Beam 1.0 对比 Gemma 4 12B：5010 亿参数对 12 个参数，以及这一差距实际能带来什么

这两个模型中，有一个能装进笔记本电脑，另一个则需要机架，而两者之间的差距是四十倍。Reflection Beam 1.0是一个稀疏混合专家模型，总参数量为 5013 亿，每个 token 会唤醒其中 234 亿——由 Reflection 于 2026 年 10 月 5 日以候补名单预览的形式宣布，并于 2026 年 10 月 16 日真正以可下载权重的形式交付，采用 Apache 2.0 许可，提供 BF16、FP8 和 NVFP4 版本，同时还附带一个小型的 DFlash2 投机解码草稿模型。G​emma 4 12B是 G​oogle DeepMind 的无编码器 119.5 亿参数稠密模型，于 2026 年 6 月 3 日发布，可读取文本、图像、音频和视频帧，输出文本，并能量化压缩到 16GB 机器也装得下的程度。两者的许可证都很宽松，两者的输出都是文本，而且两者现在都已上架 Hugging Face。除此之外，它们几乎再无相同之处，而有价值的问题并不是哪一个更聪明——而是哪一个无需采购订单就能解决你的问题。

这比通常情况更重要，因为在十一天里，Beam 1.0 是一个只能读到、却无法获得的模型。Reflection 10 月 5 日的公告承诺 Apache 2.0 权重将在“本月晚些时候”发布，而仓库却空空如也。截至 2026 年 10 月 16 日，该集合已上线，包含四个仓库，模型卡也附有完整的评估表。正是这次发布，才使这篇对比能够真正作为对比来写，而不是一则关于头条新闻的注记。

他们俩的立场，一次说清

以下所有内容要么来自供应商自己的文档，要么来自 Artificial Analysis。如果某个数字来自供应商且无人复现，本页会在该数字所在位置说明这一点，而不是在页面底部的免责声明中说明。

• 总参数量 — Beam 1.0 501.3B 对比 Gemma 4 12B 11.95B。比例大约为 42 比 1。

• 每个 token 的活跃参数量——23.4B 对 11.95B。这一比例缩小到约 2 比 1，而这就是全部诀窍：稀疏模型只为其实际使用的部分付出代价。

• 架构 — Beam 1.0 是一个 52 层的 MoE，拥有 256 个专家、3 个稠密层和 49 个专家层，采用交错的局部与全局注意力，以及带滑动窗口注意力的门控分组查询注意力；Gemma 4 12B 是稠密模型，48 层，完全没有多模态编码器——视觉与音频处理是训练进模型本身的，而不是后期外挂上去的。

• 上下文窗口 — 模型卡上，Beam 1.0 为 1,000,000 个 token；Gemma 4 12B 为 262,144 个 token。两者均为各自系列提供的最大数值。

• 模态 — Beam 1.0 是文本输入、文本输出，其卡片上对此直言不讳；Gemma 4 12B 则接收文本、图像、音频和视频帧，并返回文本。

• 许可证——两者均采用 Apache 2.0{{1}}，可商用，无用户上限{{/1}}。这是两个模型最为相似之处。

• 已发布的评估——Beam 1.0 提供了一张覆盖 BF16、FP8 和 NVFP4 检查点的评估表；Gemma 4 12B 的模型卡载有 Google 自家的数据，并且自 6 月以来一直有独立评分。

• 独立评分——Artificial Analysis Intelligence Index v4.3.2 将 Beam 1.0 评为 30 分，在其对比类别中的 120 个模型里排名第 19；将 Gemma 4 12B 评为 14 分，在 141 个模型中排名第 20——较大模型领先 16 分，而 Gemma 的数值带有一个“估计”脚注，因为针对 12B 的独立评估仍未完成。

既然权重已经存在，Beam 1.0 究竟是什么

模型卡上写着：总参数量 5013 亿，激活参数 234 亿，52 层，其中 3 层为稠密层、49 层为 MoE 层，256 个专家，词表大小为 152,000 个 token，知识截止日期为 2026 年 6 月 30 日，模态为纯文本。聊天模板是修改版的 Harmony 格式，包含两个通道——analysis 和 final——以及一个 reasoning_effort 设置，该设置接受整数或 minimal、low、medium、high、xhigh 和 max 之一，分别映射到 8、32、64、128、256 和 512。当该参数未设置时，服务端默认值为 512。该模板自身的文档指出，取值为 8 的 minimal 是训练数据采样过的最小推理强度，因此更小的预算不会被遵循。

