Reflection Beam 对比 DeepSeek V4 Pro：体积仅三分之一，激活比例却达两倍

一种诱人的框定方式，是把Reflection Beam与DeepSeek V4 Pro对立起来：廉价的新秀对阵老牌旗舰。这种框定是错的，而且其错误之处值得在说其他任何东西之前先讲清楚，因为这两个模型建立在同一理念的两种相反解读之上。DeepSeek V4 Pro 是一个1.6万亿参数的专家混合模型，每个 token 激活490亿个参数——约为其自身的3.1%。Reflection Beam 于2026年10月5日发布，是一个5010亿参数的专家混合模型，每个 token 激活230亿个参数——约为其自身的4.6%。Beam 的规模只有它的三分之一，而且就每个 token 而言，是一种*更不*稀疏的设计。Reflection 的核心论点就是推理效率，而此处被拿来与它比较的这个模型，在这一论点所立足的稀疏度指标上却领先于它。

这不是一次揭穿。这是铺垫，因为这两款模型在价格和可用性上处于截然不同的位置，而诚实的比较关乎你实际能基于哪一个来构建。DeepSeek V4 Pro 已在目录中上架，每百万输入 token 收费 0.66 美元，每百万输出 token 收费 1.98 美元，上下文长度为 1,048,576 个 token，最大输出为 384,000 个 token。Beam 完全没有公布价格，只能通过候补名单接触，其权重承诺将于本月晚些时候以 Apache 2.0 许可发布。

同样的构想，不同的比例

稀疏性是二者共同的前提。两个模型在处理任意一个 token 时，都让几乎所有参数处于休眠状态，只为真正运行的那一小部分付出代价。不同之处在于，各家实验室把它推到多远，以及这样能换来什么。

DeepSeek V4 Pro 在约 1.6 万亿总参数中激活 490 亿参数。这是一个极其激进的比率，也正是它让 DeepSeek 能以 0.66 美元和 1.98 美元的价格出售一款旗舰级模型——对于同等能力的稠密模型而言，这样的价格是不可想象的。代价是总参数规模极为庞大：这个模型光是存储和运行本身就很大，所以托管它成了一门专业生意，而不是大多数团队会自己去做的事。

Reflection Beam 运行着 5010 亿中的 230 亿活跃参数。每个维度都更小：总参数的三分之一，活跃参数不到一半，激活比率也更低。Reflection 的论点并不是 Beam 是市面上最稀疏的模型——它刻意不这么声称——而是 230 亿活跃参数是一个可以在相对较少的 GPU 上服务的规模，这改变的是部署经济性，而不是每个 token 的算术。

• 总参数量——DeepSeek V4 Pro 约 1.6 万亿，对比 Reflection Beam 的 5010 亿。

• 每个代币的活跃量——490亿对230亿。

• 激活比率——DeepSeek V4 Pro 约为 3.1%，Reflection Beam 约为 4.6%。两者之中，Beam 的稀疏程度较低。

• 模态输入 — DeepSeek V4 Pro 仅支持文本；Reflection Beam 也仅支持文本。两者均不接受图像、音频或视频，这在同类模型中两者达成一致实属罕见。

• 上下文与输出——DeepSeek V4 Pro 为 1,048,576 个 token 输入、384,000 个 token 输出，而 Beam 为 256,000 个输入、128,000 个输出，且 Beam 的上下文数值带有测试版脚注。

• 价格 — DeepSeek V4 Pro 为每百万 token 0.66 美元和 1.98 美元，缓存读取为 0.022 美元，而 Beam 未公布任何价格。

• 可用性 — DeepSeek V4 Pro 自 2026 年 4 月 24 日起已全面发布；Beam 是 2026 年 10 月 5 日宣布的候补名单制测试版，并承诺于本月发布权重。

价格，包括没人提及的那部分

DeepSeek V4 Pro 的 $0.66 和 $1.98 是提供商的定价，在目录中原样传递。不过，有一个很容易被忽视、却值得提前考虑的因素：价目表包含两个定时时段，即 UTC 01:00 至 04:00 和 06:00 至 10:00，在此期间价格会翻倍——分别为 $1.32 和 $3.96。这两个时段都落在欧洲和美洲团队的工作时间内，因此按欧洲时间运行的团队将在一天中的部分时间以双倍费率支出，而不会出现故障。

缓存读取价格为每百万 token 0.022 美元，这是整体图景的另一半，而且是更大的一半。这相当于在输入费率基础上享受三十比一的折扣；而对于 DeepSeek V4 Pro 所面向的长文档和长对话工作负载——1,048,576 个 token 的上下文、384,000 个 token 的输出——一个会重复读取稳定前缀的会话，其实际成本远低于表面标价。任何将用量乘以 0.66 美元、却不把缓存复用纳入考量的比较，都会严重高估这个模型的运行成本。

