Beam 1.0 vs Kolibri: Hai bản phát hành Apache 2.0 không phải là cùng một bản phát hành

Beam 1.0 và Kolibri là hai bản phát hành trọng số mở đáng so sánh nhất trong tháng vừa qua, và việc so sánh chúng với nhau hữu ích hơn là so sánh từng cái với một mô hình API tiên phong, bởi cả hai đều thực sự có thể tải về được. Kolibri của Aleph Alpha ra mắt ngày 3 tháng 10 năm 2026 — tổng cộng 78.103.074.560 tham số, 3.457.573.120 tham số hoạt động mỗi token, cửa sổ ngữ cảnh đã được xác thực 1.048.576 token, tiếng Đức và tiếng Anh, giấy phép Apache 2.0. Beam 1.0 của Reflection ra mắt ngày 16 tháng 10 năm 2026 với tổng cộng 501,3 tỷ tham số, 23,4 tỷ tham số hoạt động, 1M token ngữ cảnh, tiếng Anh, và cùng giấy phép. Cùng giấy phép, triết lý về độ thưa tương tự, và gần như chẳng còn điểm gì chung — đó chính xác là lý do vì sao việc ghép cặp này cho bạn biết nhiều hơn so với một phép so sánh kích thước với kích thước. Một bên được xây dựng bởi một phòng thí nghiệm có lập luận về quyền tài phán cần đưa ra; bên kia bởi một phòng thí nghiệm có lập luận về năng lực cần đưa ra.

Hai bên cũng khác nhau ở một điểm quyết định phần lớn các triển khai thực tế trước cả khi một dòng benchmark nào được đọc: những gì nhà cung cấp công bố kèm theo trọng số. Aleph Alpha đã cung cấp một bản mô tả đầy đủ đến mức bất thường về cách mô hình được huấn luyện — nguồn gốc dữ liệu, năng lượng, phiên bản tiền nhiệm thất bại, số GPU-giờ chính xác. Reflection đã cung cấp một trình xác minh mà bạn có thể trỏ vào endpoint của riêng mình. Đó là những kiểu tin cậy khác nhau, và việc quy trình mua sắm của bạn chấp nhận kiểu nào là câu hỏi đầu tiên cần trả lời.

Cùng giấy phép, khác sản phẩm

Hãy bắt đầu với những gì thực sự giống hệt nhau, vì nó ít hơn vẻ bề ngoài.

• Giấy phép — cả hai đều dùng Apache 2.0, cả hai đều đặt giấy phép trong kho lưu trữ thay vì trong một câu trên blog. Thẻ của Beam nói thêm rằng việc chưng cất, tinh chỉnh, lượng tử hóa và hợp nhất không bị hạn chế. Kolibri không có điều khoản bổ sung về sử dụng được chấp nhận, không có ngưỡng người dùng hoạt động hàng tháng và không có điều khoản thương mại riêng.

• Chiến lược thưa hóa — cả hai đều là hỗn hợp chuyên gia với tỷ lệ kích hoạt cực cao. Kolibri đánh thức 3,46 tỷ trong 78,1 tỷ, tức khoảng 4,4%; Beam đánh thức 23,4 tỷ trong 501,3 tỷ, tức khoảng 4,7%. Cả hai phòng thí nghiệm đều không bán cho bạn một mô hình dày đặc.

• Ngữ cảnh dài — Kolibri công bố cửa sổ gốc 262.144 token với chất lượng và hiệu quả phục vụ đã được xác thực đến 1.048.576; Beam công bố 1M trên card và 131.072 token đầu ra tối đa trên API.

• Không có bản tái lập benchmark độc lập — không bảng nào của nhà cung cấp được bên thứ ba kiểm chứng. Artificial Analysis hoàn toàn không có trang mô hình nào cho Kolibri, trong khi họ có liệt kê Beam 1.0 ở Intelligence Index là 30, đứng thứ mười chín trong số 120 trên phiên bản chỉ số v4.3.2.

Dòng cuối cùng đó là sự bất đối xứng thực sự đầu tiên và rất dễ bị bỏ sót. Beam có một con số từ bên ngoài; Kolibri thì không có. Điểm 30 trên một chỉ số bao gồm 120 mô hình không phải là một con số đẹp đẽ gì, nhưng đó là con số mà Reflection không tạo ra, và với một người mua đang cân nhắc xem bảng của nhà cung cấp có đáng tin cậy hay không, sự tồn tại của bất kỳ phép đo độc lập nào còn đáng giá hơn cả giá trị của nó.