关于那份规范，有三点值得单独拎出来说，因为它们正是决定你能否使用它的关键所在。

首先，effort 设置没有关闭开关。Beam 始终会进行推理；你只能选择推理多少。对于智能体循环来说，这意味着每一轮都会带上一个推理前缀，而它会被计费；如果你重放历史记录，还会再次计费。当 allow_missing_thinking 设为 false 且先前的助手轮次已经丢弃了其推理时，该模板甚至会抛出错误，正是因为剥离它会降低输出质量。这是有文档记录的成本，而不是一个缺陷。

第二点是量化版本。Reflection 在发布 BF16 模型的同一天发布了 FP8 和 NVFP4 检查点，同时还推出了 DFlash2 草稿模型。NVFP4 仓库标注为 255B，而 BF16 版本为 501B，模型卡将量化归功于 llm-compressor，并致谢 NVIDIA 员工的指导。首日就有四比特版本，这改变了究竟谁能跑得动它——501B 的 bfloat16 权重约为一太字节，这与四比特下的 255B 是完全不同的采购考量。

第三点正是缺失的那一项。卡片上没有服务建议，没有公布硬件最低要求，Reflection 自己的各个渠道上也找不到任何已公布的 API 价格。Artificial Analysis 上该模型的页面把价格字段标为不可用，并注明"无公开可用的 API"——对于一个全部卖点就是运行成本低廉的模型来说，这恰恰是你最希望看到被填上的那一栏。

Gemma 4 12B 是什么，以及为什么尺寸本身就是卖点

Google 的模型卡显示，Gemma 4 12B 拥有 119.5 亿参数、48 层、262,144 个 token 的上下文、整个系列共享的 262,000 个 token 词汇表，以及 1,024 个 token 的滑动窗口——是更小的 E2B 和 E4B 规格所用窗口的两倍。注意力机制将局部滑动窗口注意力与完整的全局注意力交错结合，且最后一层始终为全局注意力。它在超过 140 种语言上进行了预训练，并宣称开箱即支持 35 种或更多语言。

有趣的工程决策在于架构层面：该模型没有独立的编码器。谷歌的说法是多模态处理是训练出来的，而非后期附加的，因此同一个检查点就能同时服务于视觉和音频，无需加载第二套权重。在设备端，这正是一个可部署模型与一套流水线之间的差别。

Google 还推出了量化感知训练，而不是依赖事后量化器，并发布了一个 QAT GGUF，其权重约为 6.98 GB，外加一个小型多模态投影器。社区量化版本则压得更低：被广泛镜像的 Unsloth 构建版本，从最激进的 2-bit 约 4.2 GB，到 Q4_K_M 的 7.12 GB，再到 Q8_0 的 12.67 GB。Apple 芯片的 MLX 构建在 8-bit 下约为 12.7 GB。相比之下，全精度指令微调检查点是一个单一的 23.92 GB safetensors 文件——这是任何 KV 缓存之前的原始 bfloat16 占用，这个数字说明 16GB 机器无法以未量化形式容纳它，而 24GB 显卡可以。

独立评分在发布后不久便已可用，而这正是贯穿本页的不对称之处。Artificial Analysis 测得 12B 在 Intelligence Index v4.3.2 上为 14、每秒输出 117.6 个 token、首 token 耗时 2.43 秒，输入 token 每百万 $0.10，输出 token 每百万 $0.30。G​oogle 自家的规格表则报告：MMLU Pro 为 78.2，GPQA Diamond 为 77.8，无工具条件下 AIME 2026 为 77.5，LiveCodeBench v6 为 72.0（Codeforces ELO 1659），MMMU Pro 为 69.1，以及在 128K、八针条件下的 MRCR v2 为 43.4。

不存在的比较

Beam 1.0 的模型卡报告称，SWE-bench Verified 在 BF16 检查点上为 81.6%，在 FP8 上为 80.2%，在 NVFP4 上为 80.7%；Terminal Bench v2.1 为 80.1、78.9 和 78.4；SWE Bench Pro v1 为 66.1、65.9 和 65.6；DeepSWE v1.1 为 43.3、43.0 和 42.7；GPQA Diamond 为 90.6、90.3 和 89.3；AIME 2026 为 97.7、98.0 和 97.5；LiveCodeBench 为 88.3、88.1 和 87.4；MCP Atlas 为 80.8、81.5 和 80.5；IFBench 为 79.6、80.7 和 79.2。评估使用温度 0.7 和 top-p 0.99。所有这些均为 Reflection 自行报告，且没有任何一项得到第三方复现。

