Beam 1.0 vs Clef Flash: Den ena skriver kod, den andra kan inte skriva en mening

Ställ Beam 1.0 och Clef Flash sida vid sida och jämförelsen verkar absurd tills man inser vad den egentligen handlar om. Beam 1.0 är Reflections mixture-of-experts-modell med 501,3 miljarder parametrar, släppt med Apache 2.0-vikter den 16 oktober 2026 och byggd för kodning, resonemang och långsiktigt agentiskt arbete; den läser text och skriver text. Cloudflares Clef Flash är en modell med 9 miljarder parametrar som inte har någon textutmatningsväg alls — inte en försämrad sådan, ingen alls. Den tar ett tillstånd plus ett schema med typade frågor och returnerar en sannolikhet för varje tillåtet svar. Varje sida som rangordnar dessa två mot varandra utifrån benchmarkpoäng har missförstått båda. Den användbara frågan är vilken plats i en pipeline var och en av dem intar, för i ett välbyggt system är de inte rivaler; de är intilliggande steg.

Den där angränsningen är värd att förstå exakt, eftersom den förklarar en klass av produktionsfel som ingen benchmark för enskilda modeller synliggör: parsern du monterade på en chattmodell eftersom den var det enda du hade, och det femtioförsta svaret av hundra som inte passade ditt schema.

Vad varje modell faktiskt returnerar

Börja med utdatans form, eftersom allt annat följer av den.

• Beam 1.0 — fritext, med obligatoriskt resonemang. Ansträngningsnivåerna som stöds är low, medium, high, xhigh och max, och max är standard, så standardkonfigurationen tänker längst. Resonemang, verktygsanrop och strukturerade utdata stöds alla, och strukturerade utdata plus ett JSON-schema är det närmaste Beam kommer en begränsad retur.

• Clef Flash — en fördelning över en deklarerad svarsuppsättning. Cloudflares dokumentation beskriver en framåtpassning som poängsätter varje tillåtet alternativ; det finns inget genereringssteg och därför inget tolkningssteg. Leverantörens egen formulering är att detta är en beslutsmodell, och den andra produkten i lanseringen var en plattform för finjustering med förstärkningsinlärning för att bygga fler av dem.

Den praktiska skillnaden är vad som händer när indata ligger utanför omfånget. En textmodell som får en fråga utanför sin kompetens producerar självsäker prosa, och ditt system måste upptäcka det. Clef Flash producerar sannolikheter som summerar till ett över de val du gav den, vilket innebär att indata utanför omfånget visar sig som en platt fördelning i stället för en trovärdig mening – förutsatt att du har byggt en tröskel för det, vilket leverantören inte tillhandahåller. Cloudflares egen publicerade tabell visar det fallet som modellens svagaste cell.

Utvärderingarna överlappar inte, och det är slutsatsen.

Clef Flashs poäng kommer från Jev Decision Index och en uppsättning beslutsspecifika sviter, alla körda av Cloudflare, och flera körs mot en rivals egen benchmark – Jev publiceras av TypeSafe, leverantören av modellen som Clef Flash mäts mot. På dessa sviter är siffrorna starka: BFCL fall-exakt 98,8, API-Bank 93,1, en hushållsapparatsimulering på 97,7, ContractNLI macro-F1 84,3, RouterBench 79,9. Clef Flash överträffar den större 27B Clef på BFCL, på API-Bank och i apparatsviten, den sista med fjorton punkter. Inget av detta har oberoende reproducerats.

Beams utvärderingsregim är annorlunda till sin karaktär. Reflections modellkort rapporterar agentiska och mjukvaruutvecklingsbenchmarkar — SWEBench Verified 81,6, Terminal Bench v2.1 80,1, DeepSWE v1.1 43,3, GPQA Diamond 90,6 på BF16-checkpointen — alla rapporterade av leverantören. Den enda utomstående siffran är Artificial Analysis, som listar Beam 1.0 med ett Intelligence Index på 30, på nittonde plats av 120 modeller i indexversion v4.3.2, och anger varken pris eller hastighet eftersom den fortfarande ser "No publicly available API" för modellen. Det finns inget i Clef Flashs kolumn som motsvarar ett Intelligence Index, och inget i Beams kolumn som motsvarar en fall-exakt routerpoäng. De befinner sig inte på samma axel.

Det du kan jämföra är kostnadsstrukturen, och här ligger de två på varsin ytterkant. Cloudflare hostar Clef Flash på Workers AI för $0,038 per miljon indatatokens, med utdatatokens fakturerade till noll, eftersom det inte finns några – ungefär en sjättedel av de $0,24 som samma prislista tar för den större 27B Clef, och precis under de $0,042 som vi tar för en beslutsmodell som svarar på samma typ av förfrågan. Beam 1.0 har inget publicerat pris per miljon tokens alls – Reflections dokumentation innehåller en fullständig sida om hastighetsbegränsningar och ingen prislista. Egen hosting är den enda prissatta vägen, och den börjar vid fyra NVIDIA B300 GPU:er.

