — DeepSeek V4 Pro의 경우 입력 1,048,576 토큰, 출력 384,000 토큰인 반면, Beam의 경우 입력 256,000 토큰, 출력 128,000 토큰이며, Beam의 컨텍스트 수치에는 베타 각주가 붙어 있습니다.

• 가격 — DeepSeek V4 Pro는 100만 토큰당 $0.66 및 $1.98이며, 캐시 읽기는 $0.022인 반면, Beam에 대해서는 공개된 내용이 없습니다.

• 사용 가능 여부 — DeepSeek V4 Pro는 2026년 4월 24일부터 정식 출시되었으며, Beam은 2026년 10월 5일에 발표된 대기자 명단 방식의 베타로 가중치가 이번 달에 공개될 예정입니다.

아무도 언급하지 않는 부분까지 포함한 가격

DeepSeek V4 Pro의 $0.66과 $1.98은 제공업체의 정가 요율로, 우리 카탈로그에 아무것도 추가하지 않고 그대로 반영됩니다. 다만 예산에 넣어 둘 만한, 놓치기 쉬운 변수가 하나 있습니다: 요금표에는 01:00~04:00 UTC와 06:00~10:00 UTC라는 두 개의 시간 구간이 있고, 이 구간 동안 가격이 두 배가 됩니다 — 입력 $1.32, 출력 $3.96. 두 구간 모두 유럽과 아시아 팀의 업무 시간에 들어가므로, 유럽 시간대에 실행되는 파이프라인은 아무런 장애 없이 하루 중 일부를 두 배 요금으로 지출하게 됩니다.

백만 토큰당 $0.022인 캐시 읽기는 그림의 나머지 절반이며, 더 큰 쪽입니다. 이는 입력 요율을 30분의 1로 낮추는 할인이며, DeepSeek V4 Pro가 위해 설계된 장문 문서 및 장문 대화 워크로드 — 1,048,576 토큰의 컨텍스트, 384,000 토큰의 출력 — 에서 안정적인 프리픽스를 다시 읽는 세션의 실질 비용은 공표된 요율보다 훨씬 낮습니다. 캐시 재사용을 모델링하지 않고 볼륨에 $0.66을 곱하는 모든 비교는 이 모델을 실행하는 비용을 크게 과대평가할 것입니다.

Beam에는 그 어느 것과도 대응하는 것이 없다. 공시 요율도, 캐시 티어도, 시간 제한 구간도, 토큰당 판매될지 여부에 관한 공개된 약속도 없다. 이 비교는 $0.66과 더 저렴한 무언가를 맞세우는 것이 아니다. 그것은 가격이 매겨진 모델과 가격이 매겨지지 않은 모델을 맞세우는 것이며, Reflection이 요금표를 공개할 때까지는 계산할 손익분기점이 없다.

벤치마크: 두 모델은 한 번도 맞대결을 한 적이 없습니다

바로 이 지점에서 주의가 중요합니다. 왜냐하면 여기에는 뻔한 함정이 도사리고 있고, 그것을 분명히 짚고 넘어갈 가치가 있기 때문입니다.

Reflection의 출시 표는 Beam을 Inkling, Nemotron 3 Ultra, GLM 5.2, GLM 5.3, Kimi K3, Qwen 3.8-Max 및 DeepSeek V4.1 Flash와 비교합니다 — V4 Pro가 아닌 형제 모델입니다. 따라서 Beam 자체 표에 등장하는 DeepSeek 모델은 다른 하나, 즉 이 제품군에서 저렴하고 빠른 쪽으로, 가격은 $0.15와 $0.60이며, 공급사 표 기준 Terminal-Bench v2.1에서 90.6을 기록해 Beam의 80.1에 맞서고, DeepSWE v1.1에서는 74.2를 기록해 Beam의 44.4에 맞섭니다. V4.1 Flash 열에서 V4 Pro 수치를 읽어내는 것은 이 비교를 작성하는 누구나 저지를 가장 가능성이 높은 단 하나의 실수입니다.

V4 Pro에 대해 존재하는 것, 즉 Artificial Analysis에서 우리 카탈로그를 통해 제공되는 것은 다시 서로 다른 하네스에 기반하고 있습니다 — 따라서 이는 방향성 있는 것이지, 통제된 것은 아닙니다.

• tau-squared Bench — DeepSeek V4 Pro는 96.2를 기록했는데, 이는 MCP Atlas에서 Beam의 벤더 수치 78.7 및 tau3 banking의 38.0과 대비됩니다. 같은 에이전트 도구 사용 측정 계열에 속하는 서로 다른 평가이며, 두 세트는 상호 교환할 수 없습니다.

• Artificial Analysis Intelligence Index — DeepSeek V4 Pro는 36.0으로, 해당 실행에서 147개 중 41위입니다. Beam은 지수 행이 전혀 없으며, 오늘 아침 기준으로 모델 페이지는 404를 반환하고 리더보드 페이로드에도 Beam 항목이 없습니다.

