对比之一：开源前排没有西方名字
开源权重模型的榜单前排，长期被中国实验室占据：GLM 5.2/5.3、Kimi K3、Qwen 3.8-Max、DeepSeek V4.1。西方阵营里有 Meta 的 Llama 系列和 Mistral，但在"前沿能力"这一档，已经落后一个身位。这是 2026 年 AI 行业一个少有人正面处理的结构性事实。
Reflection AI 在 10 月 5 日发布的 Beam，目标就是填这个空缺。这是这家公司的第一个开源权重模型：稀疏 MoE（混合专家）架构，总参数 501B，每个 token 激活 23B，主打编程、推理和智能体任务。权重承诺本月在 Apache 2.0 许可下放出，同时附上技术报告、模型卡和完整的运行、评测、微调工具链。
先看官方公布的定位数据。Reflection 的说法是：Beam 推进了"西方开源权重前沿"，在编程和智能体任务上与更大的 GLM 5.2 有竞争力，接近 Qwen 3.8-Max；同时承认 Kimi K3 在原始能力上仍然领先。Beam 换来的是另一个东西：推理效率。
对比之二：同样的分数，更少的计算
Beam 的核心叙事可以概括成同一档的分数、明显更低的推理开销。官方给出的关键句是：在进阶推理基准上，Beam 达到与 GLM-5.2 相当的分数，使用的推理计算少 3 到 4 倍。对 2T+ 参数家族的 Qwen 3.8-Max，效率差距更大。
这里先解释 MoE 为什么重要。MoE 模型的总参数决定"装了多少知识"，激活参数决定"每生成一个 token 花多少计算"。Beam 501B 总参只激活 23B，对照 GLM-5.2 的 744B 总参/40B 激活（TechCrunch 引用的数字），Beam 每个 token 的计算负担约是对方的一半。推理成本按 token 计费的用户，看到的账单差距会直接反映这个结构差异。
官方基准表（数据均出自 Reflection 发布公告，NR 为未报告）：
| 基准 | Beam | GLM 5.3 | Kimi K3 | Qwen 3.8 Max |
|---|---|---|---|---|
| DeepSWE v1.1 | 44.4 | 61.0 | 68.0 | 51.0 |
| SWE-Bench Pro v2-Hard | 77.2 | 84.3 | 88.2 | NR |
| Terminal Bench v2.1 | 80.1 | 88.2 | 88.3 | 86.6 |
| SWEBench Verified | 80.9 | NR | NR | NR |
| AIME 2026 | 97.8 | NR | NR | NR |
| HLE（无工具） | 36.2 | 42.3 | 46.9 | 43.6 |
| GPQA Diamond | 90.5 | 91.7 | 93.5 | 92.6 |
| MCP Atlas | 78.7 | 84.2 | 82.3 | 84.5 |
表格读法：推理类基准（AIME、GPQA）Beam 已经贴住第一梯队；编程和智能体类（DeepSWE、Terminal Bench、MCP Atlas）落后 GLM 5.3 和 Kimi K3 一个可见的档次。Reflection 对此没有回避，官方口径明确写了"Kimi K3 在原始能力上保持领先"。
效率优势有两组佐证。其一，Reflection 引用 Artificial Analysis 和 DataCurve 的数据绘制了 FLOPS 与 token 数两个维度的效率对比，估算口径是"前向计算 ≈ 2 × 激活参数 × 平均生成 token 数"，并在图注里说明了排除 prefill 和注意力开销的近似性质。其二，吞吐数据：Reflection 称 Beam 在内部服务中跑出每 GPU 每天超过 20,000 token 的生成量，按其口径为开源模型中最快。这类自报数据在第三方复测前只能当参考，但方向与其他模型的生产部署经验一致：小激活参数的 MoE 在吞吐上天然占优。
一次教科书级的 RL scaling
Beam 更有长期价值的部分是其训练方法。Reflection 把"高计算强化学习"当作与预训练并列的 scaling 轴，这次 RL 阶段的投入规模如下：
- 10,500 块 NVIDIA GB300 GPU，连续训练 4 周
