Beam 1.0 vs Qwen 3.8: Ett levererat viktsläpp mot en prislista

Den 5 oktober 2026 Reflection Beam 1.0 tillkännagavs som en modell med öppna vikter vars vikter inte var ute. Den 16 oktober 2026 släpptes de – fyra repon på Hugging Face under Apache 2.0, i precisionerna BF16, FP8 och NVFP4, plus en 2B-draftmodell för spekulativ avkodning. Qwen 3.8 har varit den motsatta historien i två och en halv månad: A​libabas generation gick live den 3 augusti 2026 med Qwen3.8-Max som ett prissatt API till $2.00 per miljon indatatoken och $6.00 per miljon utdatatoken, en syskonmodell med öppna vikter som följde under en anpassad licens och en dense-modell med 27 miljarder parametrar under Apache 2.0. Båda modellerna uppger en kontext på en miljon token. Båda resonerar, båda anropar verktyg, båda är enbart text i gränssnittet. Skillnaden som är värd att förstå är vilken av dem du kan budgetera för och vilken du kan hålla i handen, för efter den 16 oktober har varje modell exakt en av dessa och inte den andra.

Båda siffrorna ovan kommer från leverantören, och båda modellerna har nu mätts av Artificial Analysis – vilket är tillräckligt ovanligt inom detta område för att vara anledningen till att den här jämförelsen överhuvudtaget kan skrivas.

Nuläget, modell för modell

• Parametrar — Beam 1.0 är en gles mixture-of-experts-modell med totalt 501,3 B och 23,4 B aktiva per token, över 52 lager, tre täta och 49 MoE, med 256 experter i den konfiguration som modellkortet beskriver. Antalet parametrar för Qwen3.8-Max har aldrig offentliggjorts av Alibaba; den öppna syskonmodellen till dess kärna, Qwen3.8-2.4T-A95B, är en MoE med 2,4 biljoner parametrar och ungefär 95 miljarder aktiva, vilket är så nära storleken på flaggskeppet som någon utanför företaget kan komma.

• Kontextfönster — 1 000 000 tokens på modellkortet för Beam 1.0. 1 000 000 tokens i OrcaRouters listning för qwen/qwen3.8-max, och 984 000 på Artificial Analysis-sidan för samma modell. De två är samma siffra avrundad på olika sätt och är inte en skillnad mellan modellerna.

• Modalitet — Beam 1.0 är text in, text ut, vilket tydligt anges på dess kort. Qwen3.8-Max tar emot text och bilder och returnerar text, vilket är en verklig skillnad i kapacitet snarare än en formateringsfråga.

• Licens — Beam 1.0 är Apache 2.0, utan användartak och utan separat kommersiell nivå. Qwen 3.8-generationen är blandad: checkpointen för 2.4T Max-kärnan går att ladda ner under en anpassad licens, den dense 27B-modellen under Apache 2.0, och själva flaggskeppet Max har inga vikter alls.

• Pris — inte publicerat för Beam 1.0 någonstans på Reflections egna webbplatser, och registrerat som otillgängligt på Artificial Analysis-sidan för modellen. 2,00 $ och 6,00 $ per miljon tokens för Qwen3.8-Max, publicerade av Alibaba och listade på vår egen rutt med samma siffror.

Oberoende poäng – Artificial Analysis Intelligence Index v4.3.2 placerar Beam 1.0 på 30, rankad 19:e av 120 i sin jämförelseklass. Samma index har Qwen3.8-Max (0902) på 45, rankad 33:a av 217, och AA har utvärderat Max-linjen i mer än en build, där siffran varierar mellan dem.

• Hastighet — inte tillgänglig för Beam 1.0; sidan registrerar utmatningshastigheten som okänd, eftersom det inte finns någon offentlig slutpunkt att mäta den med. 38,8 utdatatoken per sekund för Qwen3.8-Max, vilket AA beskriver som påfallande långsamt för dess nivå.

Vad de sexton dagarna mellan tillkännagivandet och lanseringen faktiskt förändrade

Klyftan är värd att beskriva exakt, för det är en sådan sak som plattas till när vikterna väl har släppts.

