Beam 1.0 對決 Qwen 3.8：已交付的權重釋出，對比一份價目表

2026 年 10 月 5 日，Reflection Beam 1.0以開放權重模型之名發布，但權重當時並未釋出。到了 2026 年 10 月 16 日，它們正式上架——Hugging Face 上的四個儲存庫，採 Apache 2.0 授權，提供 BF16、FP8 與 NVFP4 精度，另有一個 2B 的推測解碼草稿模型。Qwen 3.8則是兩個半月來的相反故事：阿里巴巴的這一代模型於 2026 年 8 月 3 日上線，Qwen3.8-Max以定價 API 形式提供，價格為每百萬輸入 token 2.00 美元、每百萬輸出 token 6.00 美元，另有一個以自訂授權釋出的開放權重同系列模型，以及一個採 Apache 2.0 的稠密 270 億參數模型。兩個模型都宣稱具備一百萬 token 的上下文長度。兩者都能推理、都能呼叫工具，在介面上也都僅支援文字。真正值得理解的差異在於：哪一個你能編列預算，哪一個你能實際握有——因為 10 月 16 日之後，這兩個模型各自只具備其中一項，而非兩者兼具。

上方這兩張圖表都來自廠商，而這兩個模型現在也都已由 Artificial Analysis 實測過——這在這個領域中罕見到足以成為這篇比較之所以能寫出來的原因。

逐一檢視各模型的現況

• 參數 — Beam 1.0 是一款稀疏混合專家模型，總參數量為 501.3B，每個 token 啟用 23.4B，共 52 層——三層稠密層、49 層 MoE，在模型卡所述的配置中擁有 256 個專家。Qwen3.8-Max 的參數數量從未由阿里巴巴揭露；其核心的開放同源版本 Qwen3.8-2.4T-A95B 是一個 2.4 兆參數的 MoE，啟用參數約 950 億，這是公司外部人士所能取得、最接近該旗艦模型規模的資訊。

• 上下文視窗 — Beam 1.0 模型卡上為 1,000,000 個 token；OrcaRouter 上 qwen/qwen3.8-max 的列表為 1,000,000 個 token；而 Artificial Analysis 同一模型的頁面為 984,000 個。這兩者是同一個數字以不同方式四捨五入，並非這兩個模型之間的差異點。

• 模態 — Beam 1.0 是文字進、文字出，在其卡片上明白標示。Qwen3.8-Max 接受文字與圖像並回傳文字，這是真正的能力差異，而非格式上的差異。

• 授權條款 — Beam 1.0 採用 Apache 2.0，沒有使用者上限，也沒有另設商業層級。Qwen 3.8 這一代則狀況不一：2.4T Max 核心檢查點可依自訂授權條款下載，稠密版 27B 採 Apache 2.0，而旗艦級 Max 本身則完全沒有釋出權重。

• 價格 — Beam 1.0 未在 Reflection 自家任何平台上公布，且在 Artificial Analysis 的該模型頁面上記錄為無法取得。Qwen3.8-Max 每百萬個 token 分別為 2.00 美元與 6.00 美元，由 Alibaba 公布，並以相同數字列在我們自家的路由上。

• 獨立評分 — Artificial Analysis Intelligence Index v4.3.2 將 Beam 1.0 評為 30 分，在其比較類別中的 120 個模型裡排名第 19。同一指數中，Qwen3.8-Max (0902) 為 45 分，在 217 個中排名第 33，而 AA 曾針對多個建置版本評估 Max 系列，分數在不同版本之間有所變動。

• 速度 — Beam 1.0 未提供；由於沒有公開端點可供測量，頁面將輸出速度記錄為未知。Qwen3.8-Max 的輸出速度為每秒 38.8 個 token，AA 形容這對其所屬等級而言明顯偏慢。

