Beam 1.0 与 Kolibri：两个 Apache 2.0 发布版本并非同一个版本

Beam 1.0与Kolibri是过去一个月里最具可比性的两个开放权重发布，把它们相互比较，比把其中任何一个与前沿 API 模型相比更有用，因为这两者都确实可以下载。Aleph Alpha 的 Kolibri 于 2026 年 10 月 3 日发布——总参数量 78,103,074,560，每 token 激活参数 3,457,573,120，经过验证的上下文窗口为 1,048,576 个 token，支持德语和英语，采用 Apache 2.0 许可。Reflection 的 Beam 1.0 于 2026 年 10 月 16 日发布，总参数量 5013 亿，激活参数 234 亿，上下文 100 万 token，支持英语，采用同样的许可。同样的许可，相似的稀疏化理念，除此之外几乎再无共同之处——这正是为什么把这两者放在一起比较，比单纯比较规模大小能告诉你更多。一个出自需要论证司法管辖优势的实验室；另一个出自需要论证能力优势的实验室。

这两者还有一个差异，它往往在任何人读到哪怕一行基准测试结果之前，就决定了大多数实际部署的走向：厂商在发布权重的同时还公布了什么。Aleph Alpha 发布了一份异常完整的模型训练说明——数据来源、能耗、失败的前代模型、精确的 GPU 小时数。Reflection 则发布了一个可以指向你自己端点的验证器。这些是不同类型的信任，而你的采购流程接受哪一种，是首先要回答的问题。

相同的许可证，不同的产品

从真正完全相同的部分开始，因为它比看上去的要少。

• 许可证——两者均为 Apache 2.0，且两者的许可证都放在代码仓库中，而不是写在博客句子里。Beam 的卡片还补充说明，蒸馏、微调、量化和合并均不受限制。Kolibri 不附带可接受使用附加条款，没有月活跃用户门槛，也没有单独的商业条款。

• 稀疏化策略——两者都是采用激进激活比例的混合专家模型。Kolibri 在 78.1B 中激活 3.46B，约 4.4%；Beam 在 501.3B 中激活 23.4B，约 4.7%。两家实验室都没有向你出售稠密模型。

• 长上下文——Kolibri 表示原生窗口为 262,144 个 token，其质量和服务效率已验证至 1,048,576；Beam 表示在模型卡上为 1M，而在 API 上最大输出为 131,072 个 token。

• 没有独立的基准测试复现——两家厂商的表格均未经过第三方核查。Artificial Analysis 完全没有 Kolibri 的模型页面，而它确实列出了 Beam 1.0，其 Intelligence Index 为 30，在索引版本 v4.3.2 上位列 120 个中的第 19 位。

最后一行是第一个真正的不对称之处，而且很容易被忽略。Beam 有一个外部数字；Kolibri 一个也没有。在一项涵盖 120 个模型的指数上，30 并不是一个好看的数字，但它是一个并非由 Reflection 产出的数字；对于正在判断某家供应商的表格是否可信的买家来说，任何独立测量的存在，都比它的数值更有价值。

每个供应商选择发布的内容

Aleph Alpha 的发布文档是更为不同寻常的产物。除权重外，它还发布了从经过筛选的双语语料库中抽取的 20 万亿预训练 token——大致 62.5% 为英语，23.9% 为德语，13.6% 为代码——外加 3.44 万亿中期训练 token 和 2010 亿用于长上下文扩展的 token。算力表述为：96 个 HGX 节点上共 768 块 NVIDIA B200s，预训练 21 天，耗时 511 小时，在报告值 6.4×10²³ FLOPs 下为 392,000 GPU 小时；中期训练增加 5 天和 90,000 GPU 小时，长上下文扩展增加 13 小时和 10,000 GPU 小时。能耗估计为 9.5×10² MWh（含数据中心开销），涵盖预训练、中期训练和长上下文训练，不包括监督微调与强化学习。

发布这一点会带来两个结果。第一，一个组织的采购规则如果以“训练数据从何而来、依据哪部法律”开头，那么它得到的是一个答案，而不是一场对话。第二，且更令人不安的是，同一份文档显示，该模型在 Aleph Alpha 自己的评估框架上输给了 Qwen3.8 27B——英文平均分 75.5 对 80.2，德文平均分 70.8 对 79.9，并且 Qwen 在 GPQA Diamond、LiveCodeBench v6、SWE-Bench Verified 以及两项长上下文基准上都领先。Gemma 4 26B-A4B IT 在这两项平均分上分别为 71.9 和 66.3。Kolibri 的理由并不是它是同等规模中最强的模型；而是它是同等规模中训练过程可供审计的最强模型。这份文档正是这次发布读起来像研究而非营销的原因：Aleph Alpha 描述模型是如何做出来的，是因为它希望产品是流水线，而不是模型；而一家出售训练流水线的实验室，会公布那些表明流水线行之有效的数字。

