跳至主要内容

Beam:Reflection AI 的 5010 亿开源权重编码模型

Reflection AI 的 Beam 在推理上可与 GLM 5.2 持平,推理算力需求低 3–4 倍,但在代理式编程方面落后于 Kimi K3。以下是该开源权重模型的表现。
Matt Crabtree
Matt Crabtree

创建您的免费账户

实践并学习路径你的进步。

使用 Google 继续继续即表示您接受我们的 使用条款,我们的 隐私政策 ,并且您的数据存储在美国。

开源权重模型的发布一段时间以来主要由中国团队主导,GLM、Kimi、Qwen 和 DeepSeek 系列在代理式编码评测中占据前列。

Reflection AI 于 2026 年 10 月 5 日发布的 Beam 有一个明确主张:推进其所谓的“西方开源权重前沿”,并在推理效率而非峰值能力上展开竞争。

本文将介绍 Reflection AI 的 Beam 是什么、哪些功能有助于日常工作、它在基准测试中与 Kimi K3、DeepSeek V4.1 Flash 以及 GLM 5.x 系列的对比,以及当下它能做和不能做的事。也推荐参考我们关于另一款新模型的指南 Kolibri 1,以及关于 Kimi K3 和 DeepSeek V4.1 Flash vs Gemini 3.8 Flash 的指南。

要点速览

  • Beam 是 Reflection AI 的首个开源权重模型,一款 5010 亿参数的专家混合(MoE)模型,每个生成的 token 仅启用 230 亿参数。
  • 卖点是“每个 token 的智能密度”,而非峰值上限:Reflection 称其在推理上可与 GLM 5.2 持平,同时推理算力需求低 3–4 倍。
  • Kimi K3 仍在原始能力上领先,DeepSeek V4.1 Flash 在 Terminal-Bench v2.1、DeepSWE 等单项评测中名列前茅。
  • 权重预计于 2026 年 10 月晚些时候以 Apache 2.0 发布,目前尚不能自托管、量化或微调。

什么是 Reflection AI 的 Beam?

Beam 是 Reflection AI 推出的 5010 亿参数稀疏专家混合模型,面向编码、推理与代理式工作负载。任一 token 上仅有 230 亿参数处于激活状态。

这是该实验室的首个开源权重发布,也是规划系列中的首款模型。

在架构上,Beam 具有 52 层,将知识分布在多个小型专业“专家”中(每个 token 仅运行少数专家),并混合使用关注邻近文本与全局输入的注意力机制。

稀疏性就是其核心论点。

像 Qwen 3.8-Max 这类 2T+ 级别模型,每个 token 激活的参数更多,每个生成 token 的算力成本更高。

Reflection 的押注是:将 230 亿的激活足迹配合强化学习(RL)强力打磨,在编码与代理式工作上足够接近,从而让成本差异物有所值。

训练规模是 Reflection 投入重金之处。预训练在 6144 张 NVIDIA GB300 GPU 上完成,耗时不到 4 周,使用了 23.8 万亿个 token;在训练末期集群有效工作占比达 92.3%,并在过程中从早期检查点重启了 9 次。

随后 RL 阶段在 1.05 万张 GB300 上单独运行 4 周,产出逾 1 亿次 rollout(对一个任务的完整尝试),覆盖约 100 万个经筛选的编码、代理式与 STEM 任务,并使用约 13 亿个沙盒环境来执行与评估。

Reflection 还称,随着 RL 计算增加,能力持续提升,训练结束时并未出现平台期。这一说法最值得第三方验证,因为它支撑了该实验室“已在训练下一代模型”的表述。

Reflection AI Beam 模型卡

Beam 的关键特性

Beam 仅支持文本输入,不支持图像或音频。

它提供的一组控制与能力,直指运行编码代理的用户。

按请求设置的“推理强度”刻度

Beam 暴露了推理强度参数,您可指定任务可用的“思考 token”数量。API 接受 low、medium(默认)、high、xhigh 与 max,但无法完全关闭推理。

较低设置倾向于更短回复;较高设置允许对更难问题进行更长推理。

这个刻度直接源自 Beam 的训练方式。

在 RL 过程中,Reflection 使用了可调的长度惩罚:在奖励正确解答的同时抑制冗余 token。据称训练早期,性能提升的同时,回复反而变得更短。

随后,随着代理式能力增强,回复再次变长,而这些额外的 token 能“回本”。

百万 token 上下文,覆盖整库级工作

在中期训练中,Beam 的有效上下文被扩展至 100 万 token,并基于结构化代码仓库、长周期任务与长文档进行训练。

但有两点注意:RL rollout 的最大上下文为 256K token,即 Beam 的代理式行为是在其四分之一的长度上学到的;且 beta API 目前将请求上限设为 262,144 个 token(输入加输出),输出上限为 131,072 个 token。

