GPT-6.1 Sol vs Reflection Beam: twierdzenie o 3–4× wydajności i tabele benchmarków, które je podważają

Najciekawszą liczbą w materiałach premierowych Reflection Beam nie jest wynik benchmarku. Ogłoszenie Reflection z 2026-10-05 mówi, że Beam zużywa około trzy do czterech razy mniej FLOP-ów inferencji niż GLM 5.2 przy porównywalnej jakości — to twierdzenie o wydajności, wysunięte wobec konkretnego nazwanego rywala, na rynku, na którym koszt za token jest ograniczeniem, pod którym faktycznie działa większość zespołów. To także twierdzenie, które własne tabele benchmarków z tego samego ogłoszenia komplikują, a nie wspierają: w tych tabelach Reflection Beam pokonuje GLM 5.2 w kilku zestawach, a ustępuje GLM 5.3, Kimi K3 i innym w DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp i DeepSearchQA. Zestaw to z GPT-6.1 Sol, wydaniem Open​AI z 2026-09-29, a otrzymasz porównanie między modelem, którego wydajność jest argumentem, a modelem, którego wydajność jest już wyceniona, zmierzona i opublikowana.

Oba modele to wydania klasy frontier z 2026 roku, odpowiednio z października i późnego września, a różnica w tym, jak wiele można o każdym z nich powiedzieć, stanowi istotę tego artykułu. Wszystko poniżej pochodzi z materiałów premierowych Reflection, stron OpenAI poświęconych modelom i cennikowi, naszych własnych zapisów katalogowych oraz niezależnych pomiarów Artificial Analysis, odczytanych 12 października 2026 r. Jeśli jakaś liczba pochodzi od dostawcy i nikt jej nie odtworzył, zdanie, które ją zawiera, mówi o tym.

Czym jest Reflection Beam, o ile komukolwiek spoza Reflection wiadomo

Beam to 501-miliardowy model typu mixture-of-experts z 23 miliardami parametrów aktywnych na token. Ten stosunek to decyzja projektowa warta zauważenia przede wszystkim: MoE 501B/23B jest zbudowany tak, by był tani w obsłudze, ponieważ tylko niewielka część sieci działa dla dowolnego tokenu. Twierdzenie o wydajności z ogłoszenia nie jest niespodzianką doklejoną do architektury — to jest deklarowany cel tej architektury.

• Parametry całkowite i aktywne — 501 mld łącznie, 23 mld aktywnych na token, mieszanka ekspertów.

• Modalność — tylko tekst. Bez wizji, bez dźwięku, bez wprowadzania obrazu.

• Kontekst — 256 000 tokenów w API w wersji beta, z maksymalnym wyjściem 128 000 tokenów i datą graniczną wiedzy 2026-06-30.

• Wagi — nieudostępnione. Reflection poinformował, że wagi zostaną opublikowane na licencji Apache 2.0 w późniejszej części października, co jest najistotniejszym nierozstrzygniętym pytaniem dotyczącym tego modelu i powodem, dla którego ta premiera jest w praktyce wersją zapoznawczą.

• Cena — brak opublikowanych danych. Nie istnieje cennik dla API Beam, więc żadna kwota kosztu dla niego nie pojawia się nigdzie w tym artykule, a każde porównanie oparte na obliczeniach na tokeny musi pozostawić swoją kolumnę pustą.

• Niezależne benchmarki — żadne. Artificial Analysis nie ma wiersza dla Reflection Beam, więc każdy wynik w poniższej sekcji pochodzi z własnego przebiegu Reflection, z dołączonymi własnymi punktami odniesienia Reflection.

Tabele dostawców, czytane uczciwie

Reflection opublikował zestaw porównań benchmarkowych przy okazji premiery, a uczciwym sposobem ich przedstawienia jest powiedzenie, co pokazują w obu kierunkach, ponieważ nie pokazują wyłącznie jednego kierunku.

• Gdzie Beam wygrywa. W zestawach testowych, które Reflection zdecydowało się wysunąć na pierwszy plan, Beam osiąga lepsze wyniki niż GLM 5.2 — model, wobec którego formułowane jest twierdzenie o wydajności. Biorąc to za dobrą monetę, to autentyczny wynik: lepsze rezultaty przy około jednej czwartej do jednej trzeciej kosztu wnioskowania to silna pozycja dla każdego, kto obsługuje ruch na dużą skalę.

• Gdzie Beam przegrywa. Te same tabele stawiają Beam za GLM 5.3, Kimi K3 i innymi obecnymi modelami w DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp i DeepSearchQA. To nie są marginalne zestawy testów; to benchmarki inżynierii oprogramowania, użycia narzędzi i pogłębionych badań, które decydują o tym, czy model nadaje się do użycia jako autonomiczny agent.

Czytane razem, tabele mówią coś spójnego i węższego niż „state of the art”: Beam wydaje się mocną premierą otwartego modelu, która pokonuje poprzednią generację na wybranym gruncie Reflection, ale nie pokonuje obecnej generacji na gruncie pracy agentowej. Bycie takim modelem jest całkowicie uzasadnione. To jednak nie to samo, co bycie najlepszym dostępnym modelem do pracy agentowej, a sposób przedstawienia ogłoszenia zachęca do mocniejszej interpretacji.

Jedna uwaga natury strukturalnej o samej liczbie dotyczącej wydajności, skoro to ona jest tu najważniejsza. Porównanie liczby FLOPs na token z innym modelem to właściwość architektury i konfiguracji serwowania, a nie jakości wyników — a 3–4× mniej FLOPs to wartość zmierzona przez dostawcę, bez niezależnego odtworzenia. To rozsądny powód, by oczekiwać, że Beam będzie tani w serwowaniu. To jednak nie jest dowód, że Beam jest tani w użytkowaniu, a różnica między tymi dwiema rzeczami to cała dyskusja o kosztach na tej stronie: model, który zużywa więcej tokenów, by dotrzeć do odpowiedzi, może być jednocześnie tańszy na FLOP i droższy na zadanie.

