Reflection Beam vs DeepSeek V4 Pro: jedna trzecia rozmiaru, dwukrotnie wyższy współczynnik aktywacji

Kuszący sposób ujęcia Reflection Beam w zestawieniu z DeepSeek V4 Pro to tani nowicjusz kontra uznany flagowiec. To ujęcie jest błędne w sposób, który warto wyjaśnić przede wszystkim, ponieważ oba modele opierają się na przeciwnych interpretacjach tego samego pomysłu. DeepSeek V4 Pro to model typu mieszaniny ekspertów o 1,6 biliona parametrów, który aktywuje 49 miliardów parametrów na token — około 3,1 procent samego siebie. Reflection Beam, ogłoszony 5 października 2026, to model typu mieszaniny ekspertów o 501 miliardach parametrów, który aktywuje 23 miliardy parametrów na token — około 4,6 procent samego siebie. Beam ma jedną trzecią rozmiaru i, w przeliczeniu na token, *mniej* rzadką konstrukcję. Całą tezą Reflection jest wydajność wnioskowania, a model, z którym jest tu porównywany, wyprzedza go w metryce rzadkości, na której ta teza się opiera.

To nie jest obalenie mitu. To punkt wyjścia, ponieważ oba modele znajdują się w bardzo różnych miejscach, jeśli chodzi o cenę i dostępność, a uczciwe porównanie dotyczy tego, na którym z nich można faktycznie budować. DeepSeek V4 Pro jest w katalogu w cenie 0,66 USD za milion tokenów wejściowych i 1,98 USD za milion tokenów wyjściowych, z kontekstem 1 048 576 tokenów i maksymalną liczbą 384 000 tokenów wyjściowych. Beam nie ma w ogóle opublikowanej ceny, jest dostępny wyłącznie przez listę oczekujących, a jego wagi obiecano na późniejszą część tego miesiąca na licencji Apache 2.0.

Ten sam pomysł, inne proporcje

Rzadkość jest wspólnym założeniem. Oba modele utrzymują niemal wszystkie swoje parametry uśpione przy dowolnym danym tokenie i płacą tylko za niewielki wycinek, który działa. Różnica polega na tym, jak daleko każde laboratorium to doprowadza i co dzięki temu zyskuje.

DeepSeek V4 Pro uruchamia 49 miliardów aktywnych parametrów z około 1,6 biliona łącznie. To niezwykle agresywny stosunek i właśnie on pozwala DeepSeek sprzedawać model klasy flagowej za 0,66 USD i 1,98 USD — stawkę, która byłaby nie do pomyślenia dla gęstego modelu o takiej wydajności. Kompromis polega na tym, że całkowita liczba parametrów jest ogromna: model jest duży zarówno pod względem przechowywania, jak i w ogóle serwowania, dlatego hostowanie go to zajęcie dla specjalistów, a nie coś, co większość zespołów robi we własnym zakresie.

Reflection Beam działa z 23 miliardami aktywnych parametrów z 501 miliardów. Mniejszy w każdym wymiarze: jedna trzecia całkowitej liczby parametrów, mniej niż połowa aktywnych i mniej agresywny współczynnik aktywacji. Argument Reflection nie polega na tym, że Beam jest najrzadszym dostępnym modelem — celowo tego nie twierdzi — lecz na tym, że 23 miliardy aktywnych parametrów to rozmiar, który można obsłużyć na stosunkowo niewielkiej liczbie GPU, co zmienia ekonomikę wdrożenia, a nie arytmetykę na token.

• Łączne parametry — DeepSeek V4 Pro około 1,6 biliona w porównaniu z Reflection Beam 501 miliardów.

• Aktywne na token — 49 miliardów wobec 23 miliardów.

• Współczynnik aktywacji — około 3,1 procent dla DeepSeek V4 Pro, około 4,6 procent dla Reflection Beam. Beam jest mniej rzadki z tych dwóch.

• Wejście modalne — DeepSeek V4 Pro obsługuje wyłącznie tekst; Reflection Beam obsługuje wyłącznie tekst. Żaden z nich nie przyjmuje obrazów, dźwięku ani wideo, co jest rzadkim przypadkiem zgodności dwóch modeli w tej klasie.

• Kontekst i dane wyjściowe — 1 048 576 tokenów na wejściu i 384 000 na wyjściu w przypadku DeepSeek V4 Pro, w porównaniu z 256 000 na wejściu i 128 000 na wyjściu w przypadku Beam, którego wartość dotycząca kontekstu opatrzona jest przypisem o wersji beta.

• Cena — 0,66 USD i 1,98 USD za milion tokenów dla DeepSeek V4 Pro, przy odczytach z pamięci podręcznej po 0,022 USD, wobec braku opublikowanych danych dla Beam.

