Beam 1.0 บน B300s สี่ตัว: คณิตศาสตร์ของการให้บริการ และคำกล่าวอ้างเรื่องทรูพุตที่ไม่มีใครเคยเผยแพร่

ตัวเลขที่ควรค่าแก่การหยุดพิจารณาในการเปิดตัวBeam 1.0 ของ Reflection ไม่ใช่ 501 พันล้าน แต่คือสี่ โมเดลที่มีพารามิเตอร์รวม 501.3 พันล้าน และมีพารามิเตอร์ที่ใช้งาน 23.4 พันล้านต่อโทเคน ตอนนี้สามารถรันบนเซิร์ฟเวอร์เดียวที่มี GPU NVIDIA B300 สี่ตัวบน NVLink และช่องว่างระหว่างตัวเลขสองตัวนั้น — ประมาณ 4.7 เปอร์เซ็นต์ของโมเดลที่ทำงานอยู่ในโทเคนใดก็ตาม — คือเหตุผลทั้งหมดที่ทำให้เช็คพอยต์ขนาดนี้สามารถดาวน์โหลดได้โดยใครก็ตามที่ไม่ได้เป็นเจ้าของคลัสเตอร์ Reflection เผยแพร่น้ำหนักเมื่อวันที่ 16 ตุลาคม 2026 ภายใต้ Apache 2.0 และเอกสารเปิดตัวระบุอย่างเฉพาะเจาะจงผิดปกติถึงสิ่งที่ต้องใช้ในการให้บริการ: GPU B300 สี่ตัวบน NVLink สำหรับบิลด์ NVFP4, H200 แปดตัวสำหรับ FP8, และ B200 หรือ B300 แปดตัวสำหรับ BF16 ตารางฮาร์ดแวร์นั้นน่าสนใจกว่าตารางเบนช์มาร์ก เพราะเป็นส่วนที่ผู้อ่านสามารถตรวจสอบกับเอกสารจัดซื้อของตนเองได้จริง

มันยังเป็นส่วนที่ทำให้ Beam 1.0 แตกต่างจากโมเดลที่ถูกนำมาเปรียบเทียบด้วย Kimi K3 และ GLM-5.2 ให้บริการผ่าน API และน้ำหนักของพวกมันไม่เปิดเผยต่อสาธารณะ หรือไม่ก็มาพร้อมเงื่อนไขที่แตกต่างออกไป; Qwen3.8-Max เป็นโมเดลปิดในระดับเรือธง จุดขายของ Beam คือครึ่งที่ยากของการแลกเปลี่ยนนั้น — โมเดลที่ใกล้เคียงระดับแนวหน้าที่สามารถดาวน์โหลดได้ — ได้เปิดตัวแล้ว และต้นทุนการให้บริการเป็นเพียงแร็คเดียวแทนที่จะเป็นศูนย์ข้อมูล

อะไรที่เกิดขึ้นจริงในวันที่ 16 ตุลาคม

โพสต์ "Beam is now available" ของ Reflection ลงวันที่ 16 ตุลาคม 2026 ซึ่งเป็นสิบเอ็ดวันหลังจากที่โมเดลถูกประกาศเมื่อวันที่ 5 ตุลาคม มีอาร์ติแฟกต์สี่ชิ้นที่ถูกปล่อยออกมา และความแม่นยำในรายละเอียดเหล่านั้นสำคัญยิ่งกว่าพาดหัวข่าว:

• BF16 — พารามิเตอร์ 501.3B, 933.81 GiB บนดิสก์, 188 ชาร์ด safetensors ความแม่นยำอ้างอิง; คอลัมน์แรกของตารางเบนช์มาร์ก

• FP8 — จำนวนพารามิเตอร์เท่ากันใน E4M3, 468.72 GiB. ผ่านการควอนไทซ์ด้วย N​VIDIA ModelOpt. แนะนำสำหรับ Hopper และฮาร์ดแวร์รุ่นเก่ากว่า

• NVFP4 — บิลด์ 4-bit แบบแพ็กที่ 273 GiB นี่คือตัวที่คู่มือการให้บริการของ Reflection เองบอกให้คุณดาวน์โหลด และเป็นตัวเดียวที่รันบน Blackwell ได้โดยตรงโดยไม่มีค่าปรับจากการดีควอนไทซ์

