Запуск Beam 1.0 в день релиза: что на самом деле фиксирует рецепт SGLang

Чекпоинт, который можно скачать, — это не модель, которую можно развернуть, и разрыв между ними обычно измеряется неделями работы над фреймворком, которую выполняет тот, кому не терпится это сделать. Reflection Beam 1.0 — редкий случай, когда эта работа появилась вместе с весами. Reflection анонсировала модель 5 октября 2026 года; 16 октября 2026 года веса, лицензия Apache 2.0, собственный эндпоинт и поддержка с первого дня в семи стеках инференса появились одновременно, и один из этих стеков — SGLang, чей собственный аккаунт проекта 16-го числа сообщил, что обслуживает Beam в продакшене у Reflection, — выпустил рецепт, достаточно подробный, чтобы с ним можно было поспорить.

Этот рецепт — и есть интересный артефакт, куда больше, чем таблица бенчмарков. Пост о запуске говорит вам, что модель хороша. Матрица развёртывания говорит, во что обойдётся это выяснить, и где сделанный вами выбор незаметно определит вашу задержку. Документация Reflection Beam 1.0 по SGLang — это генератор: вы выбираете аппаратную платформу и стратегию, а он выдаёт Docker-команду с зафиксированными версиями. Варианты, через которые он заставляет вас пройти, — это и есть настоящая новость для всех, кто собирается это запускать, а не просто вызывать.

Три оси, которые рецепт отказывается скрывать

Страница запрашивает аппаратную платформу, стратегию и квантование, а затем формирует команду. Это меньшее пространство решений, чем признаёт большинство выпусков моделей, и у каждой оси есть реальное последствие:

• Аппаратная платформа — B300, GB300 или H200. Компоненты Blackwell нативно используют сборку NVFP4; H200 — это путь для FP8 и BF16. Это тот же минимальный порог, который описан в примечаниях к выпуску Reflection, переформулированный в виде выпадающего списка.

• Стратегия — низкая задержка или высокая пропускная способность, и именно на этой оси большинство развёртываний по умолчанию ошибаются. Режим низкой задержки запускает тензорный параллелизм с включённым драфтером DFlash2 при размере блока 8. Режим высокой пропускной способности полностью отключает DFlash2.

• Квантование — NVFP4, FP8 или BF16, которые должны согласовываться с платформой и стратегией, а не свободно комбинироваться.

Два пресета стратегий — это не регулятор производительности, а смена алгоритма. Спекулятивное декодирование обменивает задержку декодирования на дополнительную работу черновой модели на каждом шаге; при размере блока 8 с черновой моделью на 1,93 млрд параметров этот компромисс оправдан, когда вы обслуживаете одного пользователя за раз, и не оправдан, когда вы агрессивно формируете батчи. Отключение DFlash2 для рецепта с высокой пропускной способностью — это не понижение, а правильный ответ на другой вопрос.

Где рецепты перестают быть взаимозаменяемыми

Не останавливайтесь на пресетах: на странице описано несколько вариантов разделения конфигурации, которые существуют по конкретным аппаратным причинам, и о них стоит знать, прежде чем копировать первую команду Docker, которую вы увидите:

• H200 BF16 запускается с TP8 при автоматической статической доле памяти. BF16-чекпоинт размером 933,81 GiB не помещается на меньшее число устройств, а доля памяти вычисляется, а не задаётся явно, — это означает, что это единственный рецепт, который нельзя настроить вручную, не выходя за пределы поддерживаемого пути.

• Все остальные рецепты используют тензорный параллелизм вместе с DPA. Здесь DPA — это схема data-parallel attention, которая отделяет attention от expert-parallel разбиения, и именно поэтому не-BF16 рецепты допускают такие количества устройств, которые не допускает BF16-рецепт.

• Blackwell NVFP4 дополнительно включает экспертный параллелизм и FlashInfer MegaMoE. Именно на эту комбинацию указывают собственные руководства Reflection, и она становится доступной только тогда, когда чекпоинт представляет собой упакованную 4-битную сборку объёмом 273 GiB, а не FP8-версию объёмом 468.72 GiB.

Практический вывод: «мы запускаем Beam 1.0 на SGLang» — это не утверждение о железе. Две команды могут обе говорить это, используя разные точности, разные схемы параллелизма и разные алгоритмы декодирования, и единственный способ сверить результаты — назвать все три.

Чего стоит «нулевой день» и чем он не является

Поддержка фреймворков в день выпуска весов — это реальный сигнал, и это сигнал особого рода. Поддержка SGLang для Beam 1.0 существует потому, что инженеры Reflection работали с сообществом SGLang до релиза — это то, что проект SGLang публично заявил 16 октября, и это согласуется с тем, что Reflection назвала SGLang в числе своих партнёров с нулевого дня наряду с Transformers, vLLM, Unsloth, Axolotl, TokenSpeed и NVIDIA Dynamo, с письменными рецептами для SGLang, vLLM и TokenSpeed плюс Helm-чарт для Kubernetes.

• Что это даёт — задокументированный, поддерживаемый путь от опубликованного чекпоинта до обслуживаемой конечной точки, на указанном оборудовании, с учётом вариантов квантования. Это действительно больше, чем удаётся большинству открытых релизов за первую неделю.

• Чего это не доказывает — что конфигурация оптимальна или что показатели пропускной способности, которые получите вы, совпадут с чьими-либо ещё. Утверждение о работе в продакшене в Reflection принадлежит вендору и фреймворку, о нём сообщают те, кто занимается обслуживанием. Мы не видели независимого воспроизведения этого, и ни один сторонний бенчмарк развёртывания Beam на собственных серверах не был опубликован.

