Beam 1.0 对比 Qwen 3.8：已交付权重发布版对决价目表

2026 年 10 月 5 日，Reflection Beam 1.0被宣布为一款开放权重模型，但其权重尚未发布。2026 年 10 月 16 日，权重正式上线——Hugging Face 上的四个仓库，采用 Apache 2.0 许可，提供 BF16、FP8 和 NVFP4 精度，外加一个 2B 的推测解码草稿模型。Qwen 3.8在两个半月里讲的却是相反的故事：阿里巴巴的这一代模型于 2026 年 8 月 3 日上线，Qwen3.8-Max作为定价 API 提供，价格为每百万输入 token 2.00 美元、每百万输出 6.00 美元，另有一个开放权重同门模型随后以自定义许可发布，以及一个采用 Apache 2.0 许可的稠密 270 亿参数模型。两款模型都宣称支持一百万 token 的上下文。两者都会推理，都能调用工具，在界面层面都是纯文本。值得搞清楚的差别在于：哪一款你能够做预算，哪一款你能够握在手里——因为在 10 月 16 日之后，每款模型恰好只具备其中之一，而不具备另一个。

上面两张图都来自厂商，而这两个模型现在都经过了 Artificial Analysis 的实测——这在该领域实属罕见，也正是这篇对比得以成文的原因。

各模型的现状一览

• 参数 — Beam 1.0 是一个稀疏专家混合模型，总参数量 501.3B，每个 token 激活 23.4B，共 52 层，其中 3 层为稠密层、49 层为 MoE，并按模型卡所述配置包含 256 个专家。Qwen3.8-Max 的参数量从未被阿里巴巴披露；其核心的开放同源模型 Qwen3.8-2.4T-A95B 是一个 2.4 万亿参数的 MoE，约 950 亿激活，这也是公司外部人士所能接近旗舰规模的程度。

• 上下文窗口——在 Beam 1.0 的模型卡片上为 1,000,000 个 token。在 OrcaRouter 针对 qwen/qwen3.8-max 的条目中为 1,000,000 个 token，而在 Artificial Analysis 针对同一模型的页面上为 984,000。两者是同一个数值因取整方式不同而得到的结果，并非这两个模型之间的差异点。

• 模态 — Beam 1.0 是文本输入、文本输出，其说明卡上已明确写明。Qwen3.8-Max 可接受文本和图像并返回文本，这是实实在在的能力差异，而非格式上的差异。

• 许可证 — Beam 1.0 采用 Apache 2.0，不设用户上限，也没有单独的商用层级。Qwen 3.8 世代的情况则较为复杂：2.4T Max 核心检查点可根据自定义许可证下载，稠密 27B 采用 Apache 2.0，而旗舰 Max 本身则完全没有权重。

• 价格——Beam 1.0 在 Reflection 自有的任何渠道上均未公布，在 Artificial Analysis 的该模型页面上也被记录为不可用。Qwen3.8-Max 为每百万 token 2.00 美元和 6.00 美元，由 Alibaba 公布，我们自己的路由上也列出了相同的数字。

• 独立评分——Artificial Analysis Intelligence Index v4.3.2 将 Beam 1.0 评为 30 分，在其对比类别中位列 120 个模型的第 19 名。同一指数中，Qwen3.8-Max (0902) 为 45 分，在 217 个模型中排名第 33，而 AA 对 Max 系列的多个版本都做过评估，各版本之间的分数有所变动。

• 速度 — Beam 1.0 无此项；页面将输出速度记录为未知，因为没有可供测量的公开端点。Qwen3.8-Max 为每秒 38.8 个输出 token，AA 称这在其所属档位中明显偏慢。

从宣布到发布之间的这十六天究竟改变了什么

这个差距值得精确描述，因为一旦权重公布，这类东西就会被抹平。

Reflection 的发布博文称，权重、技术报告、模型卡和开发者资料将在“本月晚些时候”发布，并承诺采用 Apache 2.0。从 10 月 5 日到 10 月 16 日，读者能对 Beam 1.0 做的唯一事情就是加入等候名单。该模型有一张基准测试表、一份已公开的训练说明——在不到四周内于 6,144 块 GB300 NVL72 GPU 上训练了 23.8 万亿个 token，在 10,500 块 GB300 上进行了 RL 阶段，超过 1 亿次 rollout——却没有下载。

随后，在10月16日，三个量化变体和一个草稿模型出现在一个 Hugging Face 合集中，随之而来的模型卡包含一张覆盖全部三种精度的完整评估表。对于正在决定要运行什么的读者来说，重要的后果不是那些基准测试数字——它们仍由 Reflection 自己发布，且尚未被复现。重要的是，该模型已从“已宣布”这一类别，进入了“可供你检查、量化、微调和部署”的类别。一份你能据以行动的许可证，与一份别人向你承诺的许可证，是不同的资产。

Qwen 3.8 走了相反的路，却抵达了同一个地方。阿里巴巴在 2026 年 8 月 3 日以一款已定价、已上线的旗舰模型开启这一代，之后分阶段发布权重——8 月 12 日发布 2.4T 核心，8 月 14 日发布稠密 27B，当月晚些时候发布 Flash-Next 预览版。没有人需要等待一个承诺，因为能买到的东西先来，能下载的东西后到。

这两种定价情形并不对称

Qwen3.8-Max 是我们提供的路由之一。它的价格为每百万输入 token 2.00 美元、每百万输出 token 6.00 美元，上下文长度为一百万 token，按提供商标价原样透传、不加价——因此，如果阿里巴巴调整该费率，你的账单当天就会随之变化，而不用等到下一次合同续约。这就是"模型有价格"在实践中的含义，也正是本文能够为这一对比中的一方给出一个实打实的算例数字、而另一方给不出的原因。

