Beam 1.0 vs Kolibri: två Apache 2.0-utgåvor är inte samma utgåva

Beam 1.0 och Kolibriär de två mest jämförbara öppenviktslanseringarna den senaste månaden, och att jämföra dem är mer användbart än att jämföra någon av dem med en frontier-API-modell, eftersom båda faktiskt kan laddas ned. Aleph Alphas Kolibri kom den 3 oktober 2026 – 78 103 074 560 parametrar totalt, 3 457 573 120 aktiva per token, ett validerat kontextfönster på 1 048 576 tokens, tyska och engelska, Apache 2.0. Reflections Beam 1.0 kom den 16 oktober 2026 med 501,3 miljarder parametrar totalt, 23,4 miljarder aktiva, 1 miljon tokens i kontext, engelska och samma licens. Samma licens, liknande sparsitetsfilosofi och nästan inget annat gemensamt – vilket är precis varför parkopplingen säger dig mer än en storlek-mot-storlek-jämförelse skulle göra. Den ena byggdes av ett labb med ett jurisdiktionsargument att lägga fram; den andra av ett labb med ett förmågeargument att lägga fram.

De två skiljer sig också åt på ett sätt som avgör de flesta verkliga driftsättningar innan en enda benchmark-rad har lästs: vad leverantören publicerade tillsammans med vikterna. Aleph Alpha levererade en ovanligt fullständig redogörelse för hur modellen tränades – dataproveniens, energi, den misslyckade föregångaren, de exakta GPU-timmarna. Reflection levererade en verifierare som du kan rikta mot din egen endpoint. Det är olika typer av tillit, och vilken av dem din upphandlingsprocess accepterar är den första frågan att besvara.

Samma licens, olika produkter

Börja med det som verkligen är identiskt, eftersom det är mindre än det ser ut.

• Licens — båda Apache 2.0, båda med licensen i repositoriet i stället för i en bloggmening. Beams kort tillägger att destillation, finjustering, kvantisering och sammanslagning inte är begränsade. Kolibri har ingen tilläggsklausul om godtagbar användning, inget tröskelvärde för månatligt aktiva användare och inga separata kommersiella villkor.

• Gleshetsstrategi – båda är mixture-of-experts-modeller med aggressiva aktiveringskvoter. Kolibri aktiverar 3,46B av 78,1B, ungefär 4,4 procent; Beam aktiverar 23,4B av 501,3B, ungefär 4,7 procent. Inget av laboratorierna säljer en tät modell till dig.

• Lång kontext — Kolibri uppger ett inbyggt fönster på 262 144 token, med kvalitet och serveringseffektivitet validerade upp till 1 048 576; Beam uppger 1M på kortet och 131 072 token som maximal utdata i API:et.

• Ingen oberoende benchmarkreproduktion — ingen av leverantörernas tabeller har kontrollerats av en tredje part. Artificial Analysis har överhuvudtaget ingen modellsida för Kolibri, medan den listar Beam 1.0 med ett Intelligence Index på 30, på nittonde plats av 120 i indexversion v4.3.2.

Den sista raden är den första verkliga asymmetrin och den är lätt att missa. Beam har en extern siffra; Kolibri har ingen. En 30 på ett index som omfattar 120 modeller är inte en smickrande siffra, men det är en siffra som Reflection inte har tagit fram, och för en köpare som ska avgöra om en leverantörs tabell är tillförlitlig är förekomsten av en oberoende mätning värd mer än dess värde.

Vad varje leverantör valde att publicera

Aleph Alphas släppdokumentation är den mer ovanliga artefakten. Tillsammans med vikterna publicerade företaget 20 biljoner förträningstokens hämtade från en filtrerad tvåspråkig korpus – ungefär 62,5 procent engelska, 23,9 procent tyska, 13,6 procent kod – plus 3,44 biljoner tokens för mellanträning och 201 miljarder för långkontextförlängning. Beräkningskraften anges som 768 NVIDIA B200:or över 96 HGX-noder, 21 dagars förträning under 511 timmar och 392 000 GPU-timmar vid rapporterade 6,4×10²³ FLOPs, där mellanträningen tillför fem dagar och 90 000 GPU-timmar och långkontextförlängningen tillför 13 timmar och 10 000 GPU-timmar. Energin uppskattas till 9,5×10² MWh inklusive overhead för datacentret, omfattar förträning, mellanträning och långkontextträning samt exkluderar övervakad finjustering och förstärkningsinlärning.

För det första har en organisation med en upphandlingsregel som börjar med "var kom träningsdatan ifrån och enligt vilken lag" ett svar snarare än en konversation. För det andra, och mindre bekvämt, visar samma dokumentation att modellen förlorar mot Qwen3.8 27B i Aleph Alphas egen testrigg — 75,5 mot 80,2 på det engelska genomsnittet och 70,8 mot 79,9 på det tyska genomsnittet, med Qwen före på GPQA Diamond, LiveCodeBench v6, SWE-Bench Verified och båda benchmarkarna för lång kontext. Gemma 4 26B-A4B IT ligger på 71,9 och 66,3 på de två genomsnitten. Det som talar för Kolibri är inte att det är den starkaste modellen i sin storlek; det är att det är den starkaste modellen i sin storlek vars träning du kan granska. Den dokumentationen är anledningen till att släppet framstår som forskning snarare än marknadsföring: Aleph Alpha beskriver hur modellen skapades eftersom man vill att pipelinen, inte modellen, ska vara produkten, och ett labb som säljer en träningspipeline publicerar siffrorna som visar att pipelinen fungerade.