• DFlash2 — ตัวร่างสำหรับการถอดรหัสแบบคาดการณ์ขนาด 1.93B พารามิเตอร์ เผยแพร่เป็นรีโพซิทอรีของตัวเอง และเชื่อมต่อเข้ากับคำสั่งตัวอย่างในฐานะชุดน้ำหนักแยกต่างหาก

สถาปัตยกรรมเบื้องหลังเช็กพอยต์เหล่านี้คือ sparse mixture of experts: 52 เลเยอร์ โดย 3 เลเยอร์เป็นแบบ dense และ 49 เลเยอร์เป็น MoE, แต่ละเลเยอร์ MoE มี 256 ผู้เชี่ยวชาญ, ใช้ gated grouped-query attention ผสมกับ sliding-window attention และมีคำศัพท์ 152,000 โทเคน รับข้อความเข้า ส่งข้อความออก บริบท 1 ล้านโทเคนบนการ์ดโมเดล เอาต์พุตสูงสุด 131,072 โทเคนบน API ข้อมูลความรู้ถึงวันที่ 30 มิถุนายน 2026

ตัวเลขปริมาณงานที่ไม่ได้อยู่ในเอกสารประกอบ

มีตัวเลขหนึ่งที่ถูกพูดถึงควบคู่กับการเปิดตัวนี้มาตั้งแต่แรก: มากกว่า 70,000 โทเคนเอาต์พุตต่อวินาทีต่อ GPU บน Blackwell Ultra เป็นตัวเลขที่ดึงดูดใจ และควรพูดให้ชัดเจนว่ามันปรากฏที่ใดและไม่ปรากฏที่ใด มันไม่ปรากฏในโพสต์เปิดตัวของ Reflection ไม่ปรากฏในการ์ดโมเดล ไม่ปรากฏในบันทึกประจำรุ่นของ Hugging Face และไม่ปรากฏในเอกสารสำหรับนักพัฒนา เราไม่พบมันในแหล่งข้อมูลจากเจ้าของโดยตรงใด ๆ

สิ่งที่เอกสารจากผู้ขายระบุไว้จริงนั้นเป็นค่าเชิงเปรียบเทียบ ไม่ใช่ค่าเชิงสัมบูรณ์ ข้อกล่าวอ้างเรื่องประสิทธิภาพเพียงข้อเดียวในโมเดลการ์ดคือ Beam "บรรลุคุณภาพคำตอบที่เทียบเท่าโมเดลเปิดชั้นนำโดยใช้โทเคนสำหรับการคิดในขั้นตอนการอนุมานน้อยลงประมาณ 3 เท่า" และโพสต์เปิดตัวก็สื่อแนวคิดเดียวกันว่า "ปัญญาต่อโทเคนที่มากขึ้น" ตัวเลขที่เกี่ยวกับทรูพุตเพียงตัวเดียวที่การเปิดตัวเผยแพร่จริงคือความเร็วที่เพิ่มขึ้นซึ่งวัดได้ ไม่ใช่อัตราความเร็ว โดยตัวร่าง DFlash2 ยกความเร็วในการถอดรหัสขึ้น 1.7× ถึง 3.0× เมื่อเทียบกับ Beam เพียงลำพัง วัดบนเช็กพอยต์ NVFP4 บน B300 สี่ตัว โดยมีความยาวที่ยอมรับได้ 4.11 ถึง 5.88 โทเคนจากสูงสุดแปดโทเคน นั่นเป็นอัตราส่วนเทียบกับเบสไลน์ของ Beam เอง จึงไม่ได้บอกอะไรเกี่ยวกับจำนวนโทเคนต่อวินาทีต่อ GPU แบบสัมบูรณ์ และจะไม่ช่วยยุติข้อถกเถียงเรื่องตัวเลข 70,000 ไม่ว่าจะทางใด

มีสัญญาณอิสระหนึ่งอย่างที่บ่งชี้ว่าข้ออ้างเรื่องประสิทธิภาพไม่ได้เป็นแค่การตลาดล้วน ๆ Artificial Analysis วัดค่า Beam 1.0 ได้ที่ 79M โทเคนเอาต์พุตทั่วทั้ง Intelligence Index เทียบกับค่ามัธยฐาน 130M สำหรับโมเดลที่นำมาเปรียบเทียบ — อยู่อันดับ #10 จาก 46 ในการวัดนั้น นั่นคือการที่บุคคลที่สามนับโทเคนที่สร้างขึ้นและพบว่า Beam ประหยัดกว่าโมเดลส่วนใหญ่ในวงการ ซึ่งเป็นข้ออ้างที่อ่อนกว่าตัวเลข throughput ต่อ GPU และเป็นข้ออ้างที่มีหลักฐานสนับสนุนดีกว่ามาก

