
Qwen4-Max 對上 Reflection Beam:$1.20 的輸出對比 $4.50,以及決定這一切的權重
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0717 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 87 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 133 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 72 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 130 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 65 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 193 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 150 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 119 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 219 tok/s
Reflection Beam 1.0 透過自家 API 產生一百萬個輸出 token 只需 1.20 美元。Qwen4-Max 在新加坡對同樣一百萬個 token 收費 4.50 美元,在法蘭克福、維吉尼亞、東京、香港和北京則是 4.24 美元。這是個有利於開放權重模型的 3.75 倍差距,而這種數字通常會讓大多數比較還沒開始就結束。但這場比較不會因此結束,因為這兩個模型不是同一類產品:Reflection Beam 1.0 是 5010 億參數的稀疏混合專家模型,附有 Apache 2.0 權重,你可以下載並在四張 GPU 上執行;Qwen4-Max 則是阿里巴巴的封閉式旗艦模型,於 2026 年 11 月 16 日正式全面推出並公布價目表,而且完全不公開權重。一個是你能擁有的模型。另一個是你能租用的模型,而這個價格能換來大得多的上下文視窗、原生影片輸入,以及提供支援合約的廠商。
這裡還有一個測量上的問題,而且對較便宜的模型相當不利。Beam 1.0 在現行 Artificial Analysis Intelligence Index 上得分 17.7。Qwen4-Max 則完全沒有分數。所以誠實的說法並不是「便宜的開源模型對上昂貴的閉源模型」,而是「一個實測過、便宜但並不特別強大的模型,對上一個未經實測、昂貴卻自我標榜極高的模型」。

Beam 1.0 究竟是什麼
Reflection 是由兩位前 Google DeepMind 研究人員於 2024 年創立的紐約實驗室;該實驗室於 2026 年 10 月 5 日宣布推出 Beam,並於 10 月 16 日釋出權重。此模型為 Beam 1.0-501B-A23B:總參數量為 5,013 億,每個 token 啟用 230 億,啟用比例約 4.6%。Reflection 表示,其不限制蒸餾、微調、量化或合併。
這次發布對首個模型而言異常完整。BF16 有 188 個 safetensors 分片,FP8 採用 E4M3、大小為 468.72 GiB,還有 273 GiB 的 NVFP4 版本,Reflection 自家的服務指南也建議下載。另有一個獨立的 19.3 億參數推測解碼草稿模型 DFlash2,以獨立儲存庫發布。Transformers、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 與 NVIDIA Dynamo 均提供首日支援,並附上 SGLang、vLLM 與 TokenSpeed 的逐步指南及 Helm chart。另有一套一致性測試套件 beam-verifier,可對任何運行中的 Beam 端點執行。參考自架需求為四張以 NVLink 連接的 NVIDIA B300 SXM GPU——一台機器,而非叢集,這比 500B 模型通常意味的門檻低得多,且直接源於 23B 的啟用比例。
上下文為 1,048,576 個 token。此模型以文字為導向,並定位於程式編寫、推理與代理式工作。
Qwen4-Max 究竟是什麼
阿里巴巴第四代旗艦模型,自 2026 年 11 月 16 日起以模型 ID qwen4-max 正式全面提供。具備 1,000,000 個權杖的上下文、思考模式下最高 131,072 個權杖的輸出上限、思考與回答共用的 262,144 個權杖額度,並支援文字、圖像與影片輸入、文字輸出。思考功能預設開啟,額度為 131,072 個權杖,推理強度設為高。共六個區域。支援 OpenAI、Anthropic 與 DashScope 連線協定。微調與模型部署文件記載為不支援,且未公開權重。

並列對照,就決定你是租屋還是購屋的各個面向來看:
• 輸入價格 — Qwen4-Max 在新加坡每 1M 為 $1.50,其他地區為 $1.413,而 Beam 1.0 則為 $0.40
• 輸出價格 — Qwen4-Max 新加坡 $4.50、其他地區 $4.24,相較於 Beam 1.0 的 $1.20
• 上下文 — Qwen4-Max 1,000,000 個 Token,對比 Beam 1.0 的 1,048,576 個 Token
• 最大輸出 — Qwen4-Max 131,072 非思考,262,144 與思考共用,對比 Beam 1.0 的上限;Reflection 的公開資料並未將該上限與上下文分開列出
• 模態 — Qwen4-Max 可輸入文字、圖像與影片,對比 Beam 1.0 僅可輸入文字
• 權重 — Qwen4-Max 未提供,而 Beam 1.0 Apache 2.0 則提供三種精度可供下載
• 自託管 — 不允許且不可能使用 Qwen4-Max,相較於廠商自家參考組建在四顆 B300 SXM GPU 上執行的 Beam 1.0
• 獨立評分 — Qwen4-Max 未公布,相較於 Beam 1.0 在 Artificial Analysis Intelligence Index v5.0.1 上為 17.7
Beam 分數中的索引版本陷阱
當 Beam 於十月推出時,第一個附在它身上的獨立數字是 30,對應索引版本 v4.3.2,在 120 個模型中排名第十九。目前的榜單顯示,在版本 v5.0.1 上是 17.7。這兩個數字都沒有錯;它們無法相比,因為 Artificial Analysis 在那兩個版本之間重新基準化了指數,而榜單上的每個模型都移動了。今天任何引用「Beam 得分 30」的人,引用的是已退役的版本;而任何引用「17.7」卻不帶版本的人,則是在反向招致同樣的錯誤。

