Beam 1.0：Reflection 开源了权重，Artificial Analysis 给它打了 30 分

本周，Reflection 的 Beam 1.0 发生了两件事，而它们指向相反的方向。该模型——Beam 1.0-501B-A23B，一个稀疏专家混合系统，总参数量 5010 亿，每 token 激活 230 亿——不再只是一个承诺：权重已以 Apache 2.0 许可发布在 Hugging Face 上，273 GiB 的 NVFP4 版本现已可下载，并且还有一方 API，配有文档化的合约和真实的速率限制页面。与此同时，任何人公布的第一个独立数字是它在 Artificial Analysis 智能指数上的 30 分——在该指数 v4.3.2 版本评估的 120 个模型中排名第十九，高于 Artificial Analysis 为规模相近的同类开放权重模型所记录的 19 分中位数。已发布的厂商通常可以选择让这两个事实中的哪一个成为焦点。而在这里，两者同时成立，最诚实的解读是：Beam 1.0 的到来比预期更便宜，但得分低于其自身发布博文所暗示的水平。

这是对我们此前报道的后续跟进，而这样的框架是刻意为之：Beam 1.0 并非新鲜事物。Reflection 于 2026 年 10 月 5 日发布了它，并在 10 月 8 日更新了其基准测试表格。过去七天里真正发生变化的，是买家实际需要的一切——权重、托管、API、限额，以及外部测评。如果你读了发布报道后决定再等等，那么等待的理由已经不复存在了。

本周实际上发布了什么

Reflection 的《Beam 现已可用》一文发布于 2026 年 10 月 16 日，它弥补了那个让发布文章显得如此含糊其辞的缺口。10 月 5 日，权重还是 Reflection 所说的“将会发布”的东西。截至本周，它们已经存在，有三种精度，外加一个推测解码草稿模型：

• BF16 —— 501.3B 参数，分布在 188 个 safetensors 分片中，已于 10 月 7 日上传至 reflection/Beam-1.0-501B-A23B仓库，此后经过修订。

• FP8 — 在 E4M3 中同样是 501.3B 参数，磁盘占用 468.72 GiB。

• NVFP4 —— 一个 273 GiB 的打包 4 位版本，Reflection 自家的服务指南让你下载的正是这个。

• DFlash2 —— 一个 19.3 亿参数的推测解码草稿模型，于 10 月 13 日上传，作为独立仓库发布，并被记录为一项独立的服务优化。

四者均带有 apache-2.0 标签，且许可证文件存放在代码仓库中，而不是博客里的一句话——这正是许可证与承诺之间的区别。Reflection 还声明，它不限制蒸馏、微调、量化或合并。

服务化方案同样具体。Transformers、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 和 NVIDIA Dynamo 均提供首日支持，而 Reflection 的文档还包含针对 SGLang、vLLM、TokenSpeed 的分步指南，以及面向 Kubernetes 的 Helm chart。参考自托管要求是四个通过 NVLink 连接的 NVIDIA B300 SXM GPU——单台机器，而非集群，这比 500B 模型通常意味着的门槛低得多，并且直接源于 23B 的激活比例。

还有一个验证工具。开源的beam-verifier CLI 可以对任何正在运行的 Beam 端点执行一致性测试套件，然后在主要基准测试上对其进行评估，这样你就可以把自己的部署、或者某家供应商的部署，与 Reflection 的参考分数进行对比。任何能让买家去核实供应商的数据、而不是盲目相信它的东西，都值得了解一下。

第一个外部评分，而且它不是发布帖的编号

Artificial Analysis 将 Beam 1.0 列入榜单，其 Intelligence Index 为 30，在 120 个模型中排名第 19 位。同一条目显示，该模型在整个 Index 中使用了 7900 万个输出 token——“第 10 / 46 位”，而中位数为 1.3 亿——这是 token 效率方面的主张首次出现在独立测试框架中。Artificial Analysis 也显示 Beam 没有定价和速度数据，因为截至本文撰写时，它仍将该模型记录为“没有公开可用的 API”，仅指向自托管。这一缺口本身就是信息：API 已经存在，但尚未以测评机构能够捕捉到的形式出现。

仔细读这个 30。它不是对厂商基准表的裁决——两者在不同的测试框架上衡量的是不同的东西。Reflection 与权重一同发布的模型卡显示，BF16 检查点在 SWEBench Verified 上为 81.6%，在 Terminal Bench v2.1 上为 80.1%，在 GPQA Diamond 上为 90.6%；而发布帖明确表示，像 Kimi K3 这样的前沿模型在原始能力上依然领先，Beam 的论点是"推理时的效率"，而非在顶端实现并驾齐驱。这些数字仍属厂商自报，据我们所知，尚无人复现。但公开端点加上 verifier CLI 的发布，才让复现成为可能，而在一个涵盖 120 个模型的指数中拿到 30，是这个故事里第一个不是由 Reflection 产出的数字。

价格、限制，以及它们对每项任务意味着什么

The API side is now documented rather than waitlisted. The endpoint is https://api.reflection.ai/openai/v1, O​penAI-compatible for Chat Completions and Models, with a native base URL at api.reflection.ai/v1 if you want Reflection's own shape. Model ID: Beam-1.0-501B-A23B. The docs give the served limits precisely, and they are narrower than the 1M-token training figure that circulated at launch:

