GPT-6.1 Sol 對 Reflection Beam：3–4 倍效率宣稱，以及削弱該宣稱的基準測試表格

在Reflection Beam的發表資料中，最耐人尋味的數字並不是某項基準測試成績。Reflection 在 2026-10-05 的公告中指出，Beam 在品質相當的情況下，推論 FLOPs 大約只有 GLM 5.2 的三分之一到四分之一——這是一項效率主張，而且是針對一個明確點名的對手所提出，而在這個市場裡，多數團隊實際運作所受到的限制正是每 token 成本。這同時也是一項主張，同一份公告自家的基準測試表卻讓它更顯複雜，而非加以佐證：在那些表格中，Reflection Beam 在數個測試套件上勝過 GLM 5.2，卻在 DeepSWE、SWE-Bench Pro v2-Hard、SWE Atlas Codebase QnA、MCP Atlas、AutomationBench、BrowseComp 與 DeepSearchQA 上落後 GLM 5.3、Kimi K3 及其他模型。把這一切拿來對照GPT-6.1 Sol——OpenAI 於 2026-09-29 發布的產品——你便得到一場比較：一邊是效率本身即為論點的模型，另一邊則是效率早已被定價、被衡量、被公開的模型。

兩個模型分別是 2026 年前沿層級的發布，一個在十月，一個在九月底，而關於兩者各自能說多少的差異，正是本文的主旨所在。以下所有內容均來自 Reflection 的發布資料、OpenAI 的模型與定價頁面、我們自家的目錄紀錄，以及 Artificial Analysis 的獨立量測，閱讀日期為 2026-10-12。若某項數字為廠商自行提供且尚無人重現，承載該數字的句子會註明這一點。

就任何 Reflection 外部人士所知，Reflection Beam 究竟是什麼

Beam 是一個擁有 5010 億參數的專家混合模型，每個 token 僅啟用 230 億個參數。這個比例是首先值得留意的設計決策：501B/23B 的 MoE 就是為了能低成本提供服務而打造，因為對任何給定的 token 而言，網路只有一小部分會運行。公告中的效率主張並非事後硬加在架構上的驚喜——而是該架構明確宣示的目的。

• 總參數與活躍參數 — 總計 501B，每個 token 活躍 23B，混合專家架構。

• 模態 — 僅限文字。無視覺、無音訊、無圖片輸入。

• 上下文 — Beta API 中為 256,000 個 token，最大輸出為 128,000 個 token，知識截止日為 2026-06-30。

• 權重 — 尚未釋出。Reflection 表示權重將於十月稍後以 Apache 2.0 授權發布，這是關於此模型最具關鍵性的未解問題，也是在實務上這次發布僅是預覽版的原因。

• 價格——未公布。Beam 的 API 沒有價目表，因此本文全篇皆未出現其費用數字，而任何以逐 token 計算為基礎的比較，都必須讓其欄位留空。

• 獨立基準測試 —— 無。Artificial Analysis 沒有 Reflection Beam 的資料列，因此下方章節中的每一項分數，都是 Reflection 自行執行的結果，並附上 Reflection 自己的基準值。

供應商表格，如實解讀

Reflection 在推出時一併發布了一組基準比較，而誠實報導這些比較的方式，就是如實說出它們在兩個方向上所呈現的結果，因為它們並非只呈現單一方向。

• Beam 勝出之處。 在 Reflection 選擇作為主打的那幾組測試套件上，Beam 的表現優於 GLM 5.2——也就是效率主張所比較的對象。若照字面接受，這確實是一項實質成果：以大約四分之一到三分之一的推論成本換取更優異的輸出，對於任何大量提供服務的一方而言都是強勢地位。

• Beam 落敗之處。 同樣的表格顯示，Beam 在 DeepSWE、SWE-Bench Pro v2-Hard、SWE Atlas Codebase QnA、MCP Atlas、AutomationBench、BrowseComp 與 DeepSearchQA 上，落後於 GLM 5.3、Kimi K3 及其他現行模型。這些並非邊緣的測試套件；它們是決定一個模型能否作為自主代理使用的軟體工程、工具使用與深度研究基準。

把這些表格放在一起讀，它們所說的是前後一貫、但比「最先進」狹窄得多的東西：Beam 似乎是一款強勁的開放模型發布，在 Reflection 選定的戰場上勝過前一代，卻在代理式（agentic）任務的戰場上沒能勝過當前這一代。對一個模型來說，這樣的定位完全站得住腳。但這並不等於它是當下最適合代理工作的模型，而公告的措辭卻引人做出更強的解讀。