重新基準化後仍成立的是相對格局。在 v5.0.1 上,Beam 1.0 的 17.7 明顯低於 Qwen3.8-Max 的 33.7、Grok 4.7 的 35.5,以及 Kimi K3.1 Pro 的 46.5。它是一個可運作的模型,但在通用能力上無法與當前前沿模型競爭,而這正是其價格所暗示的,也正是 Reflection 的發布材料沒有明白說出的。廠商在發布時宣稱這是接近前沿的推理模型;獨立測量結果卻並非如此。
而 Qwen4-Max 在兩個版本上都沒有數字。它在 Artificial Analysis 上的個別模型頁面會回傳 404,而且索引中也沒有出現任何 Qwen4 條目。阿里巴巴的文件詳細說明了運作機制——啟用思考時預設溫度為 1.0,未啟用時為 0.7;top-p 為 0.95 和 0.8;top-k 為 20;各模式的輸入上限分別為 991,808 與 983,616 個 token——但並未發布任何形式的基準測試表。
自行託管 Beam 的實際成本
$0.40 與 $1.20 這兩個數字是 Reflection 自家的 API 費率。它們並不是你自己運行 Beam 時的成本,而這個差異正是開放權重在此至關重要的原因。
透過 NVLink 連接的四張 B300 SXM GPU,無論是購買、租賃還是雲端預留,都不是免費的。擁有硬體的意義不在於每個 token 的成本更低——而是在硬體攤銷之後,邊際推論成本會趨近於電費,而且你的資料完全不會離開這棟建築。對於已經為了其他工作運行 B300 運算資源的團隊來說,Beam 1.0 的邊際成本幾乎為零,其 17.7 分可說是撿到便宜。對於必須買下這台機器的團隊而言,同一個模型則是僅憑一個中段班分數就做出的資本承諾。
Qwen4-Max 在各個層面都是相反的取捨。它沒有資本成本、沒有容量規劃,也沒有維運負擔;而作為交換,你得支付 Beam API 費率的 3.75 倍,無法微調,無法在自己的邊界內執行,還會受阿里巴巴下一季對該價目表所做任何調整的影響。這份價目表有趣的部份在於其區域結構:新加坡的 $1.50 與 $4.50,對比其他五個區域的 $1.413 與 $4.24,同一模型有 6% 的差異,這小到可視為會計細節,卻大到在大量用量時會有影響。
每一項如何各得其所
當以下三種情況有任何一種成立時,Beam 1.0 就是正確答案。你的資料不能離開你的基礎架構——沒有簽約 API 能達到這個門檻,而 Apache 2.0 權重可以。你想用領域資料進行微調——Qwen4-Max 的文件明確標示不支援微調,而 Reflection 允許不受限制地蒸餾、微調、量化與合併。或者你的工作負載是代理式編碼,其中 23B 活躍參數模型在互動延遲下夠快也夠便宜,因此中段的一般評分並非關鍵限制。
當輸入不是文字時,Qwen4-Max 就是正確答案。Beam 只接受文字;Qwen4-Max 則接受文字、圖片和影片。如果你的流程需要接收螢幕截圖、掃描文件、攝影機畫面或螢幕錄影,那麼在價格還沒納入考量之前,比較就已經結束了,因為其中一個模型根本無法接受這類請求。同樣的道理也適用於任何需要歐洲、日本或美東部署的情況:六個阿里雲區域對上單一的第一方 API,這是資格條件的問題,而不是成本的問題。
至於其他一切——中等用量的一般文字生成、不進行微調、沒有資料駐留限制——決定取決於你有多信任一個未經實測的模型,對上一個已實測但表現平庸的模型;答案是,在你用兩者各跑過一百個自己的提示詞之前,兩者都不該信任。以每百萬輸出 token 4.50 美元和 1.20 美元的價格,那項評估只花幾美分。
路由,以及支持第三個選項的理由
OrcaRouter 目前不路由 Beam 1.0 或 Qwen4-Max;兩者皆可透過各自廠商的 API,以上述價格取得。型錄確實提供的是市場中段方案,只要一組金鑰和一個基礎 URL——GLM-5.3 每百萬 token 為 $1.40 與 $4.40,採開放權重,指數得分 31.7;Qwen3.8-Max 為 $2.00 與 $6.00,得分 33.7;Kimi K3.1 Pro 為 $2.00 與 $10.00,得分 46.5——全部以供應商定價原價轉供,不加價。
這就是這個特定對決的實際解法。Beam 1.0 要求你接受 17.7,以換取所有權與低價;Qwen4-Max 要求你接受一個未知數,以換取模態與區域。一個已公布分數、已公布權重,且價格介於兩者之間的模型,則要求你兩者都不接受。將兩個有趣但未經證實的選項與一個實測基準一併路由,是你找出兩者是否值得正式環境流量的方法——而自動容錯移轉意味著在你執行實驗時,它不會讓服務中斷。
什麼能讓這件事定下來?
一個數字:獨立排行榜上 Qwen4-Max 的條目,在當前指數版本中,與 Beam 1.0 的 17.7 並列。本頁其他內容都已為人所知——價格、上下文、授權、GPU 數量。如果 Qwen4-Max 落在 30 多分的區間附近,對任何需要影片輸入或法蘭克福端點的人來說,其 3.75× 溢價就很容易說得通。如果它落在 Beam 附近,這筆溢價買到的就只是模態與合規,別無其他;正確做法是依需求路由,而不是依基準測試。在那個數字出現之前,比較的是一已被測量且評為普通的模型,與一個完全未被測量的模型——而這兩個立場中,只有一個是值得投入預算的理由。