Beam 1.0 没有这样的数字。公告发布十二天后，它还只是一个需要排队、被注册墙拦在门外的预览版；到 10 月 16 日，它才变成可下载的版本。这两种状态都没有附带任何定价。你看到的任何针对 Beam 1.0 引用的美元数字，都不过是某人的硬件估算，而模型卡既没有提供部署建议，也没有给出硬件最低要求，更没有可供估算的吞吐量数字。价格一栏是该模型文档中最大的一个窟窿，而 501B 的参数规模让这个窟窿填起来的代价格外高昂。

这个对比有一个版本，其中规模本身就会替你论证成本——234 亿激活参数对传闻中的 950 亿，按每个 token 的计算量算就是四比一，而如果较小的模型也有定价，它很可能运行起来更便宜。这个论点在这里无法成立，因为其中一方没有费率。可以说的是，一个有已公布价格的模型和一个有已公布许可证的模型，在不同意义上都是可供使用的，而买家需要这两行信息才能做出选择。

能力，并附上寻源信息

Beam 1.0 的卡片报告称，BF16 检查点在 SWE-bench Verified 上达到 81.6%，Terminal Bench v2.1 为 80.1，SWE Bench Pro v1 为 66.1，DeepSWE v1.1 为 43.3，GPQA Diamond 为 90.6，AIME 2026 为 97.7，LiveCodeBench 为 88.3，MCP Atlas 为 80.8，LongBench v2 为 67.5，IFBench 为 79.6，而 FP8 和 NVFP4 的数值通常低一两个点。Reflection 自身的定位颇为谨慎：它将 Beam 描述为可与更大的开源模型竞争、正在逼近 Qwen 3.8-Max，在推理上比肩 GLM-5.2，同时推理算力用量少三到四倍，并承认 Kimi K3 在原始能力上仍然领先。所有这一切均为厂商自行报告，尚无任何第三方复现。

Qwen3.8-Max的数字来自两个方向。阿里巴巴公布了自己的数据，包括在Terminal Bench 2.1上的86.6%，以及伴随旗舰发布而来的企业定价表。Artificial Analysis的独立综合评分是更有用的那行：在Intelligence Index v4.3.2上为45，这让该模型远高于其27个同类对比模型的中位数，但低于前沿水平；实测输出速度为每秒38.8个token，AA称即便与接近88的层级中位数相比，这也算慢。一款在同一独立指数上领先Beam 1.0达15分、使用成本为$2.00的旗舰，与一款仅在厂商自家榜单上领先的旗舰，是两回事。

那个能终结效率之争的数字——在相同硬件上测得的每单位能量或每美元算力所能产出的 token 数量——对两个模型而言都不存在。Reflection 的佐证图表将 FLOPs 近似为活跃参数量的约两倍乘以生成的 token 数，并在自己的图注中说明，这不包含预填充、注意力以及服务开销。这是对一项局限的诚实披露，但它仍然不是一次实测。

每一个是干什么用的

选择Qwen3.8-Max，当你需要这东西可调用且可问责时。它有费率、上下文窗口数值和独立评分，既能读文本也能读图像，并且凭一个你今天就能持有的密钥来应答。代价很实在：它很贵，每百万 token 2.00 美元和 6.00 美元；独立测评显示，它在同类中速度偏慢，所以高吞吐量工作负载会同时注意到这两点。这一代确实有开放权重，但支撑旗舰之名的检查点采用自定义许可证，且是数据中心规模，因此自托管你正在购买的那个确切版本，并不是听起来那样的退路。

选择Beam 1.0——当你想要拥有整个技术栈时。Apache 2.0 提供三种量化级别、100万 token 上下文、始终开启的推理预算（可调而非开关），以及一张针对编程和智能体工作的评估表。这种自主权的代价是周围的一切：你需要自己估算的服务账单、使估算值庞大的参数数量，以及没有独立评分来对照供应商的表格——Intelligence Index 的 30 分是真实的第三方数据，但它只是一个综合指标，而非逐项基准验证。

而对于混合场景——一个团队最终想要开放权重，但本季度就需要一个端点——通常的答案是两者兼用：在自托管部署尚在构建、并基于你自己的任务进行基准测试期间，先把工作通过按公开费率提供的托管模型来路由。OrcaRouter 在一个 OpenAI 兼容密钥背后运行 200 多个模型，并支持跨提供商自动故障转移，因此自托管部署可以只承接一小部分流量，并在其性能下降时把其余流量交还回去，而且无需再签一份合同，就能试用尚未承诺采用的模型。

接下来看什么

改变这一页的只有一件事，而它只是一行。如果 Reflection 或某个服务合作伙伴发布了 Beam 1.0 的费率——面向 API，或面向托管的 FP8 或 NVFP4 部署——那么比较就变成算术题：23.4B 活跃参数对传闻中的 95B，两个独立的指数评分，以及两个价格。那才是值得一读的一页。在那之前，诚实的总结是：Reflection 交付了它承诺的那一半，Alibaba 交付了它定价的那一半，而两个模型都在等待另一半。

记分板所衡量的内容与实际部署所面对的情况之间的那道落差，正是这份记录之所以重要的原因：围绕这一类模型已有记录在案的人工智能故障与智能体事件，都汇集在OrcaRouter AI Incident Archive，其中每一条都带有自己的来源、严重程度、置信度等级和争议标记。