Reflections lanseringsinlägg sade att vikterna, den tekniska rapporten, modellkortet och utvecklarartefakterna skulle följa ”senare denna månad”, och lovade Apache 2.0. Mellan 5 oktober och 16 oktober var det enda en läsare kunde göra med Beam 1.0 att gå med i en väntelista. Modellen hade en benchmarktabell, en publicerad träningsredogörelse — 23,8 biljoner tokens på 6 144 GB300 NVL72 GPU:er på under fyra veckor, en RL-fas på 10 500 GB300:or, mer än 100 miljoner rollouts — och ingen nedladdning.

Sedan, den 16 oktober, dök tre kvantiseringsvarianter och en draftmodell upp i en Hugging Face-samling, och modellkortet kom med en fullständig utvärderingstabell för alla tre precisionerna. För en läsare som ska bestämma vad som ska köras är den viktiga konsekvensen inte benchmark-siffrorna, som fortfarande är Reflections egna och inte reproducerade. Det är att modellen har flyttats från kategorin "annonserad" till kategorin "något du kan inspektera, kvantisera, finjustera och servera". En licens du kan agera utifrån är en annan tillgång än en licens du har blivit utlovad.

Qwen 3.8 tog den motsatta vägen till samma plats. A​libaba inledde generationen med en prissatt, driftsatt flaggskeppsmodell den 3 augusti 2026 och släppte vikter i etapper därefter – 2,4T-kärnan den 12 augusti, den täta 27B den 14 augusti, förhandsvisningen av Flash-Next senare samma månad. Ingen behövde vänta på ett löfte, eftersom det du kunde köpa kom först och det du kunde ladda ner kom sedan.

De två prissituationerna är inte symmetriska.

Qwen3.8-Max är en av våra rutter. Den ligger på 2,00 dollar per miljon indatatokens och 6,00 dollar per miljon utdatatokens med ett kontextfönster på en miljon tokens, till leverantörens listpris som förs vidare utan påslag – så om Alibaba ändrar den satsen ändras din faktura samma dag i stället för vid nästa avtalsförnyelse. Det är vad "modellen har ett pris" betyder i praktiken, och det är anledningen till att den här artikeln kan lägga ett uträknat tal framför läsaren för den ena sidan av jämförelsen men inte den andra.

Beam 1.0 har inget sådant nummer. Tolv dagar efter tillkännagivandet var det en förhandsvisning med väntelista bakom en registreringsvägg; den 16 oktober blev den en nedladdning. Ingen av dessa statusar har en taxa knuten till sig. Varje dollarbelopp du ser anges för Beam 1.0 är någons hårdvaruuppskattning, och kortet tillhandahåller ingen serveringsrekommendation, inget hårdvarugolv och ingen genomströmningssiffra att uppskatta utifrån. Prisraden är det enskilt största hålet i modellens dokumentation, och det är ett hål som ett parameterantal på 501B gör dyrt att fylla.

Det finns en version av den här jämförelsen där storlekarna gör kostnadsargumentet åt dig — 23,4B aktiva parametrar mot en omtalad 95B är ett förhållande på fyra mot ett i beräkning per token, och om den mindre modellen hade ett pris skulle den mycket väl kunna vara den billigare att köra. Det argumentet kan inte föras här, eftersom ena sidan av det saknar ett pris. Vad som kan sägas är att en modell med ett publicerat pris och en modell med en publicerad licens båda, i olika bemärkelser, är redo att använda, och en köpare behöver båda raderna för att välja.

Förmåga, med sourcingen bifogad

Beam 1.0:s modellkort rapporterar SWE-bench Verified 81,6 % på BF16-checkpointen, Terminal Bench v2.1 på 80,1, SWE Bench Pro v1 på 66,1, DeepSWE v1.1 på 43,3, GPQA Diamond på 90,6, AIME 2026 på 97,7, LiveCodeBench på 88,3, MCP Atlas på 80,8, LongBench v2 på 67,5 och IFBench på 79,6, med FP8- och NVFP4-värdena typiskt en eller två punkter lägre. Reflections egen positionering är försiktig: man beskriver Beam som konkurrenskraftig mot större öppna modeller och som närmar sig Qwen 3.8-Max; Beam matchar GLM-5.2 i resonemang samtidigt som den använder tre till fyra gånger mindre inferensberäkning, och man erkänner att Kimi K3 fortfarande leder i rå kapacitet. Allt är rapporterat av leverantören och inget av det har reproducerats av en tredje part.