• 上下文窗口 — 1,048,576 个 token，最大输出 131,072 个 token，默认 max_tokens 为 32,768。

• 推理——强制启用，不可选。支持的力度有 low、medium、high、xhigh 和 max，其中 max 为默认值。推理 token 会占用你的速率限制额度。

• 能力 — 推理、工具调用与结构化输出，文本输入、文本输出。

• 速率限制 —— 按组织计量，以每分钟和每个 UTC 日的请求数与 token 数计算，并设有并发请求上限和可选的每日 token 额度。超限时会返回 429，并带有 rate_limit_exceeded 或 daily_allowance_exhausted，而当每日额度用尽时，响应会设置 x-should-retry: false，因此简单的重试循环只会空转。

文档没有提供的，是公开的每百万 token 价格。Reflection 的公告只说它“免费开始”，而文档和公告都没有公布价目表。这是整幅图景中仍然缺失的那一行，也正是决定效率论证在账单上是否有意义的那一行。一个对每次请求都进行推理、默认以最高强度运行、并宣称在高级推理上推理算力比 GLM 5.2 低 3–4 倍的模型，在每百万输出 token 0.50 美元和 5.00 美元时是完全不同的命题——而目前在 Reflection 之外，没有人能说清它究竟是哪一种。

文档中有两点实际注意事项，值得带入试点。第一，默认 effort 是 max，因此开箱即用的配置是成本最高的；注重成本的集成应从第一次调用起就显式设置 reasoning_effort。第二，限额按组织划分，并在各项目和密钥之间共享——增加密钥并不会提高限额，这种细节只有在你已经搭建好第二个集成之后才会让你吃到苦头。

与你会真正拿来比较的那些型号相比，它处在什么位置

有趣的对比不是针对前沿旗舰模型——在这一点上 Reflection 已经认输——而是针对 Beam 在定价和规模上所要对标的开放权重模型。就我们今天自己的目录而言：

• GLM 5.2 — 100 万上下文，每百万输入 token 1.40 美元，每百万输出 4.40 美元，全面提供服务。

• Kimi K3 — 1,048,576 token 上下文，$3.00/$15.00，而且在 Terminal Bench 上，模型 Reflection 自己给出的表格将其排在前面。

• Qwen 3.8-Max — 100万上下文，$2.00/$6.00，2T 以上级别的 Beam 声称对其拥有更大的效率优势。

Beam 的卖点是，它能在高级推理上接近 GLM 5.2，而推理计算量只是后者的一小部分。如果这在独立评测框架下依然成立，那么在高请求量场景中它就值真金白银。79M token 的冗长程度这一数字，是它有可能做到这一点的首个证据。缺失的价格，正是你目前还无法算完这笔账的原因。

这也是路由能消除大部分“选错”风险的情形。截至本文撰写时，Beam 并未收录在我们的目录中，因此我们无法为你提供它——但上述每一个模型都可以通过一个 OpenAI 兼容的密钥调用，按提供商的标价原样传递、不加任何加价，因此供应商降价当天就能反映到你的账单上，而不必等到下一次签约。实际可行的做法是：让生产路径保持在有公开价目表的模型上，把 Beam 的公开测试版放在一条路由规则之后，这样未经检验的第一方 API 就永远不会成为单点故障。自动故障转移会处理其余的事：如果测试版在凌晨 02:00 用 429 对你限流，请求就会落到不会限流的地方。

谁应该采取行动，依据什么证据？

如果你的约束是开放权重和宽松许可证，那么本周就是答案从“很快”变成“是”的一周。Apache 2.0、三种精度、一个可适配单个四 GPU B300 节点的 273 GiB 构建、首日 vLLM 和 SGLang 支持、一个用于检查你自己部署的验证器，以及对微调或蒸馏没有任何限制。对于任何阻塞点是“权重尚未发布”的人来说，这个阻塞点已经消失，而自托管彻底消除了 API 价格问题。

如果你的约束是对某个托管端点的生产依赖，那就更要谨慎。这个 API 是真实存在且有文档的，但它本周才上线，它会强制执行组织范围的限制，而第二个密钥无法提高这些限制，它默认以最大努力进行推理，而且其价格尚未公布。在你把任何有截止期限的任务托付给它之前，先用验证器中的一致性测试套件对它进行测试。

如果你的硬性标准是前沿能力，那么本周没有任何消息会改变你的答案。智能指数上的 30 分、一张在 Terminal Bench 上向 Kimi K3 让步、在 AIME 上向 GLM 5.2 让步的厂商表格，再加上核心数字没有任何独立复现——这些都加起来只说明一点：这是一个值得一试的模型，而不是一个值得押注的模型。

接下来最值得关注的一件事就是价格。Reflection 已经交付了一次发布中较难的一半——权重、服务栈、文档以及一个公开端点——却把较容易的一半，价目表，留作未发布。当那个数字公布时，3–4 倍效率的说法就会从口号变成一张电子表格，而与 GLM 5.2 或 Kimi K3 的对比也会从一场关于方法论的争论变成一项决策。

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。