Reflection Beam vs DeepSeek V4 Pro: En tredjedel av storleken, dubbelt så hög aktiveringskvot

Det frestande sättet att ställa Reflection Beam mot DeepSeek V4 Pro är en billig nykomling mot ett etablerat flaggskepp. Den inramningen är fel på ett sätt som är värt att reda ut innan något annat, eftersom de två modellerna bygger på motsatta tolkningar av samma idé. DeepSeek V4 Pro är en mixture-of-experts-modell med 1,6 biljoner parametrar som aktiverar 49 miljarder parametrar per token – cirka 3,1 procent av sig själv. Reflection Beam, som annonserades den 5 oktober 2026, är en mixture-of-experts-modell med 501 miljarder parametrar som aktiverar 23 miljarder per token – cirka 4,6 procent av sig själv. Beam är en tredjedel så stor och, per token, en *mindre* gles design. Reflections hela tes är inferenseffektivitet, och modellen som den jämförs med här ligger före den på det gleshetsmått som tesen vilar på.

Det är inte en vederläggning. Det är upplägget, eftersom de två modellerna befinner sig på mycket olika punkter när det gäller pris och tillgänglighet, och den ärliga jämförelsen handlar om vilken man faktiskt kan bygga på. DeepSeek V4 Pro finns i katalogen för 0,66 USD per miljon indatatoken och 1,98 USD per miljon utdatatoken, med ett kontextfönster på 1 048 576 token och 384 000 token i maximal utdata. Beam har inget publicerat pris alls, går bara att nå via en väntelista, och dess vikter utlovas senare denna månad under Apache 2.0.

Samma idé, annat förhållande

Sparsitet är den gemensamma utgångspunkten. Båda modellerna håller nästan alla sina parametrar vilande vid varje givet token och betalar bara för den lilla del som körs. Det som skiljer är hur långt varje labb driver det och vad det ger.

DeepSeek V4 Pro kör 49 miljarder aktiva parametrar av totalt ungefär 1,6 biljoner. Det är en extremt aggressiv kvot, och det är vad som gör att DeepSeek kan sälja en modell i flaggskeppsklass för $0,66 och $1,98 – en kostnad som skulle vara otänkbar för en tät modell med den förmågan. Avvägningen är att det totala antalet parametrar är enormt: modellen är stor att lagra och att ens serva, vilket är varför hosting av den är en specialistuppgift snarare än något som de flesta team gör själva.

Reflection Beam har 23 miljarder aktiva av 501 miljarder. Mindre i varje dimension: en tredjedel av de totala parametrarna, mindre än hälften av de aktiva, och en mindre aggressiv aktiveringskvot. Reflections argument är inte att Beam är den glesaste modellen som finns — det hävdar man medvetet inte — utan att 23 miljarder aktiva parametrar är en storlek som du kan köra på ett jämförelsevis litet antal GPU:er, vilket förändrar driftsättningsekonomin snarare än per-token-aritmetiken.

• Totalt antal parametrar — DeepSeek V4 Pro ungefär 1,6 biljoner mot Reflection Beam 501 miljarder.

• Aktiva per token — 49 miljarder mot 23 miljarder.

• Aktiveringskvot — cirka 3,1 procent för DeepSeek V4 Pro, cirka 4,6 procent för Reflection Beam. Beam är den mindre glesa av de två.

• Modal indata — DeepSeek V4 Pro är endast text; Reflection Beam är endast text. Ingen av dem tar emot bilder, ljud eller video, vilket är ett sällsynt fall av att två modeller i den här klassen är överens.

• Kontext och utdata — 1 048 576 tokens in och 384 000 ut för DeepSeek V4 Pro, mot 256 000 in och 128 000 ut för Beam, vars kontextsiffra har en betafotnot.

• Pris — 0,66 och 1,98 USD per miljon tokens för DeepSeek V4 Pro, med cacheläsningar på 0,022 USD, jämfört med inget publicerat för Beam.

• Tillgänglighet — DeepSeek V4 Pro har varit allmänt tillgänglig sedan 24 april 2026; Beam är en betaversion med väntelista som annonserades den 5 oktober 2026, med vikter utlovade denna månad.

Priset, inklusive delen som ingen nämner

DeepSeek V4 Pro:s $0.66 och $1.98 är leverantörens listpris, som förs vidare i vår katalog utan påslag. Det finns dock en hake värd att budgetera för, och den är lätt att missa: prislistan har två tidsfönster, 01:00–04:00 UTC och 06:00–10:00 UTC, under vilka priset multipliceras med två — $1.32 in och $3.96 ut. Båda infaller under arbetsdagen för europeiska och asiatiska team, så en pipeline som körs på europeiska tider kommer att tillbringa en del av dagen med dubbelt pris utan att något går fel.

Cacheläsningar vid $0.022 per miljon tokens är den andra hälften av bilden – och den större. Det är en rabatt på trettio mot ett på indatapriset, och för de arbetsbelastningar med långa dokument och långa konversationer som DeepSeek V4 Pro är byggd för – 1 048 576 tokens i kontext, 384 000 tokens i utdata – ligger den effektiva kostnaden för en session som läser om ett stabilt prefix långt under rubrikpriset. Varje jämförelse som multiplicerar volymen med $0.66 utan att modellera cacheåteranvändning kommer att kraftigt överskatta vad den här modellen kostar att köra.

