Beam 1.0 對上 Gemma 4 12B：5010 億參數對上 12，以及這個差距實際上能換來什麼

這兩款模型之中，一款能裝進筆電，另一款則需要機櫃，而兩者之間的差距是四十倍。Reflection Beam 1.0是一款稀疏混合專家模型，總參數達 5,013 億，每個 token 會喚醒其中 234 億個——Reflection 於 2026 年 10 月 5 日以候補名單預覽的形式發布，並於 2026 年 10 月 16 日正式以可下載權重推出，採 Apache 2.0 授權，提供 BF16、FP8 與 NVFP4 版本，並附上一支小巧的 DFlash2 推測解碼草稿模型。G​emma 4 12B是 G​oogle DeepMind 的無編碼器 119.5 億參數稠密模型，於 2026 年 6 月 3 日發布，能讀取文字、圖像、音訊與視訊影格，輸出文字，並可量化壓縮到 16GB 機器能夠容納的程度。兩者的授權都很寬鬆，輸出都是文字，而且現在都放在 Hugging Face 上。除此之外，兩者幾乎沒有其他相同之處，而真正有用的問題不是哪一款更聰明——而是哪一款不需要採購單就能解決你的問題。

這件事比平常更為重要，因為有十一天，Beam 1.0 都是一個只能讀到、卻無法取得的模型。Reflection 在 10 月 5 日的公告承諾 Apache 2.0 權重會在「本月稍後」釋出，而該儲存庫一直空著。截至 2026 年 10 月 16 日，該系列已上線，內含四個儲存庫，而模型卡也載有完整的評估表。正是那次發布，才讓這篇比較得以寫成一篇比較，而不是寫成一則關於頭條的註記。

一次看懂他們兩人的立場

以下所有內容，要麼來自供應商本身的文件，要麼來自 Artificial Analysis。當某項數字是供應商提供的，且尚未有人重現時，本頁會直接在該數字所在的位置說明，而不是放在底部的免責聲明中。

• 總參數量——Beam 1.0 501.3B 對比 Gemma 4 12B 11.95B。比例大約是 42 比 1。

• 每個 token 的活躍參數 — 23.4B 對比 11.95B。比例驟降至約 2 比 1，而這正是整個訣竅：稀疏模型只需為自己實際使用到的部分付出代價。

• 架構 — Beam 1.0 是具備 256 個專家的 52 層 MoE，包含三層稠密層與 49 層專家層、交錯的局部與全域注意力，以及帶有滑動視窗注意力的閘控分組查詢注意力；Gemma 4 12B 則是稠密模型，有 48 層，完全沒有多模態編碼器——其視覺與音訊處理是訓練進模型之中的，而非外掛附加。

• 上下文視窗 — Beam 1.0 在模型卡上為 1,000,000 個 token；G​emma 4 12B 為 262,144 個 token。兩者都是各自系列所提供的最大數字。

• 模態——Beam 1.0 是文字進、文字出，它的規格卡也明白寫著這點；G​emma 4 12B 則接受文字、圖像、音訊與視訊影格輸入，並回傳文字。

• 授權 — 兩者皆為 Apache 2.0，可商業使用，無人數上限。這是這兩個模型最接近相同的地方。

• 已發布的評估 — Beam 1.0 隨附一份涵蓋 BF16、FP8 與 NVFP4 檢查點的評估表；G​emma 4 12B 的模型卡載有 G​oogle 自家的數據，且自六月起已接受獨立評分。

• 獨立評分 — Artificial Analysis Intelligence Index v4.3.2 將 Beam 1.0 列為 30 分，在其比較類別的 120 個模型中排名第 19，而 Gemma 4 12B 則為 14 分，在 141 個模型中排名第 20 — 兩者相差 16 分，對較大的模型有利，而 Gemma 的數字附有「估計」註腳，因為針對該 12B 的獨立評估仍待完成。

既然權重已經存在，Beam 1.0 究竟是什麼

模型卡寫道：總參數量 5013 億，活躍參數 234 億，52 層中有 3 層是稠密層、49 層是 MoE，256 個專家，詞彙表為 152,000 個 token，知識截止日為 2026 年 6 月 30 日，且為純文字模態。對話範本採用修改過的 Harmony 格式，包含兩個通道——分析與最終——以及 reasoning_effort 設定，該設定可接受整數，或 minimal、low、medium、high、xhigh、max 其中之一，分別對應 8、32、64、128、256、512。未設定此參數時，服務預設值為 512。範本自身的文件指出，數值為 8 的 minimal 是訓練資料曾取樣過的最小強度，因此更小的額度不會被遵循。