关于效率数字本身，有一点结构性的说明，因为它是核心卖点。把每 token 的 FLOPs 与另一个模型比较，比较的是架构与服务配置，而不是结果质量——而少 3–4 倍的 FLOPs 是厂商自己测量的数字，没有独立复现。它有理由让人预期 Beam 的服务成本很低。但它并不能证明 Beam 的使用成本很低，而这两者之间的差别，恰恰就是本页整个成本讨论的核心：一个需要多花 token 才能得出答案的模型，可能同时在每 FLOP 上更便宜、在每任务上更昂贵。

比較中已出貨的一方

本文存在的目的，就是要記錄這種不對稱。GPT-6.1 Sol 於 2026-09-29 在 OpenAI 的 API 上線。它有一份公開的費率表——每百萬輸入 token 為 $2.00、每百萬輸出 token 為 $10.00、快取輸入為 $0.10、快取寫入為 $2.50——一個有紀錄的 1,050,000-token 上下文視窗、最大輸出為 128,000 個 token，以及在最大推理投入下，獨立 Intelligence Index 中有一列分數為 52，每項任務的執行成本為 $0.72。

那個成本數字才是值得拿來對照 Reflection 的 FLOPs 主張的數字。每項任務 $0.72 既不是 FLOP 計數，也不是價目表；它是工作完成時的成本，由跑過該模型的第三方所測得。如果 Beam 的效率論述要成為採購論述，就必須超越這個數字——而 Beam 沒有對等的數字，因為 Beam 既沒有公開價格，也沒有獨立實測。

另外兩個差異是具體的，而且今天就查驗得到：

• 上下文與輸出 — GPT-6.1 Sol 提供 1,050,000 個 token 的上下文，對比 Beam 在 beta 版的 256,000，而兩者的輸出上限皆為 128,000 個 token。對於儲存庫規模或文件集類型的工作而言，這代表單次呼叫可容納的資料量相差四倍。

• 模態 — GPT-6.1 Sol 接受文字、圖像與檔案；Beam 僅支援文字。若你的流程需要讀取螢幕截圖、掃描檔或圖表，無論 Beam 的分數多高，它都不會是候選方案。

在 Beam 握有 GPT-6.1 Sol 在結構上無法回答的論點時，Beam 就是那個開放權重的一方。如果 Apache 2.0 權重按承諾時程發布，一個 501B/23B、有效參數量為 23B 的模型，就會以專有模型永遠不可能的方式，成為自我託管的候選者。230 億個有效參數是配備完善的團隊能夠推敲的數字；beta 版中 256,000 token 的上下文，以及未公開權重，正是為什麼那個論點必須等到實際發布，而不是在推出當下就定論。

現在誰應該對哪個模型採取行動

實際的答案會因你購買的項目而異，而這個區分足夠明確，可以直接說明。

如果你本週就需要一個能投入正式生產的模型，用於代理式編碼、工具使用或長上下文文件處理，那麼已正式推出的模型就是 GPT-6.1 Sol，而決策重點在於它的價格，而非它是否存在。它的輸出費率才是真正關鍵的計量標準，其快取輸入費率異常低廉，每百萬只要 $0.10，而一旦輸入超過 272,000 個 token，整筆請求就會向上重新計價——在你擴大一個會讀取大量前綴的迴圈之前，這個門檻值得事先納入設計考量。它以 OpenAI 的定價表原價、0% 加成收錄在我們的目錄中，所以價目表上的費率就是發票上的費率，而且供應商的價格變動會在當天就出現在目錄中，而不是等到經銷商的更新週期之後：https://www.orcarouter.ai/models/openai/gpt-6.1-sol。

如果你對 Beam 的興趣在於開放權重釋出，而非 beta API，那麼值得留意的是 Reflection 承諾於本月稍晚發布的 Apache 2.0 版本。在權重問世之前，本文中每一個能力數字都是廠商提供的，價格未知，無論是自架方案還是成本比較都無法完成。如果它如期推出，Beam 立刻就會成為雙模型配置中高效層的矚目之選——而這種配置只需一個端點、具備橫跨 200 多個模型的自動容錯移轉即可處理，無須第二次整合，這正是為何值得在路由層上試用一個未經證實的模型，而不是讓正式生產路徑押注於它。

Reflection Beam 不是我們所供應的東西。當它的權重與 API 正式開放時，就會像大多數開放發布一樣，出現在供應商自家的平台與幾個第三方服務上——而屆時這個頁面就值得重寫了，因為它目前無法說明的兩件事：Beam 的費用，以及由製造者以外的人運行時它得分如何，正是答案所取決的兩件事。