Siffrorna för Qwen3.8-Max kommer från två håll. Alibaba rapporterar sina egna, inklusive 86,6 % på Terminal Bench 2.1, och de företagsprislistor som hör till en flaggskeppslansering. Den oberoende sammanställningen från Artificial Analysis är den mer användbara raden: 45 på Intelligence Index v4.3.2, vilket placerar modellen väl över medianen för dess jämförelseklass på 27 men under frontlinjen, och en uppmätt utdatahastighet på 38,8 token per sekund som AA beskriver som långsam även mot en median för nivån på nära 88. Ett flaggskepp som ligger 15 punkter före Beam 1.0 på samma oberoende index och kostar 2,00 dollar att prata med är en annan historia än ett som ligger före i en leverantörs egen tabell.

Det enda tal som skulle avgöra effektivitetsargumentet – tokens per energienhet eller per dollar beräkningskraft, mätt på identisk hårdvara – finns inte för någon av modellerna. Reflections stödjande diagram uppskattar FLOPs till ungefär två gånger antalet aktiva parametrar gånger genererade tokens och säger i sin egen bildtext att detta utesluter prefill, attention och serving-overhead. Det är ett ärligt erkännande av en begränsning, och det är fortfarande inte en mätning.

Vad var och en är till för

Ta till Qwen3.8-Max när du behöver något som går att anropa och som står till svars. Det finns ett pris, en kontextsiffra och ett oberoende betyg, den läser både bilder och text, och den svarar via en nyckel du kan hålla i handen redan i dag. Kostnaderna är ärliga: den är dyr, med $2.00 och $6.00 per miljon tokens, och den oberoende mätningen säger att den är långsam för sin klass, så en arbetsbelastning med hög volym kommer att lägga märke till båda. De öppna vikterna i generationen finns, men den checkpoint som ligger bakom flaggskeppsnamnet omfattas av en anpassad licens och är av datacenterstorlek, så det är inte den utväg det låter som att självhosta exakt det du köper.

Välj Beam 1.0 när du vill äga stacken. Apache 2.0 med tre kvantiseringsnivåer, en kontext på 1M tokens, en alltid påslagen resonemangsbudget som du justerar i stället för att slå av och på, och en utvärderingstabell inriktad på kodning och agentiskt arbete. Priset för det ägandet är allt runt omkring: en serveringskostnad du själv måste uppskatta, ett parameterantal som gör uppskattningen stor, och ingen oberoende poäng att jämföra leverantörens tabell mot – Intelligence Index-siffran 30 är verklig och kommer från tredje part, men det är en sammansatt poäng, inte en verifiering per benchmark.

Och för det blandade fallet – ett team som till slut vill ha de öppna vikterna men behöver en endpoint redan det här kvartalet – är det vanliga svaret båda: dirigera arbetet genom en serverad modell till ett publicerat pris medan den egenhostade driftsättningen byggs och benchmarkas på era egna uppgifter. OrcaRouter kör fler än 200 modeller bakom en enda OpenAI-kompatibel nyckel med automatisk failover mellan leverantörer, så en egenhostad lösning kan ta en bråkdel av trafiken och lämna tillbaka resten när den försämras, och inget andra avtal krävs för att prova en modell som ni inte har bundit er till.

Vad du ska titta på härnäst

En enda sak förändrar den här sidan, och det är en enda rad. Om Reflection eller en servingpartner publicerar en Beam 1.0-taxa – för API:et, eller för en hostad FP8- eller NVFP4-driftsättning – blir jämförelsen ren aritmetik: 23,4B aktiva parametrar mot ett ryktat 95B, två oberoende indexpoäng och två priser. Det är en sida värd att läsa. Fram till dess är den sanningsenliga sammanfattningen att Reflection levererade den halva det hade lovat, Alibaba levererade den halva det hade prissatt, och båda modellerna väntar på den andra halvan.

Den där klyftan mellan vad en resultattavla mäter och vad en driftsättning möter är anledningen till att registret är viktigt: de dokumenterade AI-felen och agentincidenterna kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.