Wydana strona porównania

Oto asymetria, której udokumentowanie jest celem tego artykułu. GPT-6.1 Sol został udostępniony w API Open​AI 29 września 2026 r. Ma opublikowany cennik — 2,00 USD za milion tokenów wejściowych, 10,00 USD za milion tokenów wyjściowych, 0,10 USD za wejście z pamięci podręcznej, 2,50 USD za zapisy do pamięci podręcznej — udokumentowane okno kontekstu wynoszące 1 050 000 tokenów, maksymalną długość wyjścia 128 000 tokenów oraz niezależny wiersz Intelligence Index o wartości 52 przy maksymalnym wysiłku rozumowania, z kosztem uruchomienia 0,72 USD na zadanie.

Ta wartość kosztu jest tą, którą warto zestawić z twierdzeniem Reflection o FLOPs. $0.72 za zadanie to nie liczba FLOPs ani cennik stawek; to koszt wykonanej pracy, zmierzony przez stronę trzecią, która uruchomiła model. To liczba, którą trzeba by pobić, aby argument Beam o wydajności został przyjęty jako argument zakupowy — a Beam nie ma odpowiedniej liczby, ponieważ Beam nie ma opublikowanej ceny ani niezależnego uruchomienia.

Dwie inne różnice są konkretne i sprawdzalne już dziś:

• Kontekst i wyjście — GPT-6.1 Sol dokumentuje 1 050 000 tokenów kontekstu w porównaniu z 256 000 tokenów w wersji beta Beam, a oba mają limit wyjścia na poziomie 128 000 tokenów. W przypadku pracy na skalę repozytorium lub zestawu dokumentów to czterokrotna różnica w tym, ile materiału mieści się w jednym wywołaniu.

• Modality-6.1 Sol obsługuje obrazy i pliki; Beam obsługuje wyłącznie tekst. Jeśli Twój potok odczytuje zrzuty ekranu, skany lub pliki, Beam nie jest kandydatem niezależnie od swoich wyników.

Tam, gdzie Beam ma argument, na który GPT-6.1 Sol strukturalnie nie może odpowiedzieć, chodzi o ten z otwartymi wagami. Jeśli wagi Apache 2.0 pojawią się zgodnie z obiecanym harmonogramem, model 501B/23B, którego liczba aktywnych parametrów wynosi 23B, staje się kandydatem do samodzielnego hostowania w sposób, w jaki model własnościowy nigdy nie będzie. Dwadzieścia trzy miliardy aktywnych parametrów to liczba, którą dobrze wyposażony zespół może przeanalizować; kontekst 256 000 tokenów w wersji beta i brak opublikowanych wag sprawiają, że ten argument musi poczekać na rzeczywiste wydanie, zamiast zostać rozstrzygnięty w momencie premiery.

Kto powinien działać na którym modelu, teraz

Praktyczna odpowiedź zależy od tego, co kupujesz, a podział jest wystarczająco wyraźny, żeby powiedzieć to wprost.

Jeśli potrzebujesz modelu produkcyjnego w tym tygodniu do kodowania agentowego, korzystania z narzędzi lub pracy z dokumentami o długim kontekście, dostępnym modelem jest GPT-6.1 Sol, a decyzja dotyczy jego ceny, a nie tego, czy istnieje. Stawka za tokeny wyjściowe to licznik, który ma znaczenie, jego stawka za tokeny wejściowe z pamięci podręcznej jest wyjątkowo niska i wynosi 0,10 USD za milion, a powyżej 272 000 tokenów wejściowych całe żądanie jest wyceniane wyżej — próg, wokół którego warto projektować, zanim rozwiniesz pętlę odczytującą duży prefiks. Jest w naszym katalogu w cenach katalogowych Open​AI z 0% marży, więc stawka na karcie to stawka na fakturze, a zmiana ceny przez dostawcę pojawia się w katalogu tego samego dnia, a nie dopiero po cyklu aktualizacji u resellera: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Jeśli Twoje zainteresowanie Beam dotyczy wydania otwartych wag, a nie API w wersji beta, rzeczą, na którą warto zwrócić uwagę, jest publikacja na licencji Apache 2.0, którą Reflection obiecało na późniejszy okres w tym miesiącu. Dopóki wagi nie istnieją, każda liczba dotycząca możliwości w tym artykule pochodzi od dostawcy, cena jest nieznana, a ani plan self-hostingu, ani porównanie kosztów nie mogą zostać ukończone. Jeśli zostanie wydane zgodnie z harmonogramem, Beam staje się natychmiast interesujący jako wydajna warstwa w konfiguracji dwumodelowej — a to konfiguracja, którą jeden endpoint z automatycznym przełączaniem awaryjnym w ponad 200 modelach obsługuje bez drugiej integracji, co jest argumentem za wypróbowaniem nieprzetestowanego modelu na warstwie routingu, zamiast wiązania z nim ścieżki produkcyjnej.

Reflection Beam nie jest czymś, co udostępniamy. Gdy jego wagi i jego API zostaną należycie otwarte, pojawi się — jak większość otwartych wydań — na własnej platformie dostawcy i w kilku usługach firm trzecich, a wtedy tę stronę będzie warto przepisać, ponieważ dwie rzeczy, których obecnie nie może podać — ile kosztuje Beam i jakie wyniki osiąga, gdy uruchamia go ktoś inny niż jego twórca — to dokładnie te dwie rzeczy, od których zależy odpowiedź.