• Dostępność — DeepSeek V4 Pro jest w powszechnej dystrybucji od 24 kwietnia 2026 r.; Beam to beta z listą oczekujących, ogłoszona 5 października 2026 r., a wagi obiecano w tym miesiącu.

Cena, łącznie z tą częścią, o której nikt nie wspomina

$0.66 i $1.98 dla DeepSeek V4 Pro to stawka cennikowa dostawcy, przekazywana w naszym katalogu bez żadnych doliczeń. Jest jednak pewien szczegół, który warto uwzględnić w budżecie, a łatwo go przeoczyć: cennik zawiera dwa okna czasowe, od 01:00 do 04:00 UTC i od 06:00 do 10:00 UTC, w których cena jest mnożona przez dwa — $1.32 za wejście i $3.96 za wyjście. Oba przypadają w godzinach pracy europejskich i azjatyckich zespołów, więc potok działający w europejskich godzinach przez część dnia będzie płacił podwójną stawkę, choć nic się nie zepsuje.

Odczyty z pamięci podręcznej po 0,022 USD za milion tokenów to druga połowa obrazu — i to ta większa. To trzydziestokrotna zniżka względem stawki za dane wejściowe, a w przypadku długich dokumentów i długich rozmów, do których stworzono DeepSeek V4 Pro — 1 048 576 tokenów kontekstu, 384 000 tokenów wyjściowych — rzeczywisty koszt sesji, która ponownie odczytuje stały prefiks, jest znacznie niższy niż sugeruje nagłówek. Każde porównanie, które mnoży wolumen przez 0,66 USD bez modelowania ponownego wykorzystania pamięci podręcznej, znacznie zawyży koszt działania tego modelu.

Beam nie ma odpowiednika żadnego z tych elementów. Żadnej stawki katalogowej, żadnego poziomu cache, żadnego okna czasowego, żadnego opublikowanego zobowiązania co do tego, czy w ogóle będzie sprzedawany za token. To nie jest porównanie 0,66 USD z czymś tańszym; to model z podaną ceną przeciw modelowi bez ceny, a dopóki Reflection nie opublikuje cennika, nie ma progu rentowności do obliczenia.

Benchmarki: te dwa modele nigdy nie zostały porównane bezpośrednio

To jest ten fragment, w którym liczy się staranność, ponieważ istnieje oczywista pułapka i warto ją nazwać wprost.

Tabele premierowe Reflection porównują Beam z Inkling, Nemotron 3 Ultra, GLM 5.2, GLM 5.3, Kimi K3, Qwen 3.8-Max oraz DeepSeek V4.1 Flash — model siostrzany, a nie V4 Pro. Zatem model DeepSeek, który pojawia się w tabelach samego Beama, jest innym: tanim, szybkim przedstawicielem rodziny, w cenie 0,15 USD i 0,60 USD, który w tabeli dostawcy osiąga wynik Terminal-Bench v2.1 na poziomie 90,6 wobec 80,1 Beama oraz DeepSWE v1.1 na poziomie 74,2 wobec 44,4 Beama. Odczytanie wartości dla V4 Pro z kolumny V4.1 Flash to najbardziej prawdopodobny błąd, jaki popełni każdy, kto pisze to porównanie.

To, co istnieje dla V4 Pro — pochodzące od Artificial Analysis za pośrednictwem naszego katalogu — znowu opiera się na innych środowiskach testowych, więc są to dane orientacyjne, a nie uzyskane w warunkach kontrolowanych.

• tau-squared Bench — DeepSeek V4 Pro odnotowuje 96,2 wobec wartości dostawcy wynoszącej 78,7 dla Beam na MCP Atlas i 38,0 na tau3 banking. To różne ewaluacje z tej samej rodziny pomiarów użycia narzędzi przez agentów, a tych dwóch zestawów nie można stosować wymiennie.

• Artificial Analysis Intelligence Index — DeepSeek V4 Pro plasuje się na 36,0 i zajmuje 41. miejsce na 147 w swoim przebiegu; Beam nie ma w ogóle wiersza w indeksie — strony modeli zwracają 404, a według stanu na dzisiejszy poranek w ładunku tabeli liderów nie ma wpisu Beam.

• GPQA Diamond — DeepSeek V4 Pro na poziomie 92,8 według Artificial Analysis wobec 90,5 zadeklarowanych przez dostawcę Beam.

• Humanity's Last Exam — DeepSeek V4 Pro z wynikiem 41,0 według Artificial Analysis wobec deklarowanego przez producenta wyniku Beam 36,2, przy czym ten ostatni wyraźnie bez narzędzi.