Gemma 4 12B 的模型卡报告的是自家数据，同样未能在逐项基准层面得到复现，而 Artificial Analysis 已独立对该模型进行了评分。现在把两者并排放在一起，试着相减。你做不到。Beam 的表是一张前沿模型的智能体编程与工具使用基准表。Gemma 的则是一张多模态理解与推理基准表。两者重叠之处——基本上就是 GPQA Diamond 和 AIME——其测试框架、推理强度设置和采样参数，一方没有文档说明，另一方则未知。GPQA 上 90.6 对 77.8 看起来像有 13 分的差距，而这其实是一个实验室的设置与另一个实验室的设置之间的比较。

本页上唯一一个由同一家机构对两个模型都进行测量的数字，就是智能指数，而那里的差距是 30 对 14。这是第三方在一套有记录的复合指标下做出的真实测量。对于一个参数量高达 42 倍、且根据现有证据完全属于不同部署类别的模型来说，这也是一道 16 分的差距。没有人应该对此感到意外。

实际运行每一个需要多少成本

我们的目录中既没有 Beam 1.0，也没有 Gemma 4 12B。OrcaRouter 从 Gemma 4 系列中路由的，正是我们提供的这两个规格：Gemma 4 26B A4B，每百万输入 token 0.06 美元、每百万输出 token 0.33 美元上下文长度为 262,144 token；以及 Gemma 4 31B，价格分别为 0.13 美元和 0.38 美元——按供应商标价原样传递，不加价，数据读取自我们自己的模型列表，时间为 2026 年 10 月 16 日。Beam 1.0 并非我们提供的服务，本页面也不假装如此；如今要使用它，可以从 Reflection 的 Hugging Face 集合中下载，或调用 Reflection 自己的 API。

这样一来，诚实的成本比较就归结为硬件比较，而这正是此处真正要紧的那种比较。如果你已经拥有那台机器，四位量化的 G​emma 4 12B 不过是一次下载加一个下午的事。如果你没有，12B 的按量计费等效方案大致是我们清单上最便宜的东西——每百万输出 token 三十美分——而一个激活参数为 23B 的 501B 模型则是一项 GPU 租用，没有任何地方为你标过价，因为 Reflection 尚未公布费率。

这两个中哪个是你的型号

选择G​emma 4 12B，如果这项工作是多模态的，如果它必须运行在你已经拥有的硬件上，或是你要交付给客户的设备上，如果首个 token 的延迟在几百毫秒以内是可以接受的，并且 256K 的上下文足以覆盖你的文档。无编码器设计和量化感知训练，正是为这类读者量身打造的；而 Apache 2.0 许可证意味着，你可以直接发布一个衍生版本，无需与 G​oogle 进行任何沟通。这一选择的代价是能力：在独立指数上为 14，距离前沿还有很长一段路；而对你最重要的那套基准测试——智能体式编程、仓库级推理——并不在 G​oogle 所公布的那一套之中。

选择 Beam 1.0如果你的工作是编码、工具调用和长时程智能体执行，如果你拥有集群访问权限或服务合作伙伴，并且如果你能承受一个未定价的 API 和一份常开推理预算。已发布的基准测试正是针对这类工作负载，四位量化构建让硬件层面的讨论远比参数规模所暗示的更为轻松，而且其许可证不包含任何会阻碍商业微调的限制。

如果你真正需要的是本周就能得到答案，那这两者都别选。这两者都是必须自行运行的模型。对那个决策真正重要的比较——用你已有的密钥、按公开费率调用的托管模型——属于另一篇文章，而本文讲的是开放权重谱系的两端，而非大多数生产流量所在的中段。

什么会改变此页面

两件事。一项独立基准测试，如果能把 Beam 1.0 和 Gemma 4 12B 放在同一套测试框架中、以同等投入运行，就能把上面仅基于 Index 的对比替换成某种可做差值的东西；而 Beam 的权重如今已公开，这意味着任何人都能运行它。公布 Beam API 的价格——或者托管式 FP8 或 NVFP4 部署的价格——将把成本部分从硬件论证变成一张价目表。在其中一项落地之前，准确的总结是这样的：40 比 1 的参数差距换来了约 16 个点的独立测量智能，以及一套不同的基准测试，而代价是你得有个地方来安放它。

这样的结果也提醒我们，模型出错早已有记录：此类模型背后的 AI 事件和智能体故障，均收录于OrcaRouter AI Incident Archive，其中每个条目都附有自己的来源、严重程度、置信度等级和争议标记。