一张生成的 16:9 标题卡,写着“{{1}}Qwen4-Max 对 Reflection Beam{{/1}}”,副标题为“{{2}}$1.20 输出对比 $4.50,以及决定它的权重{{/2}}”,并有三张圆角卡片:{{3}}每百万输出 token $1.20 对比 $4.50{{/3}}、{{4}}Apache 2.0 权重对比无{{/4}},以及{{5}}独立评分 17.7 对比未公开的空白{{/5}}。右下角为 OrcaRouter 标志。
Guides & Insights

Qwen4-Max 对比 Reflection Beam:$1.20 的输出对决 $4.50,以及决定胜负的权重

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Reflection Beam 1.0 在其自有 API 上生成一百万输出 token 只需 1.20 美元。Qwen4-Max 在新加坡为同样的一百万 token 收费 4.50 美元,在法兰克福、弗吉尼亚、东京、香港和北京则为 4.24 美元。这是 3.75 倍的差距,且有利于开放权重模型,而这类数字往往会让大多数比较还没开始就结束。但这次比较并未就此结束,因为这两个模型并不是同一类产品:Reflection Beam 1.0 是一个 5010 亿参数的稀疏混合专家模型,采用 Apache 2.0 权重,你可以下载并在四块 GPU 上运行;而 Qwen4-Max 是阿里巴巴的闭源旗舰模型,于 2026 年 11 月 16 日带着已公布的价目表正式开放使用,并且完全不公开权重。前者是一个你可以拥有的模型。后者是一个你可以租用的模型,而租用的价格能为你换来大得多的上下文窗口、原生视频输入,以及一家提供支持合同的供应商。

还有一个衡量标准的问题,而这一点对更便宜的模型极为不利。Beam 1.0 在当前 Artificial Analysis Intelligence Index 上得分为 17.7。Qwen4-Max 则完全没有得分。因此,诚实的表述不是“便宜的开源模型对阵昂贵的闭源模型”——而是“一个经过测量、便宜但不太强的模型,对阵一个未经测量、昂贵且宣称颇多的模型。”

A generated two-column scoreboard titled 'Qwen4-Max vs Reflection Beam 1.0 - the scoreboard', comparing $1.50 against $0.40 input, $4.50 against $1.20 output, a 1,000,000-token context against 1,048,576, text, image and video input against text only, no weights against Apache 2.0, and no independent score against 17.7, over a footer reading 'Beam score per Artificial Analysis Index v5.0.1; Qwen4-Max unpublished.' OrcaRouter logo bottom-right.

Beam 1.0 实际上是什么

Reflection 是一家由两名前 Google DeepMind 研究员于 2024 年创立的纽约实验室,于 2026 年 10 月 5 日发布了 Beam,并于 10 月 16 日发布了权重。该模型是 Beam 1.0-501B-A23B:总参数 5013 亿,每个 token 激活 230 亿参数,激活比例约为 4.6%。Reflection 表示,它不限制蒸馏、微调、量化或合并。

此次发布对首个模型而言异常完整。BF16 版本包含 188 个 safetensors 分片,FP8 采用 E4M3 格式、大小为 468.72 GiB,另有大小为 273 GiB 的 NVFP4 构建,Reflection 自己的部署指南建议下载该版本。还有一个独立的 19.3 亿参数推测解码草稿模型 DFlash2,作为独立仓库发布。Transformers、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 和 NVIDIA Dynamo 均提供首日支持,并附有 SGLang、vLLM 和 TokenSpeed 的分步指南以及一个 Helm chart。还有一个一致性测试套件 beam-verifier,可针对任何运行中的 Beam 端点运行。以及参考自托管要求:四块通过 NVLink 连接的 NVIDIA B300 SXM GPU——一台机器,而非集群,这比 500B 模型通常意味着的门槛低得多,并直接源自 23B 激活比例。

上下文为 1,048,576 个 token。该模型面向文本,定位于编码、推理和智能体工作。

Qwen4-Max 究竟是什么

阿里巴巴第四代旗舰模型,自 2026 年 11 月 16 日起正式可用,模型 ID 为 qwen4-max。上下文长度为 1,000,000 个 token,非思考模式下最大输出为 131,072 个 token,思考与回答共享 262,144 个 token 预算,支持文本、图像和视频输入并输出文本。思考模式默认开启,预算为 131,072 个 token,推理力度为高。六个区域。支持 OpenAI、Anthropic 和 DashScope 接口协议。微调和模型部署文档标注为不支持,且未发布权重。

A screenshot of Alibaba Cloud Model Studio's 'Model releases and updates' changelog, dated 2026-11-16 and headed qwen4-max, with the 2026-11-11 qwen4-max-preview entry visible below it.