那份規格中有三點值得特別挑出來，因為它們正是決定你能不能使用它的關鍵部分。

第一個問題是，effort 設定沒有關閉選項。Beam 一律會進行推理；你只能選擇推理多少。對 agent loop 而言，這表示每一輪都帶有一段會被計費的審議前綴，而且如果你重播歷史，還會再次被計費。當 allow_missing_thinking 設為 false，而先前的 assistant 回合已丟棄其推理時，範本甚至會拋出錯誤，正是因為剝除它會降低輸出品質。這是已記錄的成本，不是 bug。

第二個是量化版本。Reflection 在 BF16 模型發布的同一天也發布了 FP8 與 NVFP4 檢查點，同時還有 DFlash2 草稿模型。NVFP4 儲存庫標示為 255B，對比 BF16 的 501B，而模型卡將量化歸功於 llm-compressor，並感謝 NVIDIA 員工提供指導。在首日就有四位元版本，從根本上改變了誰能執行這個模型——bfloat16 的 501B 大約是一 TB 的權重，這與四位元的 255B 是完全不同的採購考量。

第三點正是缺失所在。模型卡上沒有部署建議，沒有公布硬體最低門檻，Reflection 自家的所有平台上也沒有公布任何 API 價格。Artificial Analysis 為該模型設立的頁面將價格欄位標為無法取得，並註明「沒有公開可用的 API」——對一個整個賣點就是執行成本低廉的模型來說，這正是你會希望被填上的那一欄。

Gemma 4 12B 是什麼，以及為何尺寸本身就是論點

Google 的模型卡顯示，Gemma 4 12B 具有 119.5 億個參數，橫跨 48 層，上下文長度為 262,144 個 token，整個系列共用 262,000 個 token 的詞彙表，並配備 1,024 個 token 的滑動視窗——是較小的 E2B 和 E4B 尺寸所用視窗的兩倍。注意力機制將局部滑動視窗注意力與完整全域注意力交錯配置，而最後一層一律為全域注意力。它以超過 140 種語言進行預訓練，並宣稱開箱即支援 35 種以上語言。

有趣的工程決策在於架構：這個模型沒有獨立的編碼器。Google 的說法是，多模態處理是訓練出來的，而不是外掛上去的，因此同一個檢查點就能服務視覺與音訊，無需載入第二組權重。在裝置上，這就是可部署模型與管線之間的差別。

Google 也推出了量化感知訓練，而非依賴事後量化器，並發布了一份 QAT GGUF，權重大約 6.98 GB，外加一個小型多模態投影器。社群的量化版本則壓得更低：被廣泛鏡像的 Unsloth 版本，從最激進的 2-bit 約 4.2 GB，到 Q4_K_M 的 7.12 GB，再到 Q8_0 的 12.67 GB。Apple 晶片的 MLX 版本在 8-bit 下則落在約 12.7 GB。相較之下，全精度的指令微調檢查點是單一個 23.92 GB 的 safetensors 檔案——也就是尚未加上任何 KV 快取的原始 bfloat16 佔用量，而這個數字告訴你：16GB 的機器無法以未量化形式承載它，而 24GB 的顯卡則可以。

自發布後不久，獨立評分便已可用，而這正是貫穿本頁的不對稱之處。Artificial Analysis 測得 12B 在 Intelligence Index v4.3.2 上為 14、每秒輸出 117.6 個符元、首個符元耗時 2.43 秒，以及每百萬輸入符元 $0.10、每百萬輸出符元 $0.30。G​oogle 自家的規格表則回報 MMLU Pro 為 78.2、GPQA Diamond 為 77.8、AIME 2026 在無工具情況下為 77.5、LiveCodeBench v6 為 72.0、Codeforces ELO 為 1659、MMMU Pro 為 69.1，以及在 128K、八針設定下的 MRCR v2 為 43.4。

不存在的比較

Beam 1.0 的卡片報告 SWE-bench Verified 在 BF16 檢查點上為 81.6%，FP8 為 80.2%，NVFP4 為 80.7%；Terminal Bench v2.1 為 80.1、78.9 與 78.4；SWE Bench Pro v1 為 66.1、65.9 與 65.6；DeepSWE v1.1 為 43.3、43.0 與 42.7；GPQA Diamond 為 90.6、90.3 與 89.3；AIME 2026 為 97.7、98.0 與 97.5；LiveCodeBench 為 88.3、88.1 與 87.4；MCP Atlas 為 80.8、81.5 與 80.5，而 IFBench 為 79.6、80.7 與 79.2。評估使用了 temperature 0.7 與 top-p 0.99。所有這些都是 Reflection 自家的報告，且沒有任何一項經過第三方重現。