宣布與發布之間的十六天究竟改變了什麼

這個落差值得精確描述，因為這種東西一旦權重釋出，就會被抹平。

Reflection 的發布文章表示，權重、技術報告、模型卡與開發者成品將於「本月稍後」跟進，並承諾採用 Apache 2.0。在 10 月 5 日至 10 月 16 日之間，讀者能對 Beam 1.0 做的唯一一件事，就是加入候補名單。該模型有一張基準測試表、一份公開的訓練說明——在不到四週內於 6,144 顆 GB300 NVL72 GPU 上使用 23.8 兆個 token、在 10,500 顆 GB300 上進行 RL 階段、超過 1 億次 rollout——卻無法下載。

接著在10月16日，三種量化變體與一個草稿模型出現在某個 Hugging Face 集合中，而那張模型卡也隨之出現，附有涵蓋三種精度的完整評估表。對正在決定要跑什麼的讀者而言，重要的後果不是基準測試數字，因為那些數字仍是 Reflection 自家產出且未經重現。而是這個模型已從「已宣布」這個類別，移到「任你檢視、量化、微調與部署」的類別。一份你能據以行動的授權，和一份只是被承諾的授權，是截然不同的資產。

Qwen 3.8 走了相反的路線，卻通往同一個地方。A​libaba 在 2026 年 8 月 3 日以一個已定價、已提供服務的旗艦產品揭開這個世代的序幕，之後才分階段釋出權重——8 月 12 日的 2.4T 核心、8 月 14 日的稠密 27B，以及同月稍晚的 Flash-Next 預覽版。沒有人需要等待承諾兌現，因為你能買到的東西先到，能下載的東西後到。

這兩個定價情境並不對稱。

Qwen3.8-Max 是我們的路由之一。它的價格為每百萬個輸入 token $2.00、每百萬個輸出 token $6.00，並提供一百萬個 token 的上下文，以供應商的定價原樣轉嫁、不加價——因此，如果 A​libaba 調整該費率，你的帳單會在同一天變動，而不是等到下一次合約續約。這就是「模型有價格」在實務上的意思，也是為什麼這篇文章能為比較的其中一方提出一個實際算出的數字，而另一方則不能。

Beam 1.0 並沒有這樣的數字。公告發布十二天後，它是一個附有註冊牆的候補制預覽版；到了 10 月 16 日，它變成可供下載。這兩種狀態都沒有附帶任何價格。任何你看到針對 Beam 1.0 引述的美元數字，都是某人的硬體估算，而這張模型卡並未提供服務建議、硬體下限，也沒有可供估算的吞吐量數字。價格欄位是該模型說明文件中最大的一個缺口，而這個缺口由於 501B 的參數量，填補起來代價高昂。

這個比較有一種版本，是規模本身就能替你說明成本論點——23.4B 活躍參數對上傳聞中的 95B，代表每 token 的運算量是四比一；而如果較小的模型有定價，它很可能會是執行成本較低的那一個。這個論點在這裡無法成立，因為其中一方沒有費率。可以說的是，一個有公開定價的模型，和一個有公開授權的模型，雖然意義不同，但都是可用的；而買家需要這兩行才能做出選擇。

能力，並附帶採購來源

Beam 1.0 的規格卡在 BF16 檢查點上回報 SWE-bench Verified 81.6%，Terminal Bench v2.1 為 80.1，SWE Bench Pro v1 為 66.1，DeepSWE v1.1 為 43.3，GPQA Diamond 為 90.6，AIME 2026 為 97.7，LiveCodeBench 為 88.3，MCP Atlas 為 80.8，LongBench v2 為 67.5，IFBench 為 79.6，而 FP8 與 NVFP4 的數字通常會低一到兩分。Reflection 自身的定位相當謹慎：它將 Beam 描述為能與更大的開源模型競爭，並接近 Qwen 3.8-Max，在推理上與 GLM-5.2 匹敵，同時使用的推論算力只有三到四分之一，並承認 Kimi K3 在原始能力上仍然領先。這一切全是廠商自行回報的數據，且沒有任何一項經過第三方重現。