Beam 在其中任何一项上都没有对应之物。没有标价费率，没有缓存层级，没有限时窗口，也没有任何公开承诺说明它究竟是否会按 token 计费。这个比较并不是 $0.66 与某个更便宜的价格之间的比较，而是有定价的模型与没有定价的模型之间的比较；而在 Reflection 公布价目表之前，根本无从计算盈亏平衡点。

基准测试：这两款模型从未进行过正面交锋

这正是需要谨慎对待的地方，因为有一个显而易见的陷阱，值得明确点出。

Reflection 的发布对比表将 Beam 与 Inkling、Nemotron 3 Ultra、GLM 5.2、GLM 5.3、Kimi K3、Qwen 3.8-Max 以及DeepSeek V4.1 Flash——是它的同级型号，而非 V4 Pro。因此，出现在 Beam 自家表格里的那个 DeepSeek 模型是另一个：该系列中便宜、快速的那一员，定价为 $0.15 和 $0.60，其厂商表格中的 Terminal-Bench v2.1 得分为 90.6，而 Beam 为 80.1；DeepSWE v1.1 得分为 74.2，而 Beam 为 44.4。从 V4.1 Flash 这一列里读出 V4 Pro 的数字，是任何撰写这项对比的人最可能犯的一个错误。

对于 V4 Pro，确实存在的数据——来自 Artificial Analysis、经由我们的目录——同样是基于不同的评测框架，所以这些只是方向性的，并非受控结果。

• tau-squared Bench —— DeepSeek V4 Pro 在 MCP Atlas 上录得 96.2，而 Beam 的厂商数据为 78.7；在 tau3 banking 上则为 38.0。它们同属智能体工具使用评测这一大类，却是不同的评测，这两组数据不可互换。

• Artificial Analysis Intelligence Index —— DeepSeek V4 Pro 得分为 36.0，在其本次运行中于 147 个里排名第 41；Beam 则完全没有指数记录行，其模型页面返回 404，且截至今天上午，排行榜数据载荷中也没有 Beam 条目。

• GPQA Diamond —— 根据 Artificial Analysis 的数据，DeepSeek V4 Pro 得分为 92.8，而 Beam 厂商报告的得分为 90.5。

• 人类最后的考试——根据 Artificial Analysis，DeepSeek V4 Pro 为 41.0，而 Beam 自报为 36.2，后者明确未使用工具。

• SciCode — 根据 Artificial Analysis，DeepSeek V4 Pro 为 51.0，而 Beam 厂商报告为 49.7。

• Terminal-Bench v2.1 — 根据 Artificial Analysis，DeepSeek V4 Pro 为 78.7，而 Beam 厂商报告为 80.1。这是本列表中唯一一行 Beam 领先的记录，且差距不到两个点。

• 长上下文召回——DeepSeek V4 Pro 在 Artificial Analysis 上取得 80.3 分，而 Beam 在 AA-LCR 上厂商报告的成绩为 79.3。

这个模式是一致的，而且对 Beam 的定位来说应该很不好受。在每一行两个模型都有数字的对比中，DeepSeek V4 Pro 都领先，只有 Terminal-Bench v2.1 例外，在那里它落后不到两分——而 DeepSeek 的每一个数字都来自第三方测试框架，Beam 的每一个数字却都来自厂商自己。一个已经正式发布、输入价格公布且不到一美元的模型，在他们共同参与的基准测试中，并没有明显输给一个尚未发布的模型。

Beam 的效率声明跟这些有什么关系

Reflection 的实际主张并非基准测试层面的主张，把它当成基准测试主张来重复那些表格，恰恰没有抓住要点。该主张是：Beam 在高级推理上的得分与 GLM 5.2 相当，而推理算力消耗仅为后者的 1/3 到 1/4，并且面对 Qwen 3.8-Max 这类 2 万亿参数模型时，差距还会进一步拉大。支撑图表将生成的 FLOPs 估算为活跃参数量的两倍乘以每次尝试的平均生成 token 数，覆盖 DeepSWE、HLE 和 Terminal-Bench 2.1，而其自身图注也承认，提示词预填充、依赖上下文的注意力以及服务开销均未计入。

把这一点与 V4 Pro 的数据放在一起看，这场争论就比那些头条表格所呈现的更有意思。V4 Pro 每个 token 激活 490 亿参数，而 Beam 是 230 亿——大约是其两倍——所以按照 Reflection 所用的公式，在 token 数量出现任何差异之前，Beam 在每 token 生成计算量上就应该有约两倍的优势。这是一个真实且清晰可辨的优势，而 Beam 拥有的正是这一优势。