Var var och en hör hemma i ett verkligt system

Det ärliga svaret är att Clef Flash ersätter ett steg som du förmodligen utför dåligt, och Beam 1.0 ersätter ett steg som du förmodligen utför på ett dyrt sätt.

Clef Flash:s mål är klassificering, routning, gating och triage i en agentloop – överallt där rätt utdata är en av en känd uppsättning etiketter och kostnaden för ett felformat svar är ett nedströms undantag. Dess publicerade latensprofil, ungefär 38,8 ms i median och 122,4 ms vid p95, är den del som spelar roll där, eftersom den mäts i en regim där en textmodells tid-till-första-token inte gör det.

Beam 1.0:s mål är själva arbetet: att lösa GitHub-ärenden, arbeta i en CLI, köra verktygsarbetsflöden i flera steg. Argumentet som Reflection lägger fram är token-effektivitet snarare än högsta förmåga – modellkortet hävdar jämförbar lösningskvalitet med ledande öppna modeller vid ungefär tre gånger färre resonemangstoken under inferens, och det starkaste stödet för det är att Artificial Analysis registrerar 79M utdatatoken för Beam i Intelligence Index mot en median på 130M, tionde av fyrtiosex i det måttet. I en lång agentkörning där varje tur återuppspelar det tidigare samtalet är det den posten som förräntar sig.

Ingen av dem finns i vår katalog, och vi kommer inte att antyda något annat. Clef Flash körs på Cloudflares egna edge-GPU:er och Apache-2.0-vikterna är dina att självhosta; Beam 1.0:s vikter finns på Hugging Face under Apache 2.0 med ett förstaparts-API som inte har något publicerat pris.

Anledningen till att hålla båda nåbara

En pipeline som använder en beslutsmodell vid grinden och en resonemangsmodell bakom den är en strikt bättre arkitektur än en som använder en enda chattmodell för båda, och kostnaden för att bygga den så är den operativa kostnaden för ett andra beroende — ett andra kontrakt, en andra uppsättning nycklar, ett andra felmod. Det är den delen en router tar bort snarare än modelldelen.

Om gate-stegen i ditt system är de som Clef Flash beskriver, är den närmaste redan routade motsvarigheten TypeSafe:s Jev 1.13 — modellen som Cloudflare valde som sin benchmark-motpart, API-kompatibel med Clef Flashs förfrågningsformat, och i vår katalog till $0.042 per miljon indatatoken med utdata debiterad till noll och en kontext på 65 536 token.

För resonemangssteget bakom gate:en innehåller vår katalog de modeller som Beam dimensioneras mot: GLM-5.2 för $1,40 och $4,40 per miljon tokens med ett fönster på 1 000 000 tokens, Kimi K3 för $3,00 och $15,00 med 1 048 576, och Qwen3.8-Max för $2,00 och $6,00. En enda OpenAI-kompatibel nyckel täcker alla dem, leverantörens listpris går igenom utan något påslag, och automatisk failover innebär att gate-steget inte släcks för att en leverantör hade en dålig minut.

Du kan också behålla de två stegen på olika modeller utan att binda dig till någon av dem: en routningsregel som skickar schemaklassificeringstrafik till beslutsendpointen och fritextarbete till en resonemangsmodell är routnings-DSL:ens vanliga fall, och det innebär att beslutsstegets noggrannhet och resonemangsstegets kostnad kan justeras oberoende av varandra i stället för att avvägas inom en enda modells parameterantal.

Vilken är det du faktiskt är ute efter att köpa?

Om du har hamnat här för att din agent ibland avger en JSON-blob som din parser avvisar, vill du inte ha en modell med 501 miljarder parametrar. Du vill ha beslutsmodellen, och frågan du bör ställa är om din svarsmängd verkligen är uppräkningsbar och vad din avståendepolicy är — eftersom Clef Flash ger dig sannolikheter, inte en vägran.

Om du har hamnat här för att din kodagents räkning domineras av resonemangstoken som du inte kan se, vill du inte ha en klassificerare med 9 miljarder parametrar. Du vill ha Beam 1.0, eller en av de modeller som den mäts mot, och frågan du bör ställa är om du kan hosta den eller om du väntar på en prislista som inte har publicerats.

Det enda en head-to-head-jämförelse har rätt i är att båda är satsningar på samma tes från motsatta håll: att den dyra delen av en agent inte är svaret, utan allt runt omkring den. Cloudflares svar är att ta bort generering från de steg som aldrig behövde den. Reflections svar är att göra generering billigare per token tänkande. När de används tillsammans kostar de mindre än någon av dem gör ensam, vilket är ett bättre resultat än vad någon av leverantörernas benchmarktabeller kommer att berätta för dig.

Inget av detta är hypotetiskt: de dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, tillförlitlighetsgrad och omtvistad flagga.