GPT-6.1 Sol 对比 Reflection Beam：3–4 倍效率声明，以及削弱它的基准测试表格

在Reflection Beam的发布材料中，最有趣的数字并不是某项基准测试得分。Reflection 于 2026-10-05 发布的公告称，Beam 在质量相当的情况下，推理 FLOPs 大约只有 GLM 5.2 的三到四分之一——这是一个针对明确点名对手提出的效率主张，而在当下市场里，每 token 成本正是大多数团队实际运营所面临的约束。可同样一份公告中的基准测试表格，非但没有支撑这一说法，反而使其更显复杂：在这些表格中，Reflection Beam 在若干测试集上击败了 GLM 5.2，却在 DeepSWE、SWE-Bench Pro v2-Hard、SWE Atlas Codebase QnA、MCP Atlas、AutomationBench、BrowseComp 和 DeepSearchQA 上落后于 GLM 5.3、Kimi K3 等模型。将这一点与GPT-6.1 Sol——OpenAI 于 2026-09-29 发布的模型——放在一起看，你得到的便是这样一个对比：一方以效率为论据，另一方则早已将效率定价、测量并公之于众。

这两款模型分别于 10 月和 9 月下旬发布，均属于 2026 年层级，而关于它们各自能谈到多少内容，其差异正是本文的实质所在。以下所有内容均来自 Reflection 的资料、OpenAI 的模型与定价页面、我们自己的目录记录，以及 Artificial Analysis 的独立测量结果，读取日期为 2026-10-12。若某个数字是厂商自己提供的，且无人复现，则包含该数字的句子会注明这一点。

据 Reflection 外部人士所知，Reflection Beam 是什么

Beam 是一个拥有 5010 亿参数的专家混合模型，每个 token 激活 230 亿参数。这个比例是首先值得注意的设计决策：501B/23B 的 MoE 天生就是为了降低服务成本，因为对于任意给定的 token，只有一小部分网络会运行。公告中的效率主张并非事后硬加到架构上的意外之喜——它正是该架构的既定目的。

• 总参数与激活参数——总计 501B，每 token 激活 23B，采用混合专家架构。

• 模态 — 仅文本。无视觉、无音频、无图像输入。

• 上下文 — Beta API 中支持 256,000 个 token，最大输出为 128,000 个 token，知识截止日期为 2026-06-30。

• 权重 — 未发布。Reflection 表示，权重将于 10 月晚些时候以 Apache 2.0 许可证发布，这是关于该模型最关键的悬而未决的问题，也是此次发布实际上只是预览版的原因。

• 价格——未公布。Beam 的 API 没有价目表，因此本文通篇都不会出现它的费用数字，任何基于按 token 计算的比较，都只能把它的那一栏留空。

• 独立基准测试——没有。Artificial Analysis 没有 Reflection Beam 的条目，因此下文中的每一项分数都来自 Reflection 自己的运行，并附带了 Reflection 自己的基线。

供应商表格，如实解读

Reflection 在发布的同时公布了一系列基准测试对比，而诚实地报告这些结果的方式，就是说明它们在两个方向上分别显示了什么，因为它们并不只显示一个方向。

• Beam 的制胜之处。在 Reflection 选择作为重点宣传的测试套件上，Beam 的表现优于 GLM 5.2——也就是效率声明所针对的那款模型。从表面数据来看，这确实是一项实打实的成果：以四分之一到三分之一的推理成本获得更优的输出，对任何大规模提供服务的一方来说都是强有力的定位。

• Beam 的短板所在。这些同样的表格显示，Beam 在 DeepSWE、SWE-Bench Pro v2-Hard、SWE Atlas Codebase QnA、MCP Atlas、AutomationBench、BrowseComp 和 DeepSearchQA 上落后于 GLM 5.3、Kimi K3 及其他当前模型。这些并非边缘测试套件；它们正是决定一个模型能否作为自主智能体使用的软件工程、工具调用和深度研究基准测试。

放在一起看，这些表格所传达的信息是连贯的，而且比“state of the art”（最先进水平）所暗示的范围更窄：Beam 似乎是一个表现强劲的开放模型发布，它在 Reflection 选定的领域上击败了上一代，但在智能体领域并未击败当前一代。对一个模型来说，这是一种合理的存在。这与成为智能体工作可用的最佳模型并不是一回事，而公告的措辞会引人作出更强的解读。