- 生成超过 1 亿次 rollouts（智能体与环境交互的完整尝试过程）
- 最大上下文长度 256K token
- 训练与评分共用了约 13 亿次 sandbox（隔离执行环境）
- 训练环境库：100 万个编程、智能体和 STEM 环境
Reflection 称这是开源实验室迄今最大规模的 RL 运行之一。比总量更重要的是曲线形状：官方公布的图 3 显示，随着累计 rollouts 从零爬到 8000 万（覆盖 Beam 推理专家训练全过程的 80%），Terminal-Bench 2.1、HLE、DeepSWE 三个基准的分数持续上升，没有出现平台期。对照数据也放在同一张图里：Inkling（Thinking Machines Lab 7 月发布的开源模型）用了 3000 万 rollouts，MiMo 用了 75.3 万。RL 投入量的差距是数量级的，而 Beam 的曲线还没有弯。
支撑这条曲线的是两个工程细节。
第一是异步策略梯度的稳定性问题。超大规模 RL 里，经验数据是"过期"的：一个长 rollout 里，前面的 token 由旧版模型生成，等这批数据回流训练时，策略已经更新了几十版。这种 staleness（陈旧度）是训练不稳定的主要来源，加上训练引擎与推理引擎的数值误差，通常的做法是用同步训练把陈旧度压到最低，代价是 GPU 大量空转等待。Reflection 的做法是反过来的：新算法让训练在高度陈旧的数据上保持稳定，实测数据是陈旧一天、落后当前策略 107 个权重版本的样本，训练数值依然稳定。等于把"等 GPU"这个瓶颈直接拆掉了，这是能把 4 周连续 RL 跑满的工程前提。
第二是推理长度的可控性。Beam 训练时用了可控长度惩罚：奖励解对题，同时对多余 token 施加成本。训练早期的曲线分两个阶段：分数上升的同时生成长度在下降，说明模型先学会了"用更少的思考把题做对"；后期生成长度回升，多出来的 token 换来了更高的分数上限。两条曲线合成一条可调的帕累托前沿，落到产品上就是 reasoning effort 参数：用户按任务难度和预算调节思考长度。
还有一个超出预期的观察：RL 阶段完全没有训练浏览类任务，Beam 的网页浏览能力却跟着涨了。官方 demo 里，Beam 在带网访问的环境里自发学会了调用搜索引擎、查询其他 LLM、用 OCR API 读文档。能力在域间迁移，这是"RL 学到的是通用智能体能力而非题库"这个假设迄今少见的直接证据之一。
权重没放出之前，哪些是实数哪些是口号
现在能确认的事实边界：权重、技术报告、模型卡、安全评测都还没放出，目前所有 benchmark 数字来自 Reflection 自报，TechCrunch 在报道中明确写了"性能主张未经独立验证"。Beam 正在做最后的红队测试，早期访问靠注册等待。
几家对照方的数据同样来自各家自报，跨榜单可比性有限。Inkling 的对比还有一个维度差异：它是多模态模型，Beam 是纯文本，两者的分数表并不完全对齐。
这笔账的下半段在商业侧。TechCrunch 的背景信息：Reflection 2024 年由两位前 Google DeepMind 研究员创立，总部布鲁克林，累计融资约 47 亿美元（投资方含 NVIDIA、红杉、Lightspeed，PitchBook 口径），最近一轮投前估值 250 亿美元。今年夏天与 SpaceX 和 Nebius 签下合计超 70 亿美元的算力合同，锁定到 2029 年的 GB300 供应。这个算力储备解释了"4 周 1 亿 rollouts"从哪来。
Reflection 的产品路线也不是卖 API 一条路，主打的是"AI factory"（AI 工厂）：让企业和政府机构用自己的私有数据在本地训练和部署 Reflection 的模型，韩国新世界集团已在试点。Axios 的报道称对冲基金和交易公司是第一批积极客户。这个路线下，"开源权重"的实际含义是给买家一个可私有部署的基座，商业闭环在部署服务而不是模型本身。
本月的权重发布有三个验证点：第三方榜单上 Beam 的自报分数能否复现；Apache 2.0 放出的权重是完整版还是裁剪版；微调工具链的完整度。开源权重模型的竞争走到 2026 年，发布时的博客数字越来越漂亮，发布后的复测差距也越来越诚实。