GPT-6.1 Sol mot Reflection Beam: Påståendet om 3–4× effektivitet, och benchmarktabellerna som undergräver det

Det mest intressanta numret i Reflection Beams lanseringsmaterial är inte en benchmarkpoäng. Reflections tillkännagivande av 2026-10-05 säger att Beam kräver ungefär tre till fyra gånger färre inferens-FLOPs än GLM 5.2 vid jämförbar kvalitet – ett effektivitetsanspråk, riktat mot en specifik namngiven rival, på en marknad där kostnaden per token är den begränsning som de flesta team faktiskt arbetar under. Det är också ett påstående som samma tillkännagivandes egna benchmarktabeller komplicerar snarare än stöder: i dessa tabeller slår Reflection Beam GLM 5.2 på flera testsviter och ligger efter GLM 5.3, Kimi K3 och andra på DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp och DeepSearchQA. Ställ det mot GPT-6.1 Sol, Open​AI:s lansering av 2026-09-29, och du får en jämförelse mellan en modell vars effektivitet är argumentet och en modell vars effektivitet redan är prissatt, mätt och publicerad.

Båda modellerna är 2026-släpp i frontier-klass, från oktober respektive slutet av september, och skillnaden i hur mycket som kan sägas om var och en av dem är själva substansen i den här artikeln. Allt nedan kommer från Reflections lanseringmaterial, Open​AIs modell- och prissidor, våra egna katalogposter och oberoende mätningar från Artificial Analysis, lästa 2026-10-12. Där en siffra är leverantörens egen och ingen har reproducerat den, står det i meningen som innehåller den.

Vad Reflection Beam är, så vitt någon utanför Reflection vet

Beam är en mixture-of-experts-modell med 501 miljarder parametrar och 23 miljarder aktiva parametrar per token. Den kvoten är det designbeslut som är värt att lägga märke till före allt annat: en 501B/23B-MoE är byggd för att vara billig att betjäna, eftersom bara en liten del av nätverket körs för varje given token. Effektivitetsanspråket i tillkännagivandet är inte en överraskning som skruvats fast på arkitekturen – det är arkitekturens uttalade syfte.

• Totala och aktiva parametrar — 501B totalt, 23B aktiva per token, expertsmix.

• Modalitet — endast text. Ingen visuell förmåga, inget ljud, ingen bildinmatning.

• Kontext – 256 000 tokens i beta-API:et, med en maximal utdata på 128 000 tokens och en kunskapsgräns på 2026-06-30.

• Vikter – inte släppta. Reflection har sagt att vikterna kommer att publiceras under Apache 2.0 senare i oktober, vilket är den enskilt mest betydelsefulla öppna frågan om den här modellen och anledningen till att lanseringen i praktiken är en förhandsvisning.

• Pris — inget publicerat. Det finns ingen prislista för Beams API, så ingen kostnadssiffra för det förekommer någonstans i den här artikeln, och varje jämförelse som bygger på per-token-aritmetik måste lämna sin kolumn tom.

• Oberoende benchmarks – inga. Artificial Analysis har ingen rad för Reflection Beam, så varje poäng i avsnittet nedan är från Reflections egen körning, med Reflections egna baslinjer bifogade.

Leverantörstabellerna, ärligt lästa

Reflection publicerade en uppsättning benchmarkjämförelser i samband med lanseringen, och det ärliga sättet att rapportera dem är att säga vad de visar i båda riktningarna, eftersom de inte visar en riktning.

• Där Beam vinner. På de sviter som Reflection valde att lyfta fram överträffar Beam GLM 5.2 – modellen som effektivitetsanspråket ställs mot. Om man tar det för vad det är, är det ett genuint resultat: bättre utdata till ungefär en fjärdedel till en tredjedel av inferenskostnaden är en stark position för alla som servar i stor skala.

• Där Beam förlorar. Samma tabeller placerar Beam bakom GLM 5.3, Kimi K3 och andra aktuella modeller på DeepSWE, SWE-Bench Pro v2-Hard, SWE Atlas Codebase QnA, MCP Atlas, AutomationBench, BrowseComp och DeepSearchQA. Dessa är inte perifera testsviter; de är de benchmarkar för mjukvaruutveckling, verktygsanvändning och djupgående forskning som avgör om en modell är användbar som autonom agent.

Lästa tillsammans säger tabellerna något sammanhängande och snävare än "state of the art": Beam framstår som ett starkt släpp av en öppen modell som slår den tidigare generationen på Reflections valda område och inte slår den nuvarande generationen på det agentiska området. Det är en legitim sak för en modell att vara. Det är inte samma sak som att vara den bästa tillgängliga modellen för agentiskt arbete, och tillkännagivandets inramning inbjuder till den starkare tolkningen.