• SciCode — DeepSeek V4 Pro z wynikiem 51,0 według Artificial Analysis w porównaniu z 49,7 deklarowanymi przez producenta Beam.

• Terminal-Bench v2.1 — DeepSeek V4 Pro z wynikiem 78,7 według Artificial Analysis wobec 80,1 podawanych przez dostawcę Beam. Jedyny wiersz na tej liście, w którym Beam jest z przodu, a różnica wynosi mniej niż dwa punkty.

• Przywoływanie w długim kontekście — DeepSeek V4 na poziomie 80,3 według Artificial Analysis w porównaniu z deklarowanym przez dostawcę wynikiem Beam 79,3 w AA-LCR.

Wzorzec jest spójny i powinien być niewygodny dla pozycjonowania Beam. W każdym wierszu, w którym oba modele mają wynik, DeepSeek V4 Pro ma przewagę — z wyjątkiem Terminal-Bench v2.1, gdzie pozostaje w tyle o mniej niż dwa punkty — a każdy wynik DeepSeek pochodzi z zewnętrznego środowiska testowego, podczas gdy każdy wynik Beam pochodzi od samego dostawcy. Model już powszechnie udostępniony, przy opublikowanej cenie poniżej dolara w przypadku wejścia, nie przegrywa w oczywisty sposób z niewydanym modelem na wspólnych benchmarkach.

Co ma wspólnego twierdzenie Beam o wydajności z tym wszystkim?

Rzeczywista teza Reflection nie jest tezą benchmarkową, a powtarzanie tabel tak, jakby nią była, mija się z sednem. Teza jest taka, że Beam wypada porównywalnie z GLM 5.2 w zaawansowanym rozumowaniu, zużywając przy tym 3 do 4× mniej mocy obliczeniowej na wnioskowanie, a różnica rośnie w starciu z modelami o 2 bilionach parametrów, takimi jak Qwen 3.8-Max. Towarzyszący wykres szacuje liczbę wygenerowanych FLOP-ów jako dwukrotność liczby aktywnych parametrów pomnożoną przez średnią liczbę wygenerowanych tokenów na próbę, w ramach DeepSWE, HLE i Terminal-Bench 2.1, a sam podpis wykresu przyznaje, że prefill promptu, mechanizm uwagi zależny od kontekstu i narzut obsługi nie są uwzględniane.

Zestaw to z liczbami V4 Pro, a argument staje się ciekawszy, niż sugerują tabele podsumowujące. V4 Pro aktywuje 49 miliardów parametrów na token, podczas gdy Beam 23 — około dwa razy więcej — więc zgodnie z formułą, którą stosuje Reflection, Beam powinien mieć około dwukrotną przewagę w obliczeniach generowania na token, jeszcze przed uwzględnieniem jakiejkolwiek różnicy w liczbie tokenów. To realna i czytelna przewaga — i to ta, którą ma Beam.

Przeciwko temu: współczynnik aktywacji V4 Pro jest bardziej agresywny, jego kontekst jest czterokrotnie większy, a maksymalna długość wyjścia jest trzykrotnie większa, co oznacza, że sesja V4 Pro, która rozwiązuje zadanie w mniejszej liczbie dłuższych tur, może ostatecznie kosztować mniej łącznie, nawet przy wyższym szacunku kosztu na token. FLOPs na token to nie FLOPs na zadanie, a wykres jest na token.

Niezależny pomiar jeszcze nie istnieje. Jedyną oficjalnie odnotowaną wypowiedzią strony trzeciej jest wypowiedź firmy Artificial Analysis z 5 października, że Reflection przyznało jej dostęp i że prowadzi benchmarking modelu Beam, a wczesne wskaźniki sugerują, że Beam będzie jednym z najbardziej tokenowo wydajnych otwartych modeli, jakie firma widziała na tym poziomie inteligencji. Nie podano jednak żadnej liczby.

Gdzie kontekst V4 faktycznie ma znaczenie

W tym starciu jest jeden wymiar, w którym różnica jest wystarczająco duża, by być rozstrzygająca, a nie tylko stopniowa, i nie jest to benchmark.

DeepSeek V4 Pro obsługuje 1 048 576 tokenów kontekstu i 384 000 tokenów maksymalnej długości odpowiedzi. Beam obsługuje 256 000 i 128 000, z przypisem przy liczbie dotyczącej kontekstu ostrzegającym, że może się ona zmienić w wersji beta. W przypadku przeglądu umowy prawnej, refaktoryzacji całego repozytorium lub zadania syntezy obejmującego tysiące stron ta różnica nie jest deltą wydajności — to różnica między jednym wywołaniem a potokiem fragmentacji, który trzeba napisać i zweryfikować. Według doniesień etap midtrainingu Beama rozszerza jego efektywny kontekst do 1 miliona tokenów, co jest możliwością po stronie treningu, podczas gdy limit obsługi pozostaje na poziomie 256 000; te dwie liczby są często mylone i nie oznaczają tego samego.

