GPT-6.1 Sol против Reflection Beam: заявленная эффективность в 3–4 раза выше — и таблицы бенчмарков, которые это опровергают

Самое интересное число в Reflection Beam — не результат бенчмарка в материалах запуска. В анонсе Reflection от 2026-10-05 говорится, что Beam требует примерно в три-четыре раза меньше FLOPs на инференсе, чем GLM 5.2, при сопоставимом качестве — заявление об эффективности, сделанное против конкретного названного конкурента, на рынке, где стоимость за токен — это ограничение, в рамках которого реально работает большинство команд. Это также утверждение, которое собственные таблицы бенчмарков из того же анонса скорее усложняют, чем подтверждают: в этих таблицах Reflection Beam опережает GLM 5.2 в нескольких наборах и уступает GLM 5.3, Kimi K3 и другим в DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp и DeepSearchQA. Сопоставьте это с GPT-6.1 Sol, релизом Open​AI от 2026-09-29, и вы получите сравнение между моделью, чья эффективность — это аргумент, и моделью, чья эффективность уже оценена, измерена и опубликована.

Обе модели — это фронтирные релизы 2026 года, выпущенные соответственно в октябре и конце сентября, а разница в том, насколько много можно сказать о каждой из них, и составляет суть этой статьи. Всё нижеследующее взято из материалов запуска Reflection, страниц моделей и цен Open​AI, наших собственных записей каталога и независимых измерений Artificial Analysis — прочитано 2026-10-12. Там, где цифра — собственная цифра вендора и никто её не воспроизвёл, предложение, в котором она приводится, говорит об этом.

Что такое Reflection Beam, насколько известно кому-либо за пределами Reflection

Beam — это модель mixture-of-experts с 501 миллиардом параметров, из которых 23 миллиарда активны на токен. Это соотношение — то проектное решение, которое стоит заметить прежде всего: MoE 501B/23B создана для дешёвого обслуживания, потому что для любого данного токена работает лишь небольшая часть сети. Утверждение об эффективности в анонсе — не сюрприз, прикрученный к архитектуре, — это заявленная цель архитектуры.

• Общее число и активные параметры — 501B всего, 23B активных на токен, смесь экспертов.

• Модальность — только текст. Без зрения, без аудио, без ввода изображений.

• Контекст — 256 000 токенов в бета-API, с максимальным выводом 128 000 токенов и датой отсечки знаний 2026-06-30.

• Веса — не выпущены. Reflection заявила, что веса будут опубликованы под лицензией Apache 2.0 позднее в октябре; это самый значимый открытый вопрос об этой модели и причина того, что запуск фактически является превью.

• Цена — не опубликована. Для API Beam нет тарифной сетки, поэтому нигде в этой статье не приводится никаких цифр о его стоимости, и любое сравнение, основанное на подсчёте цены за токен, вынуждено оставить его столбец пустым.

• Независимые бенчмарки — отсутствуют. У Artificial Analysis нет строки для Reflection Beam, поэтому каждый показатель в разделе ниже — это собственный прогон Reflection с приложенными собственными базовыми значениями Reflection.

Таблицы поставщиков, если читать их честно

Reflection опубликовала набор сравнений по бенчмаркам вместе с запуском, и честный способ сообщить о них — сказать, что они показывают в обоих направлениях, потому что они не показывают лишь одно направление.

• Где Beam побеждает. На тех наборах задач, которые Reflection решила вынести в заголовок, Beam превосходит GLM 5.2 — модель, против которой делается заявление об эффективности. Если воспринимать это буквально, перед нами настоящий результат: более качественный вывод примерно за четверть–треть затрат на инференс — сильная позиция для любого, кто обслуживает большие объёмы.

• Где Beam проигрывает. Те же таблицы ставят Beam позади GLM 5.3, Kimi K3 и других актуальных моделей в DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp и DeepSearchQA. Это не периферийные наборы тестов; это бенчмарки по программной инженерии, использованию инструментов и глубоким исследованиям, которые определяют, пригодна ли модель для использования в качестве автономного агента.

Если читать таблицы вместе, они говорят о чём-то связном и более узком, чем «передовой уровень»: Beam выглядит как сильный релиз открытой модели, который превосходит предыдущее поколение на выбранном Reflection поле и не превосходит текущее поколение на поле агентных задач. Для модели это вполне нормальное состояние. Это не то же самое, что быть лучшей доступной моделью для агентной работы, и подача в анонсе подталкивает к более сильному прочтению.