Reflection 发布的是一种不同的东西。Beam 1.0 的发布包含参考服务配置、一个 Helm chart、对 Transformers、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 和 NVIDIA Dynamo 的首日支持，以及 beam-verifier CLI，该 CLI 会针对实时端点运行一致性测试套件，然后在主要基准上对其进行评估，以便可以将部署与 Reflection 的参考分数进行对照检查。它没有包含的是价目表：文档有整整一页讲速率限制，却没有每百万 token 的价格，而公告只表示 API 一开始可以免费使用。

运行每一个的成本是多少

两者均不在我们的目录中提供，我们也不会暗示并非如此。两者都是自托管购买，而硬件门槛才是真正的价格。

• Beam 1.0 — NVFP4 构建为 273 GiB，参考配置是四块 NVIDIA B300 SXM GPU 通过 NVLink 连接的单机。FP8 为 468.72 GiB，运行在八块 H200 上；BF16 为 933.81 GiB，部署在八块 B200 或 B300 上。随附一个 1.93B 的 DFlash2 草稿模型用于投机解码，在 NVFP4 检查点上可实现 1.7× 到 3.0× 的解码加速。服务配方将 KV 缓存保持为 FP8 E4M3，采用 64 token 的页。

• Kolibri —— FP8 检查点是有文档记载的部署精度，采用 128×128 分块权重与动态量化的激活值，并使用 FP8 KV 缓存进行评估，而嵌入层、LM head、归一化层和 MoE 路由器则保持 bfloat16 精度。一个 vLLM 工具调用解析器与权重发布于同一仓库，且该仓库无需申请权限——是 Apache 2.0 许可的直接下载，而非需要提交申请。

买家真正应该进行的比较并不是基准测试行。而是拿一个双 GPU 自托管端点——它能用德语和英语作答，且其训练过程你可以记录在案——去对比一个四 GPU 端点——它在编程和智能体工作方面更强，而就我们所能找到的资料而言，其训练文档并未涵盖 GPU 小时数或能耗。

如果你处理的工作负载是无法离开本地的受监管文件，那么前者是唯一能一锤定音的选项。如果你的工作负载是一个工程智能体，那么后者是唯一配有验证器的选项。

如果你想要无需机架就能获得的能力

这两个模型所描述的是一类模型——采用宽松许可证、激活参数较少的 MoE——如今已经可以通过你随时可调用的路由来使用，而给替代方案定价，是判断自购硬件是否划算的最快方式。

• Gemma 4 26B-A4B IT — 每百万输入 token 0.06 美元，每百万输出 token 0.33 美元，上下文窗口 262,144 个 token。这是路由端点上最接近 Kolibri 层级的存在，也是在 Aleph Alpha 自家的英语和德语平均成绩上真正胜过 Kolibri 的模型。

• Qwen3.8-27B —— 输入 $0.33、输出 $2.40，上下文 262,144 token，并且如果你更愿意自己运行而不是租用，还提供 Apache 许可的开放权重。

• GLM-5.2 — 定价 $1.40 和 $4.40，提供 1,000,000 token 的上下文窗口，面向 Beam 1.0 所针对的长上下文和编程工作。

• Kimi K3 —— 在 1,048,576 tokens 上下文下，输入 $3.00，缓存 $0.30，输出 $15.00；Reflection 自己的发布帖也承认，该模型在原始能力上更胜一筹。

OrcaRouter 将这套路由置于一个兼容 OpenAI 的密钥之后，提供商的标价原样透传、分文不加，因此供应商一降价，当天就反映在你的账单上，而不必等到下一次合同续签；自动故障转移则能应对某家提供商在高负载下性能下降的情况。对于任何正在权衡主权部署的人来说，一个实用的模式是：让受监管的流量走自托管的 Kolibri 端点，让一般性工作走路由层，再用一条路由规则决定哪些走哪边——一个密钥、一份配置，而硬件决策只需为那些确实需要它的文档提供正当理由。

你实际在找的是哪个版本？

如果你搜索开放权重是因为你需要回答关于溯源、司法管辖区或可审计性的问题，那么 Kolibri 就是能给出答案的发布版本。它并不是同规模中最强的模型——Aleph Alpha 自己的表格也这么说——而且它只覆盖两种语言，其推荐的服务配置是两块 H100 SXM5 或两块 H200——或者单块 B200 或 B300，硬件表中也将它们并列列出。这种取舍是明确的，而且对于受监管的部署来说，可能也是正确的。

如果你寻找开放权重，是因为想要一个能自己运行的工程智能体，那么 Beam 1.0 就是具备这种能力、服务栈和验证工具的发布版本，但它要求四块 B300，以及一份尚未写出的价目表。这里的取舍是：用资本和不确定性，换取一个能在你自己的硬件上完成接近前沿水平的编码工作的模型。

这组配对说明的是，“开放权重”早就不再是区分彼此的标志了。来自两家实验室、相隔两周发布的两个 Apache 2.0 版本，可以共享同一份许可证、同一种稀疏化理念和同一个上下文窗口，却依然是对完全不同问题的回答。按许可证来分类毫无用处；按这个版本是为回答哪个问题而打造的来分类，才能让你找到正确的文件夹。

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。