สิ่งที่ B300 สี่ตัวให้คุณได้จริง ๆ ในด้านหน่วยความจำ

เอกสารการให้บริการเป็นสิ่งที่มีประโยชน์ที่สุดที่ Reflection เผยแพร่ เพราะมันตอบคำถามที่ตาราง benchmark ไม่เคยถาม มีตัวเลขสามตัวที่โดดเด่น

• ขนาดหน่วยความจำแคช KV — สูตรของ vLLM และ NVIDIA Dynamo ต่างก็ใช้ค่าเริ่มต้นเป็นแคช FP8 E4M3 ที่มีขนาดหน้า 64 โทเค็น ซึ่งสูตรของ vLLM ระบุว่าจะเพิ่มขึ้นเป็นประมาณ 14M ถึง 28M โทเค็นของบริบทที่แคชได้บน H200 จำนวนแปดตัวที่รัน FP8 checkpoint นั่นคือตัวเลขที่ใช้กำหนดขนาดการปรับใช้ แผนแบบสาม GPU จะล้มเหลวก่อนที่แคชจะถึงขีดจำกัดเสียอีก

• เช็กพอยต์ NVFP4 ควอนไทซ์เฉพาะผู้เชี่ยวชาญที่ถูกเลือกเส้นทางเท่านั้น Attention, MLP แบบ dense, เราเตอร์, embeddings และ LM head ยังคงอยู่ใน BF16 ซึ่งเป็นเหตุผลว่าทำไมไฟล์จึงมีขนาด 273 GiB แทนที่จะเป็นประมาณ 250 กว่า ๆ ที่การทำ 4-bit แบบเต็มจะให้ได้ บน Blackwell มันทำงานแบบ W4A4; บน Hopper, vLLM ให้บริการผู้เชี่ยวชาญ FP4 ผ่าน Marlin ด้วยแอคติเวชันแบบ BF16

• เช็คพอยต์ NVFP4 บน B300s สี่ตัวคือการกำหนดค่าอ้างอิง และสูตร SGLang มาพร้อมเป็นอิมเมจ Docker ที่ปักหมุด โดยมีการขนานเทนเซอร์ตั้งเป็น 4, ตัวร่าง DFlash2 เปิดใช้งานที่ขนาดบล็อก 8, และการถอดรหัสเชิงสันนิษฐานกำหนดค่าควบคู่กับแคช KV FP8

ยังมีเครื่องมือสำหรับตรวจสอบยืนยันด้วย เครื่องมือ beam-verifier CLI แบบโอเพนซอร์สจะรันชุดทดสอบความสอดคล้องกับ Beam endpoint ที่ใช้งานจริงใด ๆ — สัญญาคำขอ สัญญาการตอบกลับ โปรโตคอลเครื่องมือ — จากนั้นประเมินผลบน benchmark หลัก ๆ เพื่อให้คุณนำการติดตั้งใช้งานของคุณเอง หรือของผู้ให้บริการ มาเปรียบเทียบกับคะแนนอ้างอิงของ Reflection ได้ สำหรับโมเดลที่ตาราง benchmark ทั้งหมดเป็นข้อมูลที่ผู้ขายรายงานเอง การส่งมอบชุดเครื่องมือที่เปิดทางให้ผู้ซื้อทำซ้ำผลได้ ถือเป็นความมุ่งมั่นที่มีความหมายยิ่งกว่าตัวเลขใด ๆ ในตารางนั้น