在决定你是租房还是买房的各个维度上,并排对比:

• 输入价格——Qwen4-Max 在新加坡为每 100 万 $1.50,在其他地区为 $1.413;相比之下,Beam 1.0 为 $0.40

• 输出价格——Qwen4-Max 在新加坡为 $4.50,在其他地区为 $4.24,相比之下 Beam 1.0 为 $1.20

• 上下文 — Qwen4-Max 1,000,000 个 token,对比 Beam 1.0 的 1,048,576 个 token

• 最大输出 — Qwen4-Max:非思考 131,072,与思考共享 262,144;相比之下,Beam 1.0 的上限在 Reflection 的公开材料中并未与上下文分开列出

• 模态 — Qwen4-Max 支持文本、图像和视频输入,而 Beam 1.0 仅支持文本输入

• 权重 — Qwen4-Max 无,而 Beam 1.0 采用 Apache 2.0,并提供三种精度可下载

• 自托管——Qwen4-Max 不被允许且不可能,相比之下,Beam 1.0 可依据厂商自己的参考构建运行在四块 B300 SXM GPU 上

• 独立评分——Qwen4-Max 未公布,Beam 1.0 在 Artificial Analysis Intelligence Index v5.0.1 上为 17.7。

Beam 得分中的索引版本陷阱

Beam 于 10 月发布时,附在它身上的第一个独立数字是 30,对应指数版本 v4.3.2,在 120 个模型中排名第 19。当前榜单在版本 v5.0.1 上显示为 17.7。这两个数字都没有错;它们不可比较,因为 Artificial Analysis 在这两个版本之间对指数进行了重新基准化,榜单上的每个模型都随之变动。今天任何引用“Beam 得分为 30”的人,都是在引用一个已停用的版本;而任何引用“17.7”却不注明版本的人,则是在反向招致同样的错误。

A screenshot of the Artificial Analysis model page for Reflection Beam, showing the model's intelligence index score of 17.7 on index version v5.0.1, its 501-billion-parameter size with 23 billion active, its Apache 2.0 licence and its 1,048,576-token context window.

重新定基后仍然成立的是相对格局。在 v5.0.1 上,Beam 1.0 的 17.7 明显低于 Qwen3.8-Max 的 33.7、Grok 4.7 的 35.5 和 Kimi K3.1 Pro 的 46.5。它是一个能用的模型,但在通用能力上无法与当前前沿模型竞争,这恰恰是其价格所暗示的,也恰恰是 Reflection 的发布材料没有明说的。厂商在发布时宣称这是一个接近前沿的推理模型;独立测量结果则并非如此。

而且 Qwen4-Max 在这两个版本上都没有给出任何数字。它在 Artificial Analysis 上的单模型页面返回 404,索引中也没有出现 Qwen4 条目。阿里巴巴的文档详细说明了其机制——启用思考时默认温度为 1.0,不启用时为 0.7,top-p 分别为 0.95 和 0.8,top-k 为 20,各模式的输入上限分别为 991,808 和 983,616 个 token——并且没有发布任何形式的基准测试表。

自托管 Beam 的实际成本是多少

0.40 美元和 1.20 美元这两个数字是 Reflection 自己的 API 费率。它们并不是你自行运行 Beam 时所需承担的成本,而这个差异正是开放权重在此至关重要的全部原因。