关于效率数字本身的一个结构性要点，因为它是头条数字。与另一个模型进行每 token 的 FLOPs 比较，是架构和服务配置的属性，而不是结果质量的属性——而且 FLOPs 少 3–4 倍是供应商测量的数字，没有独立复现。这是预期 Beam 服务成本低的合理理由。这并不能证明 Beam 的使用成本很低，而这两者之间的差异正是本页整个成本讨论的全部内容：一个为得出答案而消耗更多 token 的模型，可能同时每 FLOP 更便宜、每任务更昂贵。

对比中已发布的一侧

本文旨在记录的正是这种不对称。GPT-6.1 Sol 于 2026-09-29 在 Open​AI 的 API 上线。它有一份已公布的价目表——每百万输入 token 为 $2.00，每百万输出为 $10.00，缓存输入为 $0.10，缓存写入为 $2.50——一个有文档记录的 1,050,000-token 上下文窗口、128,000-token 的最大输出，以及一条独立的 Intelligence Index 条目：在最大推理强度下为 52，每任务运行成本为 $0.72。

那个成本数字，才是值得拿来与 Reflection 的 FLOPs 主张对照的数字。每项任务 0.72 美元不是 FLOP 计数，也不是价目表；它是由运行了该模型的第三方所测得的、工作在完成时的成本。要让 Beam 的效率论证作为采购论证站得住脚，就必须胜过这个数字——而 Beam 没有对等的数字，因为 Beam 既没有公布价格，也没有独立运行。

另外两个区别是具体的，而且今天就可以验证：

• 上下文与输出 —— GPT-6.1 Sol 标称拥有 1,050,000 个 token 的上下文，相比之下 Beam 在测试版中为 256,000 个，而两者的输出上限均为 128,000 个 token。对于代码仓库规模或文档集规模的工作而言，这意味着单次调用能容纳的材料量相差四倍。

• 模态——GPT-6.1 Sol 接受文本、图像和文件；Beam 仅支持文本。如果你的流水线需要读取截图、扫描件或图表，那么无论 Beam 的得分如何，它都不是候选方案。

在 Beam 拥有 GPT-6.1 Sol 在结构上无法回答的论点之处，它属于开放权重的那一个。如果 Apache 2.0 权重按承诺的时间表到位，那么一个 501B/23B 的模型——其激活参数量为 23B——就会以专有模型永远无法企及的方式成为可自托管的候选者。两百三十亿激活参数是一个装备精良的团队能够推演的数字；而测试版中的 256,000 token 上下文以及未公布权重，正是这一论点必须等到实际发布、而非在发布时就能有定论的原因。

现在，谁应该对哪个模型采取行动？

实用的答案因你购买的东西而异，而这一区分足够清晰，可以直接说明。

如果你本周就需要一个用于智能体编程、工具调用或长上下文文档工作的生产级模型，那么已发布的模型就是 GPT-6.1 Sol，而决策在于它的价格，不在于它是否存在。它的输出费率才是真正重要的计费项，其缓存输入费率异常低，为每百万 0.10 美元，而一旦超过 272,000 个输入 token，整个请求就会向上重新计价——在扩展一个读取大段前缀的循环之前，这个阈值值得在设计时加以考虑。它已按 Open​AI 的标价上架我们的目录，0% 加价，因此标价卡上的费率就是最终费率，并且供应商的价格变化会在当天出现在目录中，而不是等到经销商的更新周期之后：https://www.orcarouter.ai/models/openai/gpt-6.1-sol.

如果你对 Beam 的兴趣在于开放权重版本，而不是测试版 API，那么值得关注的是 Reflection 承诺本月晚些时候发布的 Apache 2.0 版本。在权重问世之前，本文中的每一项能力数字都来自厂商，价格未知，自托管方案和成本对比也都无法完成。如果它按计划发布，Beam 就会立刻成为一个双模型配置中高效层的诱人选择——而这正是一个具备跨 200 多个模型自动故障转移能力的单一端点无需第二次集成就能处理的配置，这就是支持在路由层上试用一个未经证实的模型，而不是把生产路径押在它上面的理由。

Reflection Beam 并非我们提供的服务。等它的权重和 API 正式开放之后，它就会和大多数开源发布一样，出现在厂商自家的平台以及若干第三方服务上——到那时这个页面才值得重写，因为它眼下无法说清的两件事，即 Beam 的价格，以及由制造商以外的人来运行时它的得分，恰恰正是答案所取决的那两件事。