En strukturell punkt om själva effektivitetssiffran, eftersom den är rubriken. En jämförelse av FLOPs per token mot en annan modell är en egenskap hos arkitekturen och serveringskonfigurationen, inte hos resultatkvaliteten – och 3–4× färre FLOPs är en leverantörsmätt siffra utan oberoende reproduktion. Det är en rimlig anledning att förvänta sig att Beam är billig att serva. Det är inte ett bevis för att Beam är billig att använda, och skillnaden mellan de två sakerna är hela kostnadsdiskussionen på den här sidan: en modell som gör av med fler tokens för att nå ett svar kan vara billigare per FLOP och dyrare per uppgift samtidigt.

Den levererade sidan av jämförelsen

Det här är asymmetrin som den här artikeln finns till för att dokumentera. GPT-6.1 Sol lanserades i OpenAI:s API den 2026-09-29. Den har ett publicerat prisblad – 2,00 USD per miljon indatatokens, 10,00 USD per miljon utdatatokens, 0,10 USD för cachad indata, 2,50 USD för cache-skrivningar – ett dokumenterat kontextfönster på 1 050 000 tokens, en maximal utdata på 128 000 tokens och en oberoende Intelligence Index-rad på 52 vid maximal resonemangsansträngning med en körningskostnad på 0,72 USD per uppgift.

Den kostnadssiffran är den som är värd att ställa mot Reflections FLOPs-påstående. $0.72 per uppgift är inte ett FLOP-antal och inte en prislista; det är vad arbetet kostar när det är färdigt, mätt av en tredje part som körde modellen. Det är siffran som skulle behöva slås för att Beams effektivitetsargument ska landa som ett upphandlingsargument — och Beam har ingen motsvarande siffra, eftersom Beam inte har något publicerat pris och ingen oberoende körning.

Två andra skillnader är konkreta och kontrollerbara idag:

• Kontext och utdata — GPT-6.1 Sol dokumenterar 1 050 000 tokens kontext jämfört med Beams 256 000 i beta, och båda begränsar utdata till 128 000 tokens. För arbete på repositorienivå eller med dokumentuppsättningar är det en fyrdubbel skillnad i hur mycket material som får plats i ett anrop.

• Modalitet — GPT-6.1 Sol accepterar text, bilder och filer; Beam är endast text. Om din pipeline läser skärmbilder, skanningar eller diagram är Beam inte en kandidat oavsett dess poäng.

Där Beam har ett argument som GPT-6.1 Sol strukturellt inte kan besvara, är det den med öppna vikter. Om Apache 2.0-vikter kommer enligt den utlovade tidsplanen blir en 501B/23B-modell vars antal aktiva parametrar är 23B en kandidat för självhostning på ett sätt som en proprietär modell aldrig kommer att bli. Tjugotre miljarder aktiva parametrar är ett antal som ett välutrustat team kan resonera kring; den 256 000-tokenkontexten i beta och avsaknaden av publicerade vikter är anledningen till att det argumentet måste vänta på den faktiska utgåvan i stället för att avgöras vid lanseringen.

Vem bör agera på vilken modell, nu

Det praktiska svaret varierar beroende på vad du köper, och uppdelningen är tillräckligt tydlig för att säga rakt ut.

Om du behöver en modell i produktion den här veckan för agentisk kodning, verktygsanvändning eller dokumentarbete med lång kontext, är den levererade modellen GPT-6.1 Sol, och beslutet handlar om dess pris, inte om dess existens. Dess utdatapris är den mätare som spelar roll, dess cachade indatapris är ovanligt lågt på $0,10 per miljon, och över 272 000 indatatoken prissätts hela begäran uppåt — en tröskel som är värd att designa kring innan du skalar en loop som läser ett stort prefix. Den finns i vår katalog till Open​AI:s listpriser med 0 % påslag, så priset på kortet är priset på fakturan, och en leverantörs prisändring visas i katalogen samma dag i stället för efter en återförsäljares uppdateringscykel: https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

Om ditt intresse för Beam gäller släppet med öppna vikter snarare än beta-API:et är det som är värt att bevaka den Apache 2.0-publicering som Reflection har lovat till senare denna månad. Tills vikterna finns är alla kapacitetssiffror i den här artikeln leverantörens, priset är, och varken en plan för egen hosting eller en kostnadsjämförelse kan slutföras. Om det släpps enligt plan blir Beam omedelbart intressant som den effektiva nivån i en uppsättning med två modeller — och det är en konfiguration som en endpoint med automatisk failover över 200+ modeller hanterar utan en andra integration, vilket är argumentet för att prova en obeprövad modell i ett routningslager i stället för att binda en produktionsväg till den.

Reflection Beam är inte något vi tillhandahåller. När dess vikter och dess API öppnas upp ordentligt kommer det att finnas, liksom de flesta öppna släpp, på leverantörens egen plattform och flera tredjepartstjänster – och den här sidan kommer att vara värd att skriva om då, eftersom de två saker den för närvarande inte kan säga, vad Beam kostar och hur det presterar när någon annan än dess skapare kör det, är precis de två saker som svaret beror på.