• GPQA Diamond — Artificial Analysis 기준 DeepSeek V4 Pro는 92.8, Beam의 벤더 보고 기준 90.5와 대비된다.

• Humanity's Last Exam — Artificial Analysis 기준 DeepSeek V4 Pro가 41.0으로, 벤더가 보고한 Beam의 36.2를 앞서는데, 후자는 명시적으로 도구를 사용하지 않은 수치다.

• SciCode — DeepSeek V4 Pro는 Artificial Analysis 기준 51.0으로, Beam이 자체 보고한 49.7과 대비된다.

• Terminal-Bench v2.1 — Artificial Analysis 기준 DeepSeek V4 Pro는 78.7, Beam은 공급업체 보고 기준 80.1. 이 목록에서 Beam이 앞서는 유일한 행이며, 격차는 2점 미만이다.

• 장문맥 회상 — AA-LCR에서 Artificial Analysis 기준 DeepSeek V4 Pro는 80.3으로, Beam의 벤더 보고치 79.3과 대비된다.

이 패턴은 일관되며 Beam의 포지셔닝에는 불편할 수밖에 없다. 두 모델 모두 수치가 있는 모든 행에서 DeepSeek V4 Pro가 앞서고, Terminal-Bench v2.1에서만 2점 미만 차이로 뒤진다 — 게다가 모든 DeepSeek 수치는 제3자 하네스에서 나온 반면, 모든 Beam 수치는 벤더 자체 수치다. 이미 정식 출시된 모델이, 공개된 입력 가격이 1달러 미만인 상태에서, 양쪽이 공유하는 벤치마크에서 아직 출시되지 않은 모델에게 확연히 뒤진다고 보기는 어렵다.

Beam의 효율성 주장이 이 모든 것과 무슨 관련이 있는지

Reflection의 실제 주장은 벤치마크 주장이 아니며, 마치 그런 것처럼 표를 되풀이하는 것은 요점을 놓치는 일이다. 그 주장은 Beam이 고급 추론에서 GLM 5.2와 비슷한 점수를 내면서도 추론 연산량은 3~4배 적게 사용한다는 것이며, Qwen 3.8-Max 같은 2조 파라미터 모델을 상대로는 그 격차가 더 벌어진다는 것이다. 이를 뒷받침하는 차트는 DeepSWE, HLE, Terminal-Bench 2.1 전반에서 생성 FLOPs를 활성 파라미터 수의 두 배에 시도당 평균 생성 토큰 수를 곱한 값으로 추정하며, 차트 자체의 캡션도 프롬프트 프리필, 문맥 의존적 어텐션, 서빙 오버헤드가 제외된다는 점을 인정한다.

그것을 V4 Pro의 수치와 맞대어 보면, 이 논점은 헤드라인 표가 시사하는 것보다 더 흥미로워진다. V4 Pro는 토큰당 490억 개의 매개변수를 활성화하는 반면 Beam은 230억 개다 — 대략 두 배에 해당한다 — 따라서 Reflection이 사용하는 공식에 따르면, Beam은 토큰 수의 차이를 고려하기 전에도 토큰당 생성 컴퓨팅에서 약 두 배 앞서야 한다. 이는 실질적이고 명확한 이점이며, 바로 Beam이 가진 이점이다.

이에 반대하는 측면에서는: V4 Pro의 활성화 비율은 더 공격적이고, 컨텍스트는 네 배 더 크며, 최대 출력은 세 배 더 크다. 즉, 더 적은 수의 더 긴 턴으로 작업을 해결하는 V4 Pro 세션은 토큰당 추정치가 더 높더라도 총비용은 더 저렴해질 수 있다. 토큰당 FLOPs는 작업당 FLOPs가 아니며, 차트는 토큰당 기준이다.

독립적인 측정은 아직 존재하지 않는다. 기록에 남은 유일한 제3자 발언은 Artificial Analysis가 10월 5일에 Reflection이 접근 권한을 제공했으며 자사가 Beam을 벤치마킹하고 있다고 밝힌 것뿐이다. 초기 지표는 Beam이 해당 지능 수준에서 Artificial Analysis가 지금까지 본 오픈 모델 중 가장 토큰 효율적인 모델 중 하나가 될 것임을 시사했다. 그러나 뒤따른 수치는 없었다.

V4 Pro의 컨텍스트가 실제로 중요한 지점

이 맞대결에는 격차가 점진적이기보다 결정적일 만큼 큰 측면이 하나 있는데, 그것은 벤치마크가 아니다.

DeepSeek V4 Pro는 1,048,576 토큰의 컨텍스트와 384,000 토큰의 최대 출력을 제공합니다. Beam은 256,000과 128,000을 제공하며, 컨텍스트 수치에 대한 각주에는 베타 기간 중 변경될 수 있다는 경고가 붙어 있습니다. 법률 계약 검토, 전체 저장소 리팩터링 또는 수천 페이지에 걸친 종합 작업의 경우, 그 차이는 성능 차이가 아니라 한 번의 호출과 직접 작성하고 검증해야 하는 청킹 파이프라인 사이의 차이입니다. Beam의 중간 훈련(midtraining) 단계는 효과적 컨텍스트를 100만 토큰으로 확장한다고 알려져 있는데, 이는 훈련 측면의 능력이며 서빙 한도는 256,000으로 유지됩니다. 이 두 수치는 자주 혼동되지만 같은 것이 아닙니다.