Mỗi nhà cung cấp đã chọn công bố điều gì

Tài liệu phát hành của Aleph Alpha là một sản phẩm kỳ lạ hơn. Cùng với các trọng số, họ đã công bố 20 nghìn tỷ token tiền huấn luyện lấy từ một kho ngữ liệu song ngữ đã lọc — khoảng 62,5% tiếng Anh, 23,9% tiếng Đức, 13,6% mã — cộng thêm 3,44 nghìn tỷ token huấn luyện giai đoạn giữa và 201 tỷ token cho mở rộng ngữ cảnh dài. Năng lực tính toán được nêu là 768 NVIDIA B200 trên 96 nút HGX, 21 ngày tiền huấn luyện với 511 giờ và 392.000 giờ GPU ở mức được báo cáo là 6,4×10²³ FLOP, trong đó huấn luyện giai đoạn giữa cộng thêm năm ngày và 90.000 giờ GPU, còn mở rộng ngữ cảnh dài cộng thêm 13 giờ và 10.000 giờ GPU. Năng lượng được ước tính ở mức 9,5×10² MWh, bao gồm chi phí phụ trợ của trung tâm dữ liệu, bao trùm tiền huấn luyện, huấn luyện giai đoạn giữa và huấn luyện ngữ cảnh dài, và không bao gồm tinh chỉnh có giám sát cùng học tăng cường.

Có hai điều rút ra từ việc công bố đó. Thứ nhất, một tổ chức có quy tắc mua sắm bắt đầu bằng "dữ liệu huấn luyện đến từ đâu và theo luật nào" thì có câu trả lời thay vì một cuộc trò chuyện. Thứ hai, và kém thoải mái hơn, cùng tài liệu đó cho thấy mô hình thua Qwen3.8 27B trên chính bộ khung đánh giá của Aleph Alpha — 75,5 so với 80,2 trên trung bình tiếng Anh và 70,8 so với 79,9 trên trung bình tiếng Đức, với Qwen dẫn trước ở GPQA Diamond, LiveCodeBench v6, SWE-Bench Verified và cả hai bài đánh giá ngữ cảnh dài. Gemma 4 26B-A4B IT đứng ở mức 71,9 và 66,3 trên hai mức trung bình. Trường hợp của Kolibri không phải là nó là mô hình mạnh nhất trong cùng kích cỡ; mà là nó là mô hình mạnh nhất trong cùng kích cỡ mà bạn có thể kiểm toán quá trình huấn luyện. Tài liệu đó là lý do bản phát hành đọc như nghiên cứu chứ không như tiếp thị: Aleph Alpha đang mô tả cách mô hình được tạo ra vì họ muốn pipeline, chứ không phải mô hình, trở thành sản phẩm, và một phòng thí nghiệm bán pipeline huấn luyện sẽ công bố những con số cho thấy pipeline đó đã hoạt động.

Reflection đã công bố một thứ thuộc loại khác. Bản phát hành Beam 1.0 bao gồm các cấu hình phục vụ tham chiếu, một Helm chart, hỗ trợ day-zero trong Transformers, vLLM, SGLang, Unsloth, Axolotl, TokenSpeed và N​VIDIA Dynamo, cùng với beam-verifier CLI, công cụ này chạy một bộ kiểm tra tính tuân thủ đối với một endpoint đang hoạt động rồi đánh giá endpoint đó trên các benchmark chính, để có thể đối chiếu một triển khai với các điểm tham chiếu của Reflection. Điều mà nó không bao gồm là bảng giá: tài liệu có hẳn một trang đầy đủ về giới hạn tốc độ và không có mức giá trên mỗi triệu token, còn thông báo chỉ nói rằng API được miễn phí khi bắt đầu dùng.

Chi phí để vận hành mỗi cái là bao nhiêu

Cả hai đều không được cung cấp trên danh mục của chúng tôi, và chúng tôi sẽ không ngụ ý điều ngược lại. Cả hai đều là các giao dịch mua tự triển khai, và yêu cầu phần cứng tối thiểu mới là cái giá thật.

• Beam 1.0 — bản dựng NVFP4 có dung lượng 273 GiB và cấu hình tham chiếu là bốn GPU NVIDIA B300 SXM trên NVLink, một máy duy nhất. FP8 là 468,72 GiB và chạy trên tám H200; BF16 là 933,81 GiB và nằm trên tám B200 hoặc B300. Một drafter DFlash2 1,93B đi kèm để giải mã suy đoán, đạt mức tăng tốc giải mã từ 1,7× đến 3,0× trên checkpoint NVFP4. Các recipe phục vụ giữ KV cache ở FP8 E4M3 với trang 64 token.

• Kolibri — checkpoint FP8 là độ chính xác phục vụ được tài liệu hóa, với trọng số khối 128×128 và các activation được lượng tử hóa động, được đánh giá với KV cache FP8 trong khi embeddings, LM head, các norm và MoE router vẫn ở bfloat16. Một bộ phân tích cú pháp gọi công cụ của vLLM được phát hành trong cùng repository với trọng số, và repository không bị hạn chế — tải xuống theo Apache 2.0 thay vì phải yêu cầu.

Phép so sánh mà người mua thực sự nên thực hiện không phải là các dòng benchmark. Đó là so sánh một endpoint tự host hai GPU, trả lời bằng tiếng Đức và tiếng Anh và có quá trình huấn luyện mà bạn có thể tài liệu hóa, với một endpoint bốn GPU mạnh hơn về lập trình và công việc agentic, và có tài liệu huấn luyện — theo những gì chúng tôi có thể tìm thấy — không bao gồm số giờ GPU hay năng lượng.