การรองรับเฟรมเวิร์กแบบ Day-zero คืออีกครึ่งหนึ่งของเรื่องราวการดีพลอย และกว้างขวางกว่าที่โอเพนรีลีสส่วนใหญ่ทำได้: Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed และ NVIDIA Dynamo พร้อมสูตรทีละขั้นตอนสำหรับ SGLang, vLLM และ TokenSpeed รวมถึง Helm chart สำหรับ Kubernetes ในด้านการฝึกโมเดล Reflection ระบุชื่อสแต็กที่ใช้สร้างเวิร์กโฟลว์ — NeMo RL และ AutoModel และ Megatron Bridge จาก NVIDIA, Miles จาก RadixArk, TRL จาก Hugging Face, SkyRL จาก Anyscale และ Axolotl — และเผยแพร่ตัวเลข RL runbook ของตน แทนที่จะเป็นตัวเลขฮาร์ดแวร์สำหรับสิ่งเหล่านั้น: GPU GB300 จำนวน 10.5K ตัวในสี่สัปดาห์, rollouts มากกว่า 100 ล้านครั้ง, บริบทสูงสุด 256K โทเค็นระหว่างการฝึก และแซนด์บ็อกซ์ประมาณ 1.3 พันล้านแห่ง

API มีอยู่จริง และมันก็ยังไม่มีราคา

นอกจากน้ำหนักโมเดลแล้ว ยังมีเอนด์พอยต์แบบ first-party ที่ api.reflection.ai ซึ่งมีอินเทอร์เฟซที่เข้ากันได้กับ OpenAI และมีโมเดล ID เป็น Beam-1.0-501B-A23B โดยมีข้อกำหนดที่บันทึกไว้เป็นเอกสารว่า การใช้เหตุผลเป็นสิ่งบังคับ โดยมีระดับความพยายามได้แก่ max, xhigh, high, medium และ low ซึ่ง max เป็นค่าเริ่มต้น รองรับเอาต์พุตแบบมีโครงสร้างและการเรียกใช้เครื่องมือ ขีดจำกัดอัตราระดับทั้งองค์กรวัดเป็นจำนวนคำขอและโทเคนต่อนาทีและต่อวันตามเวลา UTC โดยใช้ร่วมกันในทุกโปรเจกต์และทุกคีย์ ดังนั้นการเพิ่มคีย์จึงไม่ทำให้ขีดจำกัดเหล่านี้สูงขึ้น และการตอบกลับ 429 จะตั้งค่า x-should-retry เป็น false เมื่อโควตารายวันถูกใช้หมด ซึ่งเป็นรายละเอียดที่หยุดลูปการลองใหม่แบบ naive ไม่ให้วนไปจนถึงเที่ยงคืน

เอกสารไม่ได้ระบุราคาต่อโทเคนหนึ่งล้าน และประกาศก็ไม่ระบุเช่นกัน การละเว้นเพียงจุดเดียวนี้เองที่ทำให้ข้อโต้แย้งเรื่องประสิทธิภาพยังสรุปให้จบไม่ได้สำหรับผู้ซื้อ: โมเดลที่คิดเหตุผลเสมอ ตั้งค่าความพยายามสูงสุดเป็นค่าเริ่มต้น และอ้างว่าใช้โทเคนการคิดเหตุผลน้อยลงสามเท่า เป็นข้อเสนอเชิงพาณิชย์ที่ต่างกันเมื่อราคาอยู่ที่หนึ่งดอลลาร์ต่อโทเคนเอาต์พุตหนึ่งล้าน เทียบกับสิปดอลลาร์ และตอนนี้ไม่มีใครนอก Reflection ที่บอกได้ว่ามันเป็นแบบไหน การโฮสต์เองช่วยตัดคำถามนี้ออกไปทั้งหมด และแทนที่ด้วยตัวเลขเงินลงทุน ซึ่งอย่างน้อยก็เป็นตัวเลขที่คุณคำนวณได้

แล้วสิ่งนี้ทำให้ทีมที่ต้องการลองใช้มันเป็นอย่างไร

Beam 1.0 ไม่ใช่หนึ่งในเส้นทางของเรา ดังนั้นเราจึงไม่สามารถให้บริการคุณได้ และไม่มีสิ่งใดในที่นี้ที่ควรตีความว่าเป็นการยืนยันความพร้อมให้บริการจากเรา สิ่งที่เราทำได้คือทำให้การประเมินมีต้นทุนต่ำ หากการตัดสินใจที่อยู่ตรงหน้าคุณคือว่าจะลงทุนเวลาวิศวกรรมหนึ่งไตรมาสกับโครงการนำร่อง Beam สองสัปดาห์หรือไม่ สิ่งที่คุ้มค่าที่สุดคือการให้งานโปรดักชันอยู่บนโมเดลที่มีตารางราคาเปิดเผยและมีประวัติการให้บริการระหว่างที่โครงการนำร่องดำเนินอยู่ และให้มีระบบสำรองที่เชื่อมต่อไว้พร้อมแล้วOrcaRouter ใช้คีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียวข้ามโมเดลกว่า 200 โมเดล โดยส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม ดังนั้นเมื่อผู้ให้บริการลดราคา บิลของคุณจะได้รับผลในวันเดียวกัน และการสลับใช้งานอัตโนมัติเมื่อเกิดข้อขัดข้องหมายความว่าโครงการนำร่องที่กลายเป็นใช้งานไม่ได้ในเดือนหน้าเป็นเพียงการเปลี่ยนเส้นทาง ไม่ใช่การย้ายระบบ