通过 NVLink 连接的四块 B300 SXM GPU,无论是购买、租赁还是云预留,都不是免费的。拥有硬件的重点不在于每 token 成本更低——而在于硬件摊销之后,边际推理成本接近电费账单,并且你的数据不会离开这栋楼。对于已经为其他工作运行 B300 算力的团队来说,Beam 1.0 的边际成本接近于零,其 17.7 的得分堪称划算。对于不得不买下这台设备的团队来说,同一个模型就是基于一个中游得分做出的资本承诺。

Qwen4-Max 在各方面都是完全相反的取舍。它没有资本成本,无需容量规划,也没有运维负担;作为交换,你要支付 Beam API 费率的 3.75 倍,无法微调,不能在自己的边界内运行它,并且要承受阿里巴巴下季度对该价目表做出的任何调整。价目表的区域结构才是有意思的部分:同一模型在新加坡为 $1.50 和 $4.50,而其他五个地区为 $1.413 和 $4.24,相差 6%,这个差距小到可以只是一个会计细节,又大到在规模化时会产生影响。

每一处都各得其所

当以下三种情况中的任意一种成立时,Beam 1.0 就是正确答案。你的数据不能离开你的基础设施——没有任何签约 API 能达到这一标准,而 Apache 2.0 权重可以做到。你想基于领域数据进行微调——Qwen4-Max 的文档明确标明不支持微调,而 Reflection 允许不受限制地进行蒸馏、微调、量化和合并。或者你的工作负载是智能体编程,在这种情况下,一个具有 230 亿活跃参数、达到交互式延迟的模型足够快、足够便宜,以至于中游的通用评分并不是硬性约束。

当输入不是文本时,Qwen4-Max 才是正确答案。Beam 接受文本;Qwen4-Max 接受文本、图像和视频。如果你的流水线要摄入截图、扫描文档、摄像头画面或屏幕录制,那么价格还没进入比较,比较就已经结束了,因为其中一款模型无法接受该请求。任何需要欧洲、日本或美国东部部署的场景也是如此:六个 Alibaba 区域对比单一的第一方 API,这是资格问题,不是成本问题。

对于其他所有情况——中等规模的通用文本生成、无需微调、没有数据驻留限制——决策取决于你对一个未经评测的模型与一个经过评测但表现平庸的模型 respective 信任程度,而答案是:在你用自己的一百条提示词分别跑过两者之前,两个都不该信任。按每百万输出 token 4.50 美元和 1.20 美元计算,这项评估只需几美分。

路由,以及支持第三种方案的理由

OrcaRouter 目前不路由 Beam 1.0 或 Qwen4-Max;两者均可通过其供应商自己的 API 按上述费率访问。该目录确实提供的是市场中段的选择,基于 一个密钥和一个基础 URL——GLM-5.3 每百万 $1.40 和 $4.40,开放权重,指数得分 31.7;Qwen3.8-Max 为 $2.00 和 $6.00,得分 33.7;Kimi K3.1 Pro 为 $2.00 和 $10.00,得分 46.5——全部按 供应商标价无加价。

这就是这一特定对比的实际解法。Beam 1.0 要求你接受 17.7 分,以换取所有权和低价;Qwen4-Max 要求你接受一个未知项,以换取模态与区域。一个公布了分数、公开了权重、价格介于两者之间的模型,则让你无需接受上述任何一种取舍。把这两个有趣但未经证实的选项与一个有实测数据的基线一起路由,才能弄清它们中是否有任何一个值得承载生产流量——而自动故障转移意味着你在运行实验时不会让服务宕机。

怎样才能了结此事?

一个数字:在独立排行榜上、按当前指数版本,Qwen4-Max 的条目紧挨着 Beam 1.0 的 17.7。本页其他信息都已明确——价格、上下文、许可证、GPU 数量。如果 Qwen4-Max 落在 30 多分附近,那么对任何需要视频输入或法兰克福端点的人来说,其 3.75× 溢价很容易证明合理。如果它落在 Beam 附近,那这笔溢价买到的就只是模态和合规,别无其他,正确的做法是按需求而不是按基准测试来选择路由。在那个数字出现之前,比较发生在一个已被测量并发现平平无奇的模型和一个完全未被测量的模型之间——而这两种情况中,只有一种能成为投入预算的理由。