Beam 1.0 与 Clef Flash：一个能写代码，一个连句子都写不出来

把Beam 1.0和Clef Flash并排放在一起，这种对比看起来荒谬至极，直到你注意到它真正在讲什么。Beam 1.0 是 Reflection 的 5013 亿参数专家混合模型，于 2026 年 10 月 16 日以 Apache 2.0 权重发布，专为编程、推理和长周期智能体工作而打造；它读取文本，也输出文本。Cloudflare 的 Clef Flash 是一个 90 亿参数的模型，完全没有文本输出通道——不是退化的文本输出，而是根本没有。它接收一个状态，外加一份由带类型的问题组成的 schema，并为每个允许的答案返回一个概率。任何把这两者按基准分数互相排名的页面，都误解了二者。真正有用的问题是：它们在流水线中各自占据哪个位置，因为在构建良好的系统里，它们并非对手，而是相邻的阶段。

这种邻接关系值得精确理解，因为它解释了一类任何单模型基准测试都无法揭示的生产故障：你因为手头只有聊天模型而硬接上去的解析器，以及一百个答案里不符合你 schema 的第五十一个。

每个模型实际返回什么

从输出形态入手，因为其他一切都由此决定。

• Beam 1.0 — 自由格式文本，并强制进行推理。支持的推理强度为 low、medium、high、xhigh 和 max，其中 max 是默认值，因此开箱即用配置会进行最长时间的思考。推理、工具调用和结构化输出均受支持，而结构化输出加上 JSON schema 是 Beam 最接近受约束返回的方式。

• Clef Flash —— 在已声明答案集上的一个分布。Cloudflare 的文档描述了一个前向传播过程，为每个被允许的选项打分；其中没有生成步骤，因此也没有解析步骤。厂商自己的定位是，这是一个决策模型，而此次发布中的第二个产品是一个强化学习微调平台，用于构建更多此类模型。

真正的实际差异在于，当输入超出范围时会发生什么。一个文本模型被问到超出其能力范围的问题时，会生成自信满满的文字，而你的系统必须注意到这一点。Clef Flash 会在你提供给它的各个选项上给出总和为 1 的概率，这意味着超出范围的输入会表现为一种平坦分布，而不是一句看似合理的话——前提是你为此设定了一个阈值，而供应商并没有提供这个阈值。Cloudflare 自己公布的表格将这种情况显示为该模型最弱的单元格。

这些评估并不重叠，而这就是发现。

Clef Flash 的分数来自 Jev Decision Index 和一组针对具体决策的测试套件，这些套件全部由 Cloudflare 运行，其中若干套件还针对竞争对手自己的基准进行测试——Jev 由 TypeSafe 发布，而 TypeSafe 正是 Clef Flash 所对标模型的供应商。在这些套件上，分数很亮眼：BFCL 用例精确匹配 98.8，API-Bank 93.1，家电模拟 97.7，ContractNLI 宏 F1 84.3，RouterBench 79.9。在 BFCL、API-Bank 和家电套件上，Clef Flash 都略胜更大的 27B Clef，其中家电套件领先十四分。所有这些结果均未经过独立复现。

Beam 的评估体系性质不同。Reflection 的模型卡报告了智能体与软件工程基准——SWEBench Verified 81.6、Terminal Bench v2.1 80.1、DeepSWE v1.1 43.3、BF16 检查点上的 GPQA Diamond 90.6——全部为厂商自报。唯一的外部数字来自 Artificial Analysis，它把 Beam 1.0 的智能指数列为 30，在索引版本 v4.3.2 的 120 个模型中排第十九，并且没有记录价格和速度，因为它仍然认为该模型“没有公开可用的 API”。Clef Flash 那一列中没有任何内容对应智能指数，Beam 那一列中也没有任何内容对应用例精确的路由器得分。它们不在同一轴上。

你能比较的是成本结构，而在这方面，两者处于两个极端。Cloudflare 在 Workers AI 上托管 Clef Flash，每百万输入 token 收费 0.038 美元，输出 token 计费为零，因为根本没有输出 token——大约是同一定价表对更大的 27B Clef 所收取的 0.24 美元的六分之一，也略低于我们针对能响应相同请求形态的决策模型所收取的 0.042 美元。Beam 1.0 完全没有公布每百万 token 的价格——Reflection 的文档有完整的速率限制页面，却没有定价表。自托管是唯一有标价的途径，而它起步就需要四块 N​VIDIA B300 GPU。