Beam har ingen motsvarighet till något av detta. Inget listpris, ingen cachenivå, inget tidsbegränsat fönster, inget offentliggjort åtagande om huruvida det ens kommer att säljas per token. Jämförelsen är inte $0,66 mot något billigare; det är en prissatt modell mot en oprissatt, och tills Reflection publicerar ett prisblad finns det ingen break-even att beräkna.

Benchmarks: de två modellerna har aldrig körts mot varandra

Det här är delen där varsamhet spelar roll, för det finns en uppenbar fälla tillgänglig och den är värd att nämna explicit.

Reflections lanseringstabeller jämför Beam med Inkling, Nemotron 3 Ultra, GLM 5.2, GLM 5.3, Kimi K3, Qwen 3.8-Max och DeepSeek V4.1 Flash — syskonet, inte V4 Pro. Så den DeepSeek-modell som förekommer i Beams egna tabeller är en annan: den billiga, snabba familjemedlemmen, till $0,15 och $0,60, som i leverantörens tabell uppvisar 90,6 i Terminal-Bench v2.1 mot Beams 80,1 och 74,2 i DeepSWE v1.1 mot Beams 44,4. Att läsa av en V4 Pro-siffra ur en V4.1 Flash-kolumn är det enskilt mest sannolika misstaget som någon som skriver den här jämförelsen kommer att göra.

Det som finns för V4 Pro, från Artificial Analysis via vår katalog, ligger återigen på olika testriggar — så dessa är riktgivande, inte kontrollerade.

• tau-squared Bench — DeepSeek V4 Pro uppnår 96,2 mot en leverantörssiffra på 78,7 för Beam på MCP Atlas och 38,0 på tau3 banking. Olika utvärderingar inom samma familj av mätning av agentisk verktygsanvändning, och de två uppsättningarna är inte utbytbara.

• Artificial Analysis Intelligence Index — DeepSeek V4 Pro ligger på 36,0, rankad 41:a av 147 i sin körning; Beam har ingen indexrad alls, med modellsidorna som returnerar 404 och ingen Beam-post i leaderboard-nyttolasten i morse.

• GPQA Diamond — DeepSeek V4 Pro på 92,8 enligt Artificial Analysis mot Beams leverantörsrapporterade 90,5.

• Humanity's Last Exam — DeepSeek V4 Pro på 41,0 enligt Artificial Analysis mot Beams leverantörsrapporterade 36,2, det senare uttryckligen utan verktyg.

• SciCode — DeepSeek V4 Pro på 51,0 enligt Artificial Analysis mot Beams leverantörsrapporterade 49,7.

• Terminal-Bench v2.1 — DeepSeek V4 Pro på 78,7 enligt Artificial Analysis mot Beams leverantörsrapporterade 80,1. Den enda raden i den här listan där Beam ligger före, och marginalen är under två punkter.

• Återkallning över lång kontext – DeepSeek V4 Pro på 80,3 enligt Artificial Analysis mot Beams leverantörsrapporterade 79,3 på AA-LCR.

Mönstret är konsekvent, och det borde vara obekvämt för Beams positionering. På varje rad där båda modellerna har en siffra ligger DeepSeek V4 Pro före, utom Terminal-Bench v2.1, där den ligger efter med mindre än två punkter – och varje DeepSeek-siffra kommer från en tredjeparts testmiljö medan varje Beam-siffra är leverantörens egen. En modell som redan är allmänt tillgänglig, till ett publicerat pris på under en dollar för input, är inte uppenbart sämre än en ännu inte släppt modell på de benchmarks de har gemensamt.

Vad Beams effektivitetsanspråk har med något av det här att göra

Påståendet från Reflection är inte ett benchmarkpåstående, och att upprepa tabellerna som om det vore det missar poängen. Påståendet är att Beam presterar jämförbart med GLM 5.2 inom avancerad resonemangsförmåga medan den använder 3 till 3× mindre inferensberäkning, där gapet vidgas mot modeller med 2 biljoner parametrar som Qwen 3.8-Max. Diagrammet uppskattar genererade FLOPs som två gånger parameterantalet gånger genomsnittligt antal genererade tokens per försök, för DeepSWE, HLE och Terminal-Bench 2, och dess egen bildtext medger att prompt-prefill, kontextberoende attention och systemoverhead utesluts.

Ställ det mot V4 Pros siffror och argumentet blir mer intressant än rubriktabellerna antyder. V4 Pro aktiverar 49 miljarder parametrar per token mot Beams 23 – ungefär dubbelt så många – så enligt formeln som Reflection använder bör Beam ligga före med ungefär en faktor två när det gäller genereringsberäkning per token, innan någon skillnad i antalet token. Det är en verklig och tydlig fördel, och det är den enda fördelen Beam har.