Одно структурное замечание о самом показателе эффективности, поскольку это главная цифра. Сравнение FLOPs на токен с другой моделью — это свойство архитектуры и конфигурации обслуживания, а не качества результата — и в 3–4 раза меньше FLOPs — это измеренная вендором цифра без независимого воспроизведения. Это разумное основание ожидать, что Beam будет дёшев в обслуживании. Это не доказательство того, что Beam дёшев в использовании, и разница между этими двумя вещами — это и есть всё обсуждение стоимости на этой странице: модель, которая тратит больше токенов, чтобы прийти к ответу, может быть дешевле в расчёте на FLOP и дороже в расчёте на задачу одновременно.

Отгруженная сторона сравнения

Вот асимметрия, которую призвана задокументировать эта статья. GPT-6.1 Sol стал доступен в API Open​AI 29 сентября 2026 года. У него есть опубликованная тарифная сетка — $2,00 за миллион входных токенов, $10,00 за миллион выходных токенов, $0,10 за кэшированный вход, $2,50 за запись в кэш — документированное контекстное окно на 1 050 000 токенов, максимальный объём вывода в 128 000 токенов и независимая строка Intelligence Index со значением 52 при максимальном усилии рассуждения, а стоимость выполнения — $0,72 за задачу.

Эта цифра затрат — та, которую стоит противопоставить утверждению Reflection о FLOPs. 0,72 доллара за задачу — это не количество FLOPs и не тарифная сетка; это то, во сколько обходится работа, когда она завершена, измеренное третьей стороной, которая запускала модель. Именно эту цифру нужно было бы превзойти, чтобы аргумент Beam об эффективности сработал как закупочный аргумент, — а у Beam нет эквивалентной цифры, потому что у Beam нет ни опубликованной цены, ни независимого запуска.

Ещё два различия конкретны и проверяемы уже сегодня:

• Контекст и вывод — у GPT-6.1 Sol заявлено 1 050 000 токенов контекста против 256 000 у Beam в бета-версии, а максимальный вывод у обеих ограничен 128 000 токенов. Для работы масштаба репозитория или набора документов это четырёхкратная разница в том, сколько материала помещается в один вызов.

• Модальность — GPT-6.1 Sol принимает текст, изображения и файлы; Beam работает только с текстом. Если ваш пайплайн считывает скриншоты, сканы или диаграммы, Beam не является кандидатом независимо от его оценок.

Там, где у Beam есть аргумент, на который GPT-6.1 Sol структурно не может ответить, этот аргумент — в пользу открытых весов. Если веса под Apache 2.0 появятся в обещанные сроки, модель 501B/23B, у которой количество активных параметров составляет 23B, становится кандидатом на самохостинг так, как проприетарная модель никогда не сможет им стать. Двадцать три миллиарда активных параметров — это число, о котором хорошо оснащённая команда может рассуждать; контекст на 256 000 токенов в бета-версии и отсутствие опубликованных весов — вот почему этот аргумент должен ждать фактического релиза, а не решаться при запуске.

Кто должен сейчас воздействовать на какую модель?

Практический ответ зависит от того, что именно вы покупаете, и это разделение достаточно чёткое, чтобы сформулировать его напрямую.

Если вам нужна модель в продакшене на этой неделе для агентного программирования, использования инструментов или работы с документами в длинном контексте, то готовая модель — это GPT-6.1 Sol, и решение касается её цены, а не самого её существования. Её вывод — это та метрика, которая имеет значение, её ввод необычно дёшев — $0,10 за миллион, а свыше 272 000 входных токенов весь запрос пересчитывается по более высокой цене — порог, который стоит учесть при проектировании, прежде чем масштабировать цикл, читающий большой префикс. Она есть в нашем каталоге по ценам из прайс-листа Open​AI с наценкой 0%, поэтому ставка на карточке — это ставка в счёте, а изменение цены от поставщика появляется в каталоге в тот же день, а не после цикла обновления реселлера: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Если ваш интерес к Beam связан с выпуском открытых весов, а не с бета-API, следите за публикацией Apache 2.0, которую Reflection обещала на конец этого месяца. Пока весов не существует, все показатели возможностей в этой статье — от вендора, цена неизвестна, и ни план самостоятельного хостинга, ни сравнение затрат нельзя завершить. Если выпуск состоится по графику, Beam сразу становится интересен как эффективный уровень в конфигурации с двумя моделями — а это конфигурация, которую один эндпоинт с автоматическим переключением при сбое среди более чем 200 моделей обрабатывает без второй интеграции, что и является аргументом в пользу того, чтобы попробовать непроверенную модель на слое маршрутизации, а не закреплять за ней продакшен-путь.

Reflection Beam — это не то, что мы предоставляем. Когда его веса и его API должным образом откроются, он, как и большинство открытых релизов, будет на собственной платформе вендора и нескольких сторонних сервисах — и тогда эту страницу будет стоить переписать, потому что две вещи, которые она сейчас не может назвать, — сколько стоит Beam и какие результаты он показывает, когда его запускает кто-то кроме его создателя, — это ровно те две вещи, от которых зависит ответ.