Beam 1.0 против Clef Flash: один пишет код, другой не может написать и предложения

Поставьте Beam 1.0 и Clef Flash рядом, и сравнение покажется абсурдным, пока не поймёшь, о чём оно на самом деле. Beam 1.0 — это модель от Reflection на основе смеси экспертов с 501,3 млрд параметров, выпущенная с весами под Apache 2.0 16 октября 2026 года и созданная для программирования, рассуждений и долгосрочной агентной работы; она читает текст и пишет текст. Clef Flash от Cloudflare — это модель на 9 млрд параметров, у которой вообще нет пути текстового вывода — не ухудшенного, а никакого. Она принимает состояние плюс схему типизированных вопросов и возвращает вероятность для каждого допустимого ответа. Любая страница, которая ставит эти две модели друг против друга по результатам бенчмарков, неправильно поняла обе. Полезный вопрос — какое место в пайплайне занимает каждая из них, потому что в хорошо построенной системе они не соперники; они — смежные этапы.

Это соседство заслуживает точного понимания, потому что оно объясняет класс сбоев в продакшене, который не выявляет ни один бенчмарк отдельной модели: парсер, который вы прикрутили к чат-модели, потому что это было единственное, что у вас было, и пятьдесят первый ответ из сотни, который не вписался в вашу схему.

Что на самом деле возвращает каждая модель

Начните с формы вывода, потому что всё остальное следует из неё.

• Beam 1.0 — свободный текст с обязательными рассуждениями. Поддерживаемые уровни усилий: low, medium, high, xhigh и max, причём max используется по умолчанию, поэтому конфигурация «из коробки» думает дольше всего. Поддерживаются рассуждения, вызов инструментов и структурированные выходные данные, а структурированные выходные данные плюс схема JSON — это самое близкое к ограниченному ответу, что может предложить Beam.

• Clef Flash — распределение по объявленному набору ответов. Документация Cloudflare описывает прямой проход, который оценивает каждый разрешённый вариант; этапа генерации нет, а следовательно, нет и этапа разбора. Сам вендор позиционирует это как модель принятия решений, и вторым продуктом в релизе была платформа для тонкой настройки с обучением с подкреплением для создания новых таких моделей.

Практическая разница заключается в том, что происходит, когда входные данные выходят за пределы области применения. Текстовая модель, которую спрашивают о чём-то за пределами её компетенции, выдаст уверенный текст, и ваша система должна это заметить. Clef Flash выдаст вероятности, в сумме равные единице по вариантам, которые вы ей дали, а это значит, что вход вне области применения проявится как плоское распределение, а не как правдоподобное предложение — при условии, что вы задали для этого порог, которого поставщик не предоставляет. Опубликованная самой Cloudflare таблица показывает этот случай как самую слабую ячейку модели.

Оценки не пересекаются, и в этом заключается вывод

Оценки Clef Flash взяты из Jev Decision Index и ряда специализированных наборов тестов для конкретных решений; все они запускаются Cloudflare, а несколько проводятся на собственном бенчмарке конкурента — Jev публикуется TypeSafe, производителем модели, с которой сравнивают Clef Flash. На этих наборах показатели высокие: BFCL case-exact — 98,8, API-Bank — 93,1, симуляция бытовой техники — 97,7, ContractNLI macro-F1 — 84,3, RouterBench — 79,9. Clef Flash немного опережает более крупную 27B-модель Clef на BFCL, на API-Bank и на наборе для бытовой техники, причём в последнем случае — на четырнадцать пунктов. Ни один из этих результатов не был независимо воспроизведён.

Система оценки Beam качественно отличается. В карточке модели Reflection сообщаются результаты агентных и программно-инженерных бенчмарков — SWEBench Verified 81.6, Terminal Bench v2.1 80.1, DeepSWE v1.1 43.3, GPQA Diamond 90.6 на контрольной точке BF16 — все заявлены производителем. Единственный внешний показатель — это Artificial Analysis, где Beam 1.0 указан с Intelligence Index, равным 30, девятнадцатое место из 120 моделей в версии индекса v4.3.2, и не указывается ни цена, ни скорость, поскольку он по-прежнему отображает «Нет общедоступного API» для модели. В столбце Clef Flash нет ничего, что соответствовало бы Intelligence Index, и в столбце Beam нет ничего, что соответствовало бы точной по кейсам оценке роутера. Они не на одной оси.

Что можно сравнить, так это структуру затрат, и здесь эти двое находятся на противоположных полюсах. Cloudflare размещает Clef Flash на Workers AI по цене $0,038 за миллион входных токенов, причём выходные токены тарифицируются по нулю, потому что их нет — примерно шестая часть от $0,24, которые та же тарифная сетка взимает за более крупную 27B Clef, и чуть меньше $0,042, которые мы взимаем за модель принятия решений, отвечающую на запросы той же формы. У Beam 1.0 вообще нет опубликованной цены за миллион токенов — документация Reflection содержит полноценную страницу об ограничениях скорости и никакой тарифной сетки. Самостоятельный хостинг — единственный вариант, для которого указана цена, и он начинается с четырёх GPU NVIDIA B300.