출력 상한이 이 문제를 더 악화시킵니다. 최대 출력 384,000토큰이면 단일 호출로 대규모 구조화 아티팩트를 생성할 수 있지만, 128,000토큰으로는 그렇지 않으며, 두 모델 모두 출시 당시 설명된 인터페이스를 통해 배치 엔드포인트나 임베딩 경로를 제공하지 않습니다.

선택하기, 그리고 라우팅이 어디에 적합한지

100만 토큰의 컨텍스트와 384,000 토큰 출력이 중요한 특정 워크로드에서, DeepSeek V4 Pro는 Beam과 경쟁하는 것이 아닙니다 — 이 페이지의 다른 그 무엇과도 경쟁하지 않습니다. 그리고 Beam은 윈도우가 바뀌기 전까지는 어떤 가격으로도 이 비교에 들어올 수 없습니다.

256,000 토큰 안에 들어가는 대량 작업이라면, 결정은 Beam이 주장하는 효율성이 제3자 하네스에서도 버티는지에 대한 내기로 귀결되며, 그 가격은 이미 프런티어보다 한 자릿수 낮고 $0.022의 캐시 읽기로 추가 할인된 V4 Pro 요율과 견주어진다. 그에 반해 DeepSeek 자체의 더 저렴한 형제 모델은 같은 카탈로그에 $0.15와 $0.60으로 자리 잡고 있다 — 그리고 Beam 자신의 출시 표에서 DeepSWE와 Terminal-Bench에서 Beam을 뒤처지게 한 모델이 바로 그것이다. 여기서 신규 진입자의 하한선은 보이는 것보다 낮다.

라우팅 계층이 구호가 아니라 제 역할을 하는 곳이 바로 여기입니다. DeepSeek V4 Pro가 저희 카탈로그에 있습니다, 공급자의 정가를 그대로 적용하고 아무것도 더하지 않은 채, api.orcarouter.ai/v1에서 하나의 OpenAI 호환 키 뒤에서 200개 이상의 다른 모델과 나란히 제공됩니다. 라우팅 DSL을 사용하면 결정을 하드코딩하는 대신 표현할 수 있습니다: 장문 컨텍스트 요청은 100만 토큰 윈도우를 가진 모델에 고정하고, 대량의 짧은 요청은 평가를 통과하는 저렴한 모델에 고정한 다음, 작업에 둘 다 필요할 때는 두 가지를 단일 호출로 구성하세요. 라우팅이 제공자 간 페일오버를 처리하므로, 저렴한 티어는 전체 트래픽이 아니라 일부 트래픽에 배치해도 안전합니다 — 이는 Reflection 외부의 누구도 벤치마크를 재현하지 못한 Beam 같은 모델을 대할 때 원하는 바로 그 자세입니다.

평결, 그리고 그것을 바꿀 두 날짜

Reflection Beam은 오늘날 알 수 있는 모든 항목에서 이 비교에서 밀리고 있다. 더 작고, 덜 희소하며, 컨텍스트는 4분의 1에 불과하고, 독립적인 점수도 없으며 — 비용을 내세워 판매되는 모델에게는 결정적으로 — 가격조차 없다. DeepSeek V4 Pro는 더 나은 Artificial Analysis 지수, 더 나은 HLE, 더 나은 GPQA Diamond, 더 나은 SciCode, 더 나은 장문 컨텍스트 회상 수치를 기록하며, 이 모두는 자사가 아닌 제3자에 의해 측정되었고, 이 모든 것을 토큰당 두 배 많은 파라미터를 활성화하면서도 공개 요금은 1달러 미만으로 해낸다.

Beam이 내세우는 것은 단 하나의 명료한 주장이다: 230억 개의 활성 파라미터는 V4 Pro의 3분의 1이므로, 생성 측면의 연산 비교에서는 대략 2대 1로 Beam에 유리해야 한다. 그 주장은 그럴듯하고, Beam을 진지하게 받아들여야 하는 이유이며, 그것을 만든 연구소 밖에서는 누구도 측정한 적이 없다.

두 가지 날짜가 이를 판가름한다. 이달 말 Apache 2.0으로 공개하겠다고 약속된 가중치는 누구나 FLOPs를 직접 계산할 수 있게 해 줄 것이다. 그리고 Artificial Analysis 행은 벤더의 설명 문구를 숫자로 대체할 것이다. 그중 하나가 실현되기 전까지는, 가격을 매기고 캐시하고 100만 토큰 컨텍스트에서 호출할 수 있는 모델이 바로 기반으로 삼아야 할 모델이다.