Nếu khối lượng công việc của bạn là các tài liệu được quản lý chặt chẽ không thể rời khỏi nội bộ, thì phương án thứ nhất là phương án duy nhất khép lại cuộc tranh luận. Nếu khối lượng công việc của bạn là một tác nhân kỹ thuật, thì phương án thứ hai là phương án duy nhất có trình xác minh.

Nếu bạn muốn có khả năng đó mà không cần rack

Cả hai mô hình đều mô tả một lớp — MoE có tham số hoạt động nhỏ với giấy phép thoáng — vốn đã được phục vụ trên các tuyến mà bạn có thể gọi ngay hôm nay, và việc định giá phương án thay thế là cách nhanh nhất để quyết định liệu việc sở hữu phần cứng có đáng hay không.

• Gemma 4 26B-A4B IT — $0.06 trên mỗi triệu token đầu vào và $0.33 trên mỗi triệu token đầu ra với cửa sổ 262.144 token. Thứ gần nhất với hạng Kolibri trên một endpoint định tuyến, và là mô hình thực sự vượt qua Kolibri trên chính mức trung bình tiếng Anh và tiếng Đức của Aleph Alpha.

• Qwen3.8-27B — 0,33 USD cho đầu vào và 2,40 USD cho đầu ra, ngữ cảnh 262.144 token, cùng trọng số mở theo giấy phép Apache nếu bạn muốn tự chạy thay vì thuê.

• GLM-5.2 — 1,40 USD và 4,40 USD với cửa sổ 1.000.000 token, dành cho các tác vụ ngữ cảnh dài và lập trình mà Beam 1.0 hướng tới.

• Kimi K3 — 3,00 USD đầu vào, 0,30 USD cho bộ nhớ đệm, 15,00 USD đầu ra ở 1.048.576 token, mô hình mà bài đăng ra mắt của chính Reflection thừa nhận là vượt trội về khả năng thô.

OrcaRouter định tuyến tập hợp đó phía sau một khóa tương thích OpenAI, với giá niêm yết của nhà cung cấp được chuyển nguyên vẹn và không cộng thêm gì, vì vậy khi nhà cung cấp giảm giá, mức giảm đó sẽ xuất hiện trên hóa đơn của bạn ngay trong cùng ngày thay vì phải đợi đến kỳ gia hạn hợp đồng tiếp theo, và tính năng chuyển đổi dự phòng tự động sẽ xử lý trường hợp một nhà cung cấp bị suy giảm hiệu năng khi chịu tải cao. Một mô hình hữu ích cho bất kỳ ai đang cân nhắc triển khai có chủ quyền là chạy lưu lượng chịu quản lý chặt chẽ trên một endpoint Kolibri tự lưu trữ và công việc thông thường trên một tầng được định tuyến, với một quy tắc định tuyến quyết định cái nào thuộc về đâu — một khóa, một cấu hình, và một quyết định về phần cứng chỉ cần được biện minh cho những tài liệu thực sự cần đến nó.

Bạn thực sự đang tìm bản phát hành nào

Nếu bạn tìm kiếm trọng số mở vì bạn cần trả lời một câu hỏi về nguồn gốc, quyền tài phán hoặc khả năng kiểm toán, thì Kolibri là bản phát hành có câu trả lời. Nó không phải là mô hình mạnh nhất ở kích thước của nó — chính các bảng của Aleph Alpha nói vậy — và nó chỉ hỗ trợ hai ngôn ngữ, và cấu hình phục vụ được khuyến nghị của nó là hai H100 SXM5 hoặc hai H200 — hoặc một B200 hoặc B300 duy nhất, mà bảng phần cứng liệt kê cùng với chúng. Sự đánh đổi này là rõ ràng và, đối với một triển khai trong môi trường có quy định, có lẽ là đúng đắn.

Nếu bạn tìm kiếm trọng số mở vì muốn một tác nhân kỹ thuật mà bạn có thể tự vận hành, thì Beam 1.0 là bản phát hành sở hữu năng lực, ngăn xếp phục vụ và bộ công cụ xác minh, đồng thời nó yêu cầu bốn chiếc B300 và một bảng giá vẫn chưa được viết ra. Cái giá phải đánh đổi ở đây là vốn và sự mơ hồ để lấy một mô hình có thể thực hiện công việc lập trình cận biên giới trên phần cứng của chính bạn.

Điều mà sự ghép cặp này cho thấy là "open weight" đã không còn là yếu tố tạo khác biệt từ lâu rồi. Hai bản phát hành Apache 2.0 từ hai phòng lab trong vòng hai tuần có thể chia sẻ cùng một giấy phép, một triết lý về độ thưa và một cửa sổ ngữ cảnh, mà vẫn là câu trả lời cho những câu hỏi hoàn toàn khác nhau. Sắp xếp theo giấy phép chẳng đưa bạn đến đâu; sắp xếp theo việc bản phát hành được tạo ra để trả lời câu hỏi nào mới đưa bạn đến đúng thư mục.

Không có gì trong số đó là giả thuyết: các lỗi AI và sự cố tác nhân được ghi nhận đằng sau những bản phát hành như bản này đều được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.