Qwen3.8-Max 的數字來自兩個方向。阿里巴巴公布自家的數字，包括 Terminal Bench 2.1 上的 86.6%，以及伴隨旗艦級發布而來的企業定價表。Artificial Analysis 的獨立綜合評分則是更有參考價值的那一行：Intelligence Index v4.3.2 上的 45 分，這使該模型在其 27 個同類比較組中遠高於中位數，但低於前沿水準；而實測輸出速度為每秒 38.8 個 token，AA 形容這很慢，即使相較於接近 88 的同級中位數也是如此。一個在同一獨立指數上領先 Beam 1.0 達 15 分、且要花 $2.00 才能與之對話的旗艦模型，和一個只在廠商自家表格上領先的模型，是截然不同的概念。

那個能一舉平息效率之爭的數字——每單位能源或每單位運算成本的 token 數，且在相同硬體上測得——對這兩個模型而言都不存在。Reflection 的佐證圖表將 FLOPs 概略估算為活躍參數數量大約兩倍乘以生成的 token 數，並在自己的圖說中表明，這項估算排除了預填充、注意力與服務的額外開銷。這是對某項限制的誠實揭露，但它仍然不是一項實測數據。

每個的用途是什麼

當你需要一個可呼叫且可問責的東西時，請選擇Qwen3.8-Max。它有費率、上下文數字和獨立評分，既能讀圖也能讀文，而且用的是一把你今天就能拿在手上的金鑰來回應。成本很誠實：它很貴，每百萬個詞元要 2.00 美元和 6.00 美元，而獨立量測顯示它在同級之中偏慢，所以高流量的工作負載會同時感受到這兩點。這一代確實存在開放權重，但支撐旗艦之名的檢查點採用自訂授權，且屬於資料中心規模，因此自行託管你正在購買的那個確切產品，並不是聽起來那樣的一條逃生通道。

當你想要掌控整套技術堆疊時，就選擇 Beam 1.0：Apache 2.0 授權、三種量化等級、100 萬 token 的上下文、一個持續開啟且由你調整而非切換的推理預算，以及一份瞄準程式編寫與代理式工作的評估表。這種掌控權的代價，是環繞在它周圍的一切：一筆你得自行估算的推論服務費用、一個讓估算數字變得龐大的參數量，以及沒有獨立分數能拿來核對廠商的表格——Intelligence Index 的 30 分是真實的第三方數據，但那只是一個綜合指標，並非逐項基準測試的驗證。

而對於混合情況——也就是一個最終想要開放權重、但本季就需要端點的團隊——通常的答案是兩者並行：在自架部署完成建置並以你們自己的任務進行基準測試期間，先讓工作經由按公開費率提供的託管模型來處理。OrcaRouter 運行超過 200 個模型，全都藏在單一 OpenAI 相容金鑰之後，並可跨供應商自動容錯移轉，因此自架建置可以只承接一小部分流量，並在其效能下降時把其餘流量交還，而且不需要第二份合約，就能試用一個你尚未承諾的模型。

接下來要看什麼

有一件事能改變這一頁，而它就只是一列。如果 Reflection 或某個服務合作夥伴公布 Beam 1.0 的費率——針對 API，或針對託管的 FP8 或 NVFP4 部署——那麼比較就變成算術：23.4B 活躍參數對上傳聞中的 95B、兩個獨立指數分數，以及兩個價格。那才是值得一讀的頁面。在那之前，真實的總結是：Reflection 交付了它承諾的那一半，Alibaba 交付了它定價的那一半，而兩個模型都在等待另一半。

計分板衡量的項目與部署實際遭遇的狀況之間的落差，正是這份紀錄之所以重要的原因：與此類模型相關的已記錄 AI 失效與代理事件，都收錄在 OrcaRouter AI 事件檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、可信度等級與爭議旗標。