Emot: V4 Pro:s aktiveringskvot är mer aggressiv, dess kontext är fyra gånger större och dess maximala utdata är tre gånger större, vilket innebär att en V4 Pro-session som löser en uppgift på färre, längre turer kan bli billigare totalt sett även vid en högre uppskattning per token. FLOPs per token är inte FLOPs per uppgift, och diagrammet är per token.

Den oberoende mätningen finns ännu inte. Det enda dokumenterade uttalandet från tredje part är Artificial Analysis, som den 5 oktober sade att Reflection hade gett dem tillgång och att de benchmarkade Beam, med tidiga indikatorer som tyder på att Beam kommer att bli en av de mest tokeneffektiva öppna modellerna de har sett för sin intelligensnivå. Ingen siffra har följt.

Där V4 Pros kontext faktiskt spelar roll

Det finns en dimension i den här matchningen där gapet är tillräckligt stort för att vara avgörande snarare än gradvis, och det är inte ett benchmark.

DeepSeek V4 Pro betjänar 1 048 576 tokens kontext och 384 000 tokens maximal utdata. Beam betjänar 256 000 och 128 000, med en fotnot till kontextsiffran som varnar för att den kan ändras under betan. För en juridisk avtalsgranskning, en refaktorering av ett helt kodförråd eller en syntesuppgift över tusentals sidor är den skillnaden inte en prestandaskillnad – det är skillnaden mellan ett anrop och en chunkningspipeline som du måste skriva och validera. Beams midtrainingsfas uppges utöka dess effektiva kontext till 1 miljon tokens, vilket är en kapacitet på träningssidan, medan serveringsgränsen stannar på 256 000; de två siffrorna blandas ofta ihop och de är inte samma sak.

Utdata-taket förvärrar saken. En maximal utdata på 384 000 token låter ett enda anrop producera en stor strukturerad artefakt; 128 000 gör det inte, och ingen av modellerna erbjuder en batch-slutpunkt eller en embeddings-rutt via de gränssnitt som beskrivs vid lanseringen.

Att välja, och var routing passar in

För de specifika arbetsbelastningar där en miljon tokens i kontext och en utdata på 384 000 tokens spelar roll, konkurrerar DeepSeek V4 Pro inte med Beam – den konkurrerar med ingenting annat på den här sidan, och Beam kan inte delta i jämförelsen till något pris förrän dess fönster ändras.

För arbete med hög volym som ryms inom 256 000 tokens reduceras beslutet till en satsning på huruvida Beams påstådda effektivitet överlever en tredjeparts testrigg, prissatt mot en V4 Pro-taxa som redan ligger en storleksordning under frontlinjen och som dessutom rabatteras genom cacheläsningar till $0,022. Mot detta finns DeepSeeks egen billigare syskonmodell i samma katalog till $0,15 och $0,60 — och det är modellen som Beams egna lanseringstabeller visar att Beam ligger efter på DeepSWE och Terminal-Bench. Golvet för en ny aktör här är lägre än det ser ut.

Det är här ett routningslager förtjänar sin plats i stället för att vara en slogan. DeepSeek V4 Pro finns i vår katalog, med leverantörens listpris vidarebefordrat utan påslag, bakom en enda OpenAI-kompatibel nyckel på api.orcarouter.ai/v1 tillsammans med över 200 andra modeller. Routnings-DSL:en låter dig uttrycka beslutet i stället för att hårdkoda det: fäst långkontextförfrågningar vid modellen med fönstret på en miljon token, fäst kortförfrågningar med hög volym vid vilken billig modell som helst som klarar din utvärdering, och kombinera de två i ett enda anrop där uppgiften kräver båda. Eftersom routningen hanterar failover mellan leverantörer är det säkert att lägga den billiga nivån på en andel av trafiken i stället för allt – vilket är precis den hållning du vill ha gentemot en modell som Beam, vars benchmarks ingen utanför Reflection har reproducerat.

Domen – och de två datum som skulle kunna ändra den

Reflection Beam förlorar den här jämförelsen på allt som går att veta i dag. Den är mindre, mindre gles, har en fjärdedel av kontexten, har ingen oberoende poäng och – avgörande för en modell som säljs med kostnaden som argument – har inget pris. DeepSeek V4 Pro uppnår ett bättre Artificial Analysis-index, ett bättre HLE, ett bättre GPQA Diamond, ett bättre SciCode och en bättre siffra för återkallning i långa kontexter, allt mätt av någon annan än dess leverantör, och allt medan den aktiverar dubbelt så många parametrar per token till ett publicerat pris under en dollar.

Det Beam har är ett enda tydligt påstående: 23 miljarder aktiva parametrar är en tredjedel av V4 Pros, så en beräkningsjämförelse på genereringssidan bör tala till dess fördel med ungefär två mot en. Det påståendet är rimligt, det är anledningen till att ta Beam på allvar, och det har inte mätts av någon utanför labbet som tog fram det.

Två datum avgör saken. Vikterna, som utlovats under Apache 2.0 senare denna månad, vilket skulle låta vem som helst räkna FLOPs själv. Och raden för Artificial Analysis, som skulle ersätta en leverantörsrubrik med en siffra. Tills ett av dem landar är modellen du kan prissätta, cacha och anropa med en kontext på en miljon tokens den att bygga vidare på.