反方观点：V4 Pro 的激活比例更激进，其上下文长度是四倍，最大输出量是三倍，这意味着即便单 token 的估算成本更高，一个以更少、更长的轮次完成任务的 V4 Pro 会话，总成本最终反而可能更低。每 token 的 FLOPs 并不等于每任务的 FLOPs，而这张图是按 token 计算的。

目前还不存在独立的测评。唯一有记录的第三方说法来自 Artificial Analysis：它在10月5日表示，Reflection 已向其开放了访问权限，它正在对 Beam 进行基准测试，早期指标显示，就 Beam 的智能水平而言，它将成为其所见过的 token 效率最高的开源模型之一。但此后并没有公布任何具体数字。

V4 Pro 的上下文真正重要的地方

在这场对决中，有一个维度上的差距大到足以决定成败，而不只是小幅递进，而且它并不是基准测试。

DeepSeek V4 Pro 提供 1,048,576 个 token 的上下文和 384,000 个 token 的最大输出。Beam 提供 256,000 和 128,000，上下文数字带有一条脚注，警告该数值在测试期间可能变动。对于法律合同审查、整个代码仓库的重构，或针对数千页内容的综合任务，这一差异并非性能上的差距——而是单次调用与一套你必须自行编写并验证的分块流水线之间的区别。据报道，Beam 的中间训练阶段将其有效上下文扩展到 100 万个 token，这属于训练侧的能力，而服务端的限制仍为 256,000；这两个数字经常被混为一谈，但它们并不是同一回事。

输出上限加剧了这一问题。384,000 token 的最大输出让单次调用能够生成大型结构化产物；128,000 则不能，而且这两个模型都没有通过发布时所述的接口提供批量端点或嵌入路由。

选择，以及路由的定位

对于百万级 token 上下文和 384,000 token 输出至关重要的特定工作负载，DeepSeek V4 Pro 并非在与 Beam 竞争——它在这个页面上没有其他竞争对手；在 Beam 的窗口发生变化之前，无论价格如何，Beam 都无法参与这一比较。

对于能塞进 256,000 个 token 的高吞吐量工作负载，决策归结为一场押注：Beam 所宣称的效率能否在第三方测试框架下站得住脚，而定价所对标的 V4 Pro 费率本就比前沿低一个数量级，还会因缓存读取的 $0.022 而进一步打折。与之相对，DeepSeek 自家更便宜的同门产品就摆在同一个目录里，价格为 $0.15 和 $0.60——而且正是 Beam 自家发布表格中在 DeepSWE 和 Terminal-Bench 上让 Beam 落后的那个模型。对这里的新入局者来说，底线比看上去要低。

这正是路由层能真正派上用场、而不是沦为口号的地方。DeepSeek V4 Pro 已上架我们的目录，按服务商标价原样透传、不加价，仅需一个 OpenAI 兼容密钥即可在 api.orcarouter.ai/v1 调用，并与 200 多个其他模型并列。路由 DSL 让你可以表达决策，而不是将其硬编码：把长上下文请求固定到拥有百万 token 窗口的模型，把高流量的短请求固定到任何能通过你评估的廉价模型，并在任务同时需要两者时，将二者组合成一次调用。由于路由会跨提供商处理故障转移，廉价层可以安全地只承载一部分流量，而不是全部流量——这正是你面对像 Beam 这样的模型时想要的姿态：除 Reflection 之外，还没有人复现过它的基准测试。

裁决，以及可能改变它的两个日期

Reflection Beam 在今天一切可知的维度上都输掉了这场对比。它更小、稀疏度更低、上下文只有四分之一、没有独立评分，而且——对于一款以成本为卖点的模型来说，这一点是决定性的——没有价格。DeepSeek V4 Pro 在 Artificial Analysis 指数、HLE、GPQA Diamond、SciCode 以及长上下文召回指标上都取得了更好的成绩，而这一切均由非其厂商的第三方测得；同时，它每个 token 激活的参数数量是对方的两倍，公开费率却不到一美元。

Beam 所拥有的，只有一条清晰可辨的主张：230 亿活跃参数是 V4 Pro 的三分之一，因此在生成侧算力比较中，它理应大约以二比一占据优势。这个主张说得通，它是人们认真对待 Beam 的原因，而且它尚未被制造它的实验室以外的任何人测量过。

两个日期就能定论。权重，承诺本月晚些时候在 Apache 2.0 下发布，这将让任何人都能自己计算 FLOPs。以及 Artificial Analysis 的那一行，它将用一个数字取代厂商的说明文字。在其中之一落地之前，你能定价、缓存并以百万 token 上下文调用的那个模型，才是值得在其上构建的模型。