每个在真实系统中的归属

老实说，Clef Flash 取代的，是你很可能做得很糟的那个步骤；而 Beam 1.0 取代的，是你很可能做得很费钱的那个步骤。

Clef Flash 面向的是智能体循环内部的分类、路由、门控与分诊——凡是正确输出属于一组已知标签之一、而畸形答案的代价是下游异常的场合，都是它的用武之地。其公开的延迟表现——中位数约 38.8 毫秒、p95 约 122.4 毫秒——正是这类场景中真正关键的部分，因为它的测量环境恰恰是文本模型的首 token 时间不构成衡量标准的场景。

Beam 1.0 的目标是工作本身：解决 GitHub issue、在 CLI 中操作、运行多步骤的工具工作流。Reflection 提出的论点是 token 效率，而非峰值能力——模型卡声称，在推理阶段的推理 token 用量大约只有三分之一的情况下，其解决方案质量可与领先的开源模型相当；而对此最强有力的佐证是 Artificial Analysis 的记录：在 Intelligence Index 上，Beam 消耗了 79M 输出 token，而中位数为 130M，在该指标上于四十六个模型中位列第十。在每一轮都要重放此前对话的长时间 agent 运行中，正是这一项会不断累积。

两者都不在我们的目录中，我们也不会暗示并非如此。Clef Flash 运行在 Cloudflare 自家的边缘 GPU 上，其 Apache-2.0 权重可供你自行托管；Beam 1.0 的权重以 Apache 2.0 许可发布在 Hugging Face 上，并配有第一方 API，而该 API 并未公布价格。

保持两者都可访问的原因

一个在闸口处使用决策模型、并在其背后使用推理模型的流水线，其架构严格优于用单一聊天模型同时承担两者的方案；而这样构建的代价，就是第二个依赖所带来的运维成本——第二份契约、第二套密钥、第二种故障模式。路由器所消除的正是这一部分，而非模型本身那一部分。

如果贵系统中的门控步骤就是 Clef Flash 所描述的那些，那么最接近的、已完成路由的等效模型便是 TypeSafe 的 Jev 1.13——Cloudflare 将其选为基准对照对象，与 Clef Flash 的请求结构 API 兼容，并且在我们的目录中价格为每百万输入 token 0.042 美元，输出计费为零，上下文长度为 65,536 token。

对于门控背后的推理阶段，我们的目录收录了 Beam 所对标的模型：GLM-5.2 每百万 token 为 $1.40 和 $4.40，窗口为 1,000,000 token，Kimi K3 为 $3.00 和 $15.00，窗口 1,048,576，Qwen3.8-Max 为 $2.00 和 $6.00。一个 OpenAI 兼容密钥即可覆盖全部模型，供应商标价原样传递，不额外加价，而自动故障转移意味着门控阶段不会因为某个供应商出现短暂故障而中断。

你也可以让这两个阶段运行在不同的模型上，而不必在二者之间做出取舍：一条将模式分类流量发送到决策端点、将自由文本工作交给推理模型的路由规则，正是路由 DSL 的常规用法，这意味着决策阶段的准确率和推理阶段的成本可以各自独立调优，而不必在同一个模型的参数量内部相互权衡。

你实际上想买哪一个？

如果你来到这里，是因为你的智能体偶尔会输出一个被你的解析器拒绝的 JSON 数据块，那么你想要的并不是一个 5010 亿参数的模型。你想要的是决策模型，而需要问的问题是：你的答案集是否真正可枚举，以及你的弃权策略是什么——因为 Clef Flash 给你的是概率，而不是拒绝。

如果你来到这里，是因为你的编码智能体账单主要被你看不见的推理 token 占据，那么你想要的并不是一个 90 亿参数的分类器。你想要的是 Beam 1.0，或者它所对标的那些模型之一，而真正该问的问题是：你是能自行托管它，还是仍在等待一份尚未公布的费率表。

正面对比有一点说对了：两者都是从相反两端对同一个命题下注——agent 昂贵的地方不在答案，而在它周围的一切。Cloudflare 的答案是，把生成从那些从来不需要生成的步骤中移除。Reflection 的答案是，让生成按每个思考 token 计更便宜。两者一起部署时，成本低于单独部署其中任何一个，这比任何一家厂商的基准测试表所能告诉你的结果都要好。

这一切都并非假设：像本次这样的发布背后那些有据可查的 AI 故障与智能体事件，均收录于 OrcaRouter AI 事件档案库中，其中每条记录都附有自己的来源、严重程度、置信度评级和存疑标记。