Где каждое из них должно находиться в реальной системе

Честный ответ заключается в том, что Clef Flash заменяет шаг, который вы, вероятно, выполняете плохо, а Beam 1.0 заменяет шаг, который вы, вероятно, выполняете с большими затратами.

Цель Clef Flash — классификация, маршрутизация, гейтинг и триаж внутри цикла агента — везде, где правильный вывод является одним из известного набора меток, а стоимость некорректного ответа — исключение на последующем этапе. Его опубликованный профиль задержки, примерно 38,8 мс по медиане и 122,4 мс на p95, — это то, что там имеет значение, потому что он измеряется в режиме, где время до первого токена текстовой модели не учитывается.

Цель Beam 1.0 — сама работа: решение задач GitHub, работа в CLI, выполнение многошаговых рабочих процессов с инструментами. Аргумент, который приводит Reflection, — это эффективность использования токенов, а не пиковые возможности: в карточке модели утверждается сопоставимое качество решения задач с ведущими открытыми моделями при примерно втрое меньшем количестве токенов рассуждений на этапе вывода, и самое сильное подтверждение этому — Artificial Analysis, зафиксировавшая 79 млн выходных токенов для Beam по всему Intelligence Index против медианы в 130 млн, десятое место из сорока шести по этому показателю. При длительном прогоне агента, в котором каждый ход воспроизводит предыдущую переписку, именно эта статья расходов и накапливается.

Ни того, ни другого нет в нашем каталоге, и мы не станем намекать на обратное. Clef Flash работает на собственных edge-GPU Cloudflare, а веса под Apache-2.0 вы можете развернуть у себя самостоятельно; веса Beam 1.0 размещены на Hugging Face под Apache 2.0, а цена на API от самой компании не опубликована.

Причина, по которой оба должны оставаться доступными

Конвейер, который использует модель принятия решений на шлюзе и модель рассуждений за ней, — это строго лучшая архитектура, чем та, что использует одну чат-модель для обеих задач, а цена построения его таким образом — это операционная цена второй зависимости: второго контракта, второго набора ключей, второго режима отказа. Именно эту часть, а не часть с моделью, устраняет роутер.

Если шаги гейта в вашей системе — это те, что описывает Clef Flash, ближайший уже маршрутизированный эквивалент — Jev 1.13 от TypeSafe, модель, которую Cloudflare выбрала в качестве эталонного аналога, API-совместимая с формой запроса Clef Flash, и в нашем каталоге по цене 0,042 доллара за миллион входных токенов при нулевой оплате вывода и с контекстом 65 536 токенов.

Для этапа рассуждений, стоящего за гейтом, в нашем каталоге есть модели, с которыми сравнивается Beam: GLM-5.2 по цене $1,40 и $4,40 за миллион токенов с окном в 1 000 000 токенов, Kimi K3 — $3,00 и $15,00 при 1 048 576, а Qwen3.8-Max — $2,00 и $6,00. Один ключ, совместимый с OpenAI, покрывает их все; прайс-лист провайдера передаётся как есть, без каких-либо надбавок, а автоматическое переключение при сбое означает, что этап гейта не уйдёт в офлайн из-за того, что у одного провайдера выдалась плохая минута.

Вы также можете оставить два этапа на разных моделях, не делая окончательный выбор в пользу ни одной из них: правило маршрутизации, которое отправляет трафик классификации схем на конечную точку принятия решений, а работу со свободным текстом — на модель рассуждений, — это обычный случай DSL маршрутизации, и оно позволяет настраивать точность этапа принятия решений и стоимость этапа рассуждений независимо, вместо компромисса внутри количества параметров одной модели.

Какой из них вы на самом деле собираетесь купить?

Если вы оказались здесь потому, что ваш агент время от времени выдаёт JSON-блок, который ваш парсер отвергает, вам не нужна модель с 501 миллиардом параметров. Вам нужна модель принятия решений, и вопрос, который следует задать, — действительно ли ваше множество ответов перечислимо и какова ваша политика воздержания, — потому что Clef Flash даёт вам вероятности, а не отказ.

Если вы оказались здесь, потому что счёт вашего агента для программирования в основном состоит из токенов рассуждений, которых вы не видите, вам не нужен классификатор с 9 миллиардами параметров. Вам нужен Beam 1.0 или одна из моделей, с которыми его сравнивают, и вопрос, который следует задать, — можете ли вы хостить его сами или ждёте прайс-лист, который ещё не опубликован.

Единственное, в чём лобовое сравнение право, — это то, что оба варианта — ставки на один и тот же тезис с противоположных сторон: дорогая часть агента — не ответ, а всё, что вокруг него. Ответ Cloudflare — убрать генерацию из шагов, которым она никогда не требовалась. Ответ Reflection — сделать генерацию дешевле в расчёте на токен размышления. При совместном развёртывании они стоят меньше, чем каждое из них по отдельности, а это лучший результат, чем вам покажет таблица бенчмарков любого из вендоров.

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.