纸面上的长上下文与实际效果并不等同。Beam 在 LongBench v2 上得分 65.5,对比 Qwen 3.8-Max 的 66.3 与 GLM 5.2 的 64.0;在 AA-LCR 上得分 79.3,而 Kimi K3 可达 88.7。这让 Beam 对长输入有用,但并非拔尖。

可迁移到未训练任务的代理式技能

发布中最有意思的结果与榜单无关。

在覆盖推理、软件工程与终端任务的训练阶段,RL 数据中没有任何浏览任务,但 Beam 的浏览得分仍然提升。

在获得网页访问权限后,模型自行学会了查询其他语言模型,并调用 OCR API 读取其无法“看见”的文档。

Reflection 的演示更进一步:基于 MTA 公共数据构建的纽约地铁实时线路图、完全通过文本构建的 3D p5.js 自由落体游戏,以及在 OpenCode 中基于 Unsloth 文档搭建的 Gemma 4 微调笔记本,使 Gemma 的留出测试准确率提升了 66.5%。

发布中的一项泛化测试值得单拎出来,因为很难在训练数据中“见过”它。

Reflection 复刻了发布前几天在 X 上爆红的一道网格谜题,要求 Beam 将固定的 180x90 世界网格上的 16,200 个点逐一判定为陆地或海洋。Beam 的正确率为 95.5%,介于 Opus 5 的 92.5% 与 Fable 5 的 97.8% 之间。

最长一天滞后的异步 RL

Beam 采用异步 RL 训练,即模型持续生成 rollout,训练更新并行进行,彼此不需等待。因此,一次较长的 rollout 可能包含来自模型多个不同版本生成的 token。

Reflection 称,即便某个 batch 中最早的样本来自比当前版本滞后 107 次更新(约一天之前)的模型,学习依然稳定。

如果您搭建 RL 系统,以下基础设施数据有参考价值:

  • 平均 11 万个并发 rollout,最多 17 万个并发沙盒
  • 新权重到达推理服务器的中位时间约 12 秒
  • 处理了 71 起推理故障事件而无需停止训练作业

Apache 2.0 下的开源权重与配套栈

Reflection 表示将于 2026 年 10 月晚些时候以 Apache 2.0 发布 Beam 的权重,同时发布技术报告、模型卡、文档与用于运行、评测和微调的工具。

它还计划开源内部建立的安全评估,这比仅发布权重更少见。

Apache 2.0 几乎是最宽松的许可:允许商业使用、再分发与修改,不设用户或收入阈值。

之所以重要,是因为 Kimi K3 和 DeepSeek V4.1 Flash 已经树立了开源模型应当允许的使用预期;若采用限制性许可,Beam 就会被排除在讨论之外。

Beam 的基准表现如何?

在多数评测上,Beam 大致处于 GLM 5.2 的水平,明显领先于 Inkling 与 Nemotron 3 Ultra,但在最难的代理式编码任务上,明显落后于 Kimi K3、GLM 5.3 与 DeepSeek V4.1 Flash。

Reflection 对此相当坦诚,将 Beam 的优势定位为效率而非峰值能力。

以下数据均为厂商报告,竞品分数由 Reflection 引用自 Artificial Analysis 与 DataCurve。

Reflection beam-benchmarks-efficiency

编码与代理式流程

Beam 在 SWE-bench Verified 的核心得分为 80.9,对比 Inkling 的 77.6 与 Nemotron 3 Ultra 的 70.7。

SWE-bench Verified 是一组经人工核对的真实 GitHub 问题,模型需编写修复补丁并通过项目自带测试,仍是大多数从业者首先查看的基准。

在其他方面,画面不那么好看。

与您实际会权衡的模型相比,只要有对比数据,Beam 在每一项代理式编码基准上都落后。

BenchmarkBeamGLM 5.2GLM 5.3Kimi K3DeepSeek V4.1 Flash
Terminal-Bench v2.180.181.088.288.390.6
DeepSWE v1.144.444.061.068.074.2
SWE-bench Pro v2-Hard77.2NR84.388.2NR
SWE Atlas Codebase QnA34.6NR61.068.0NR