Pułap wyjściowy dodatkowo to pogłębia. Maksymalna długość wyjścia wynosząca 384 000 tokenów pozwala jednemu wywołaniu wygenerować duży ustrukturyzowany artefakt; 128 000 już nie, a żaden z modeli nie udostępnia punktu końcowego przetwarzania wsadowego ani ścieżki osadzeń poprzez interfejsy opisane przy premierze.

Wybór, a gdzie pasuje routing

W przypadku konkretnych obciążeń, w których kluczowe są milion tokenów kontekstu i 384 000 tokenów wyjściowych, DeepSeek V4 Pro nie konkuruje z Beam — nie ma na tej stronie żadnego innego rywala, a Beam nie może wejść do porównania za żadną cenę, dopóki nie zmieni się jego okno.

W przypadku pracy o dużym wolumenie, która mieści się w 256,000 tokenów, decyzja sprowadza się do zakładu, czy deklarowana wydajność Beam przetrwa niezależny zestaw testowy, w zestawieniu z ceną V4 Pro, która jest już o rząd wielkości niższa od czołówki i dodatkowo obniżona przez odczyty z pamięci podręcznej po $0.022. Przeciwko temu, tańszy model pokrewny DeepSeek znajduje się w tym samym katalogu w cenie $0.15 i $0.60 — i to właśnie ten model, w porównaniu z którym własne tabele premierowe Beam pokazują, że Beam jest w tyle w DeepSWE i Terminal-Bench. Próg dla nowego gracza jest tu niższy, niż się wydaje.

To tutaj warstwa routingu zasługuje na swoje miejsce, a nie jest jedynie sloganem. DeepSeek V4 Pro jest w naszym katalogu, ze stawką cennikową dostawcy przekazywaną bez żadnych narzutów, za jednym kluczem zgodnym z OpenAI pod api.orcarouter.ai/v1 obok ponad 200 innych modeli. DSL routingu pozwala wyrazić decyzję, zamiast zakodować ją na sztywno: przypiąć żądania z długim kontekstem do modelu z oknem miliona tokenów, przypiąć masowe krótkie żądania do tego taniego modelu, który zalicza twój eval, i złożyć oba w jedno wywołanie, gdy zadanie wymaga obu. Ponieważ routing obsługuje przełączanie awaryjne między dostawcami, tanią warstwę można bezpiecznie kierować na część ruchu, a nie na cały — i to jest dokładnie ta postawa, jakiej chcesz wobec modelu takiego jak Beam, którego benchmarków nikt poza Reflection nie powtórzył.

Werdykt i dwie daty, które mogłyby go zmienić

Reflection Beam przegrywa w tym porównaniu we wszystkim, co jest dziś poznawalne. Jest mniejszy, mniej rzadki, ma jedną czwartą kontekstu, nie ma niezależnego wyniku i — rozstrzygająco dla modelu sprzedawanego ze względu na koszt — nie ma ceny. DeepSeek V4 Pro osiąga lepszy indeks Artificial Analysis, lepszy wynik HLE, lepszy wynik GPQA Diamond, lepszy wynik SciCode i lepszy wynik przywoływania długiego kontekstu, wszystkie zmierzone przez kogoś innego niż jego dostawcę, i to wszystko przy aktywowaniu dwa razy większej liczby parametrów na token przy opublikowanej stawce poniżej dolara.

To, co ma Beam, to jedno czytelne twierdzenie: 23 miliardy aktywnych parametrów to jedna trzecia tego, co ma V4 Pro, więc porównanie obliczeń po stronie generowania powinno dawać mu przewagę mniej więcej dwa do jednego. To twierdzenie jest wiarygodne, to powód, by traktować Beam poważnie, i nie zostało zmierzone przez nikogo spoza laboratorium, które je wysunęło.

Dwie daty przesądzają sprawę. Wagi, obiecane na licencji Apache 2.0 jeszcze w tym miesiącu, które pozwoliłyby każdemu samodzielnie policzyć FLOPs. I wiersz Artificial Analysis, który zastąpiłby podpis dostawcy liczbą. Dopóki któreś z nich się nie pojawi, model, który możesz wycenić, zapisać w pamięci podręcznej i wywołać z milionem tokenów kontekstu, jest tym, na którym warto budować.