โมเดลที่ใกล้เคียงกับ Beam มากที่สุดในเวิร์กโหลดที่มันเจาะจงนั้น ล้วนเข้าถึงได้ด้วยวิธีนั้น ทั้งสามตัวที่คุ้มค่าจะนำมาใช้เทียบราคากับการทดลองนำร่อง จากแคตตาล็อกของเราเอง:

• GLM-5.2 — คอนเท็กซ์ 1,000,000 โทเคน, ราคา $1.40 ต่ออินพุตหนึ่งล้านโทเคน และ $4.40 ต่อเอาต์พุตหนึ่งล้านโทเคน เป็นโมเดลที่ใช้เป็นเกณฑ์วัดคำกล่าวอ้างเรื่องประสิทธิภาพของ Reflection เอง

• Kimi K3 — คอนเท็กซ์ 1,048,576 โทเคน, 3.00 ดอลลาร์ต่ออินพุต 1 ล้านโทเคน, 0.30 ดอลลาร์สำหรับแคช, 15.00 ดอลลาร์สำหรับเอาต์พุตโพสต์เปิดตัวของ Reflection ยอมรับว่า K3 ยังคงนำอยู่ด้านความสามารถดิบ

• Qwen3.8-Max — บริบทขนาด 1,000,000 โทเคน, $2.00 ต่ออินพุตหนึ่งล้านโทเคน และ $6.00 ต่อเอาต์พุต, ระดับ 2 ล้านล้านพารามิเตอร์ที่ Beam อ้างว่าตนมีความได้เปรียบด้านประสิทธิภาพมากที่สุดเหนือกว่า

สามสิ่งที่ต้องจับตา

ข้อแรกคือราคา จนกว่า Reflection จะเผยแพร่ตารางราคา ข้อเสนอเรื่องประสิทธิภาพก็ยังเป็นเพียงสมมติฐานเกี่ยวกับการประมวลผล มากกว่าจะเป็นข้อเท็จจริงเกี่ยวกับตัวเงิน และการเปรียบเทียบกับ GLM-5.2 หรือ Kimi K3 ก็ยังคงเป็นข้อถกเถียงเรื่องระเบียบวิธี

ประการที่สองคือการวัดอัตราการประมวลผลที่เป็นอิสระ ปัจจุบัน Artificial Analysis จัดให้ Beam มี Intelligence Index อยู่ที่ 30 และไม่มีข้อมูลทั้งความเร็วและราคา เนื่องจากบันทึกว่า "No publicly available API" สำหรับโมเดลนี้ เมื่อสิ่งนั้นเปลี่ยนไป คำถามเรื่องอัตราการประมวลผลต่อ GPU ก็จะได้คำตอบที่ไม่ได้มีต้นกำเนิดมาจากผู้ขาย

ประการที่สามคือตัวตรวจสอบจะถูกนำไปใช้จริงหรือไม่ ชุดทดสอบความสอดคล้องที่ไม่มีใครรันก็เป็นเพียงเอกสาร ชุดทดสอบความสอดคล้องที่การติดตั้งใช้งานราวสิบสองแห่งเผยแพร่ผลลัพธ์ออกมา คือเบนช์มาร์ก Beam 1.0 ส่งมอบเครื่องมือนี้ตั้งแต่วันแรก ส่วนที่ยังเปิดอยู่คือมันจะส่งมอบตัวเลขเหล่านั้นด้วยหรือไม่

ไม่มีสิ่งใดในนั้นที่เป็นเพียงข้อสันนิษฐาน: ความล้มเหลวของ AI และเหตุการณ์ที่เกี่ยวข้องกับเอเจนต์ซึ่งได้รับการบันทึกไว้ ที่อยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และสถานะข้อโต้แย้งของตนเอง