Reflection publicerade en annan typ av sak. Beam 1.0:s lansering innehåller referenskonfigurationer för servering, ett Helm-diagram, stöd från dag ett i Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed och NVIDIA Dynamo, samt beam-verifier CLI, som kör en konformitetssvit mot en live-endpoint och sedan utvärderar den mot de viktigaste benchmarkarna så att en driftsättning kan kontrolleras mot Reflections referenspoäng. Det den inte innehåller är en prislista: dokumentationen har en hel sida om hastighetsbegränsningar och inget pris per miljon token, och tillkännagivandet säger bara att API:et är gratis att komma igång med.

Vad det kostar att driva var och en

Ingen av dem finns i vår katalog, och vi kommer inte att antyda något annat. Båda är köp för egen drift, och hårdvarugolven är det verkliga priset.

• Beam 1.0 — NVFP4-bygget är 273 GiB och referenskonfigurationen är fyra NVIDIA B300 SXM-GPU:er på NVLink, en enda maskin. FP8 är 468,72 GiB och körs på åtta H200; BF16 är 933,81 GiB och hamnar på åtta B200 eller B300. En DFlash2-drafter på 1,93B levereras tillsammans för spekulativ avkodning, värd 1,7× till 3,0× snabbare avkodning på NVFP4-checkpointen. Serveringsrecepten håller KV-cachen i FP8 E4M3 med en 64-token-sida.

• Kolibri — FP8-checkpointen är den dokumenterade serveringsprecisionen, med 128×128-blockvikter och dynamiskt kvantiserade aktiveringar, utvärderad med en FP8-KV-cache medan inbäddningar, LM-huvudet, normaliseringarna och MoE-routern förblir i bfloat16. En vLLM-parser för verktygsanrop levereras i samma repo som vikterna, och repot är fritt tillgängligt — en nedladdning under Apache 2.0 snarare än en förfrågan.

Den jämförelse en köpare faktiskt borde göra är inte benchmarkrader. Det är en självhostad endpoint med två GPU:er som svarar på tyska och engelska och vars träning du kan dokumentera, mot en endpoint med fyra GPU:er som är starkare på kodning och agentiskt arbete och vars träningsdokumentation, så vitt vi kan hitta, inte sträcker sig till GPU-timmar eller energi.

Om din arbetsbelastning är reglerade dokument som inte får lämna byggnaden, är det första det enda som avgör saken. Om din arbetsbelastning är en ingenjörsagent, är det andra det enda med en verifierare.

Om du vill ha kapaciteten utan racket

Båda modellerna beskriver en klass – MoE med få aktiva parametrar och en tillåtande licens – som redan levereras på rutter du kan anropa i dag, och att prissätta alternativet är det snabbaste sättet att avgöra om det är värt att äga hårdvaran.

• Gemma 4 26B-A4B IT — 0,06 USD per miljon indatatoken och 0,33 USD per miljon utdatatoken med ett fönster på 262 144 token. Det närmaste man kommer Kolibri-nivån på en routad slutpunkt, och modellen som faktiskt slår Kolibri i Aleph Alphas egna engelska och tyska genomsnitt.

• Qwen3.8-27B — 0,33 $ för indata och 2,40 $ för utdata, kontextfönster på 262 144 token och Apache-licensierade öppna vikter om du hellre vill köra dem än hyra dem.

• GLM-5.2 — $1.40 och $4.40 med ett fönster på 1 000 000 token, för det långkontext- och kodningsarbete som Beam 1.0 är inriktad på.

• Kimi K3 — $3.00 för indata, $0.30 för cachad indata, $15.00 för utdata vid 1 048 576 tokens, den modell som Reflections eget lanseringsinlägg medger ligger före i rå kapacitet.

OrcaRouter routar den uppsättningen bakom en enda OpenAI-kompatibel nyckel med leverantörens listpris vidarebefordrat och inget påslag, så att en leverantörs prissänkning hamnar på din faktura samma dag i stället för vid nästa avtalsförnyelse, och automatisk failover täcker fallet där en leverantör försämras under belastning. Ett användbart mönster för alla som överväger en suverän driftsättning är att köra den reglerade trafiken mot en egenhostad Kolibri-endpoint och det allmänna arbetet mot en routad nivå, med en routningsregel som avgör vilket som är vilket — en nyckel, en konfiguration och ett hårdvarubeslut som bara behöver motiveras för de dokument som behöver det.

Vilken release letade du faktiskt efter?

Om du sökte efter öppna vikter eftersom du behöver svara på en fråga om härkomst, jurisdiktion eller granskningsbarhet, är Kolibri släppet med svaret. Det är inte den starkaste modellen i sin storlek – Aleph Alphas egna tabeller säger det – och den täcker två språk, och dess rekommenderade serveringskonfiguration är två H100 SXM5 eller två H200 – eller en enda B200 eller B300, som hårdvarutabellen listar tillsammans med dem. Avvägningen är explicit och, för en reglerad driftsättning, förmodligen korrekt.

Om du sökte efter öppna vikter eftersom du vill ha en ingenjörsagent som du kan köra själv, är Beam 1.0 utgåvan med kapaciteten, serveringsstacken och verifieringsverktygen, och den kräver fyra B300:or och en prislista som ännu inte har skrivits. Avvägningen där är kapital och oklarhet mot en modell som utför kodningsarbete nära forskningsfronten på din egen hårdvara.

Vad parkopplingen visar är att "open weight" slutade vara en särskiljande faktor för ett tag sedan. Två Apache 2.0-släpp från två labb på två veckor kan dela en licens, en sparsitetsfilosofi och ett kontextfönster, och ändå vara svar på helt olika frågor. Att sortera efter licens leder ingenstans; att sortera efter vilken fråga släppet byggdes för att besvara leder dig till rätt mapp.

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.