Gemma 4 12B 的模型卡報告了它自己的數字，這些數字在個別基準測試層級同樣無法重現，而 Artificial Analysis 已獨立對該模型評分。現在把兩者並排，試著相減。你辦不到。Beam 的表是一張代理式編碼與工具使用基準的前沿模型表。Gemma 的則是一張多模態理解與推理基準表。在兩者重疊之處——基本上就是 GPQA Diamond 與 AIME——測試框架、推理投入程度設定與取樣參數，一邊沒有文件記錄，另一邊則未知。在 GPQA 上，90.6 對 77.8 讀起來像是 13 分的差距，但這其實是拿一個實驗室的設定去比另一個實驗室的設定。

這頁上唯一一個由單一機構同時測量這兩個模型的數字，就是 Intelligence Index，而在那裡差距是 30 比 14。那是第三方在一套有文件記錄的綜合指標下所做的真實測量。對於一個參數數量達 42 倍的模型來說，這也是 16 分的差距，而且就現有證據來看，它完全屬於不同的部署級別。沒有人應該對此感到意外。

每一項實際運作起來的成本是多少

Beam 1.0 和 Gemma 4 12B 都不在我們的目錄中。OrcaRouter 從 Gemma 4 系列所路由的，是我們提供的兩種尺寸：Gemma 4 26B A4B 每百萬輸入 token 為 $0.06、每百萬輸出為 $0.33，具備 262,144 token 的上下文，而 Gemma 4 31B 則為 $0.13 與 $0.38——供應商定價原樣傳遞，不加價，資料取自我們自己在 2026 年 10 月 16 日的模型清單。Beam 1.0 不是我們提供的服務，本頁面也不會假裝並非如此；如今要使用它，方法是從 Reflection 的 Hugging Face 集合下載，或呼叫 Reflection 自家的 API。

如此一來，誠實的成本比較便成了硬體比較，而這正是這裡真正要緊的那個版本。如果你已經擁有那台機器，四位元的 G​emma 4 12B 不過是一次下載加上一個下午。如果你沒有，12B 按量計費的等效方案大概是我們清單上最便宜的一項——每百萬個輸出 token 三十美分——而一個啟用 23B 的 501B 模型則是一筆 GPU 租用費，而且沒有任何地方為你標過價，因為 Reflection 並未公布費率。

這兩者中哪一個是你的模型？

選擇 Gemma 4 12B，如果這項工作是多模態的、如果它必須在你已經擁有的硬體或你要出貨的裝置上執行、如果首個 token 的延遲落在數百毫秒的低端是可以接受的，而且如果 256K 的上下文足以涵蓋你的文件。無編碼器設計與量化感知訓練都是直接針對這類讀者，而 Apache 2.0 授權意味著你可以推出衍生作品，不必與 Google 進行任何對話。這個選擇的代價是能力：在獨立排行榜上的 14 分，距離前沿還很遠，而對你最重要的基準測試組合——代理式程式編寫、儲存庫規模的推理——並不是 Google 所發布的那一套。

選擇 Beam 1.0，若工作內容是程式編寫、工具使用與長時程代理式執行，且您擁有叢集存取權或推論服務合作夥伴，並且能承受未定價的 API 與常時開啟的推理預算。已發布的基準測試正是針對這樣的工作負載，四位元版本讓硬體方面的討論遠比參數量所暗示的容易得多，而且其授權條款不帶有任何會阻礙商用微調的限制。

如果你真正需要的，是這週就能得到答案，那這兩者都別選。這兩個都是必須由你自己執行的模型。對那個決定真正重要的比較——以公開費率提供服務的模型、用你已經持有的金鑰——那是另一頁的內容，而這一頁談的是開放權重光譜的兩端，而非大多數正式環境流量所在的中間地帶。

什麼會改變這個頁面

兩件事。一個獨立的基準測試，把 Beam 1.0 和 Gemma 4 12B 放在同一套測試框架上、以同樣的投入程度比較，就能把上面僅限 Index 的比較，換成某種可以相減的東西；而 Beam 的權重現已公開，代表任何人都能執行它。公布 Beam API 的價格——或是代管 FP8 或 NVFP4 部署的價格——將能把成本章節從硬體論證變成價目表。在其中一項成真之前，準確的總結是這樣：40 比 1 的參數差距，換來大約 16 點獨立測得的智慧，以及一組不同的基準測試，而代價是你得找個地方放它。

這樣的結果也提醒我們，模型錯誤早已有紀錄：這一類模型背後的 AI 事件與代理失效，都收錄在OrcaRouter AI Incident Archive，其中每一筆紀錄都附有自己的來源、嚴重程度、可信度等級與爭議標記。