Это различие здесь важнее, чем обычно, потому что речь идёт о разреженной смеси экспертов с 501,3 млрд параметров, из которых 23,4 млрд активны на каждый токен, и вся ценность такой архитектуры в том, что стоимость обслуживания составляет лишь долю от числа в названии модели. Поддержка во фреймворках — это то, что превращает такое утверждение из схемы архитектуры в бюджет памяти. Она не превращает его в измеренное значение пропускной способности, и ни в одном из первоисточников, которые нам удалось найти, не публикуется такое значение для инференса — единственное конкретное число токенов в секунду в релизе описывает контролируемое дообучение LoRA на одном узле с 8 GPU B300, а это шаг обучения, а не скорость обслуживания.

Режим отказа, который на самом деле присущ self-hosted стеку day-zero

Есть конкретный способ, которым это ломается, и дело не в модели. Это вторая неделя. Закреплённый Docker-образ, собранный под одну квантизацию и одну схему параллелизма, не является запасным вариантом для самого себя: если драфтер плохо взаимодействует с вашим шаблоном трафика, если обновление драйвера меняет то, что выделяет доля памяти, или если ваша мощность стоит в очереди за другим арендатором, у вас не остаётся конфигурации для отката — у вас авария, в которой сидит очень мощная модель.

Beam 1.0 не входит в число наших маршрутов, поэтому мы не можем предоставить его вам, и ничто здесь не должно восприниматься как заявление о доступности с нашей стороны. Что мы можем сделать — это разместить резервный вариант там, где он принесёт пользу. OrcaRouter использует один ключ, совместимый с OpenAI, для более чем 200 моделей, передавая прейскурантную цену провайдера без наценок, и обеспечивает автоматическое переключение при сбое между провайдерами, поэтому если самостоятельно развёрнутый пилот Beam перестаёт отвечать, это изменение маршрутизации, а не инцидент. Модели, которые развёртывание Beam чаще всего заменяет и которые доступны таким образом, поставляются с опубликованными тарифами:

• GLM-5.2 — $1,40 за миллион входных токенов и $4,40 за миллион выходных токенов при контексте в 1 000 000 токенов. Модель, с которой сравнивается собственное заявление Reflection об эффективности, и самый прямой заменитель для длинноконтекстной работы Beam по кодингу.

• Kimi K3 — $3.00 за миллион входных токенов, $0.30 за кэшированные, $15.00 за выходные при окне в 1 048 576 токенов. В посте Reflection о запуске признаётся, что K3 по-прежнему впереди по сырым возможностям.

• Qwen3.8-Max — $2,00 за миллион входных и $6,00 за миллион выходных токенов при окне в 1 000 000 токенов: проприетарный вариант флагманского уровня для команд, которым нужны эти возможности без собственной инфраструктуры.

О чём рецепт всё ещё вам не рассказывает

Стоит назвать три пробела, потому что каждый из них — это решение, которое вам в итоге придётся принимать, располагая меньшей информацией, чем вам хотелось бы.

Первое — цена. Конечная точка Reflection документирована и совместима с OpenAI, с уровнями рассуждений max, xhigh, high, medium и low, обязательным рассуждением с уровнем по умолчанию max и лимитами на организацию, общими для всех ключей. У неё нет опубликованной ставки за миллион токенов, поэтому обоснование эффективности Beam 1.0 нельзя завершить как арифметическое упражнение. Модель, которая всегда рассуждает и по умолчанию использует максимальные усилия, представляет собой иное коммерческое предложение в зависимости от того, оценивается ли выходной токен в один доллар или десять.

Второе — независимое измерение. Artificial Analysis включает модель в список с Intelligence Index 30, без показателя скорости и без цены, и не фиксирует для неё общедоступного API — что является сторонним заявлением о том, что хостируемая поверхность ещё не видна людям, которые измеряют такие вещи. Её единственная независимо подсчитанная точка данных об эффективности реальна: Beam сгенерировала 79 млн выходных токенов в рамках Intelligence Index от AA против медианы в 130 млн для набора сравнения. Это подтверждает утверждение о «меньшем числе токенов рассуждения». Но это не говорит о том, как быстро выводятся токены.

Третье — это дрейф версий. Опубликованные рецепты написаны под конкретный чекпойнт и конкретную сборку SGLang, а драфтер — это отдельный репозиторий. Когда любой из них меняется, рецепт, который вы закрепили в октябре, — это конфигурация, которую никто не тестировал в ноябре. Воспринимайте команду Docker как отправную точку со сроком годности, а не как развёртывание.

Кто должен действовать сейчас, а кому следует подождать?

Если у вас уже есть мощности Blackwell, рецепта SGLang действительно достаточно для старта: четыре B300 — это эталонная конфигурация NVFP4, расчёты по памяти опубликованы, набор тестов на соответствие существует, а возможный ущерб ограничивается инженерным временем. Если у вас нет этого оборудования, расчёт всё равно не сходится, потому что у хостингового варианта нет прайс-листа, с которым можно сравнить капитальную закупку, — а поддержка фреймворков в день выхода, какой бы хорошей она ни была, не заменяет цену.

Следить нужно не за очередным фреймворком, объявляющим о поддержке. Следить нужно за первой опубликованной цифрой, которая пришла не от Reflection и не от проекта-фреймворка: независимым измерением пропускной способности на названной конфигурации или тарифной картой на эндпоинте первой стороны. Любое из этого превращает это из хорошо задокументированного эксперимента в статью расходов. До тех пор правильное прочтение 16 октября таково: сложная инженерная работа была выполнена в срок — а коммерческое обоснование — это та часть, которая всё ещё находится в стадии создания.

Ничего из этого не гипотетично: задокументированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, уровень серьёзности, класс уверенности и флаг оспаривания.