NR = 未报告。

DeepSWE 与 SWE Atlas 的差距很大。

DeepSWE v1.1 测试的是多步骤的代理式软工流程,而非单次修复;与 DeepSeek V4.1 Flash 相差 29.8 分,绝非统计噪声。

在 SWE-bench Pro v1 上,Beam 的 65.5 确实高于 GLM 5.2 的 62.1,略低于 Qwen 3.8-Max 的 67.7。

推理与知识任务

在未使用工具的 Humanity's Last Exam(HLE)中,Beam 得分 36.2,对比 GLM 5.2 的 40.5、GLM 5.3 的 42.3、Qwen 3.8-Max 的 43.6 与 Kimi K3 的 46.9。

HLE 由专家拟题,旨在使搜索与记忆帮助有限,往往更有利于本组中的大型模型。

其余推理基准更为接近:

  • AIME 2026:Beam 97.8,Inkling 97.1,GLM 5.2 99.2
  • GPQA Diamond:Beam 90.5,GLM 5.3 91.7,Kimi K3 93.5
  • SciCode:Beam 49.7,Qwen 3.8-Max 52.1,Kimi K3 58.7
  • CritPt:Beam 15.6,GLM 5.3 19.1,Kimi K3 23.4

几乎所有模型在 AIME 上都接近满分,已难以区分高下;而 GPQA Diamond 与 Kimi K3 的 3 分差距也难以决定生产部署选择。

差异真正“咬人”的是 CritPt(研究级物理问题),Kimi K3 的得分约比 Beam 高出 50%。

工具调用与搜索

Beam 的工具调用结果最不均衡。

在 AutomationBench(公开集)上得分 37.0,领先 GLM 5.2 的 26.2,但落后于 Kimi K3 的 46.7 与 DeepSeek V4.1 Flash 的 54.8。在 MCP Atlas 上,其得分 78.7,对比 GLM 5.2 的 77.8 与 Qwen 3.8-Max 的 84.5。

在 τ³-bench 银行场景中,Beam 得分 38.0,对比 GLM 5.2 与 Kimi K3 的同为 37.1,而 Qwen 3.8-Max 以 55.2 领先。搜索是最薄弱的一环:在 BrowseComp 上为 77.4,在带有上下文管理的 DeepSearchQA 上为 80.1;相比之下,Kimi K3 分别为 91.2 与 95.0。如果您的代理主要在开放网络上工作,这一差距最值得关注。

推理效率

推理效率是 Reflection 真正希望您关注的数字。

在 Reflection 的 HLE 效率图上,Beam 在每次尝试约 0.82 PFLOP(千万亿次浮点运算)的估算计算量下达成 35.3%;而 Inkling 约需 4.1 PFLOP 才能达成约 26%,Nemotron 3 Ultra 约需 1.9 PFLOP 才达约 21%。

Reflection 更广泛的主张是:Beam 在高级推理上可与 GLM 5.2 持平,但推理算力需求低 3–4 倍;与 2T+ 的 Qwen 3.8-Max 家族相比差距更大。

方法学需要细读:其计算量估算为“2 × 活跃参数 × 每次尝试平均生成 token 数”。它未计入处理提示的开销、长上下文带来的额外注意力成本,以及服务端开销。

这是一种近似的算力比较,而非部署成本的实测;且只统计活跃参数,天然有利于像 Beam 这样的稀疏模型。

Beam 如何进行对齐?

Reflection 从同一预训练检查点出发,单独训练了安全与对齐模型,然后通过多教师在策略蒸馏(MOPD)与主 RL 模型结合,即由一个学生模型同时向两位“教师”学习。

对齐原则分为三层:

  • 模型不应违反的硬性规则
  • 应持续体现的品质,如承认不确定性
  • 默认的互动风格:直接、详尽、主动

安全训练采用了审慎式对齐,先让模型依据其安全策略进行推理再作答。对抗式循环会针对每轮的检查点生成攻击,并将成功攻击反馈到下一轮的监督微调数据中。

Reflection 还称,其可预测 RL 对难以评分行为的提升幅度,相关系数 r = 0.79;而使用更简单的 Best-of-N 基线仅为 0.46。安全评估结果将随技术报告发布,目前未公布。

Beam 的定价与可用性

Beam 尚未公布价格。截止 2026 年 10 月 6 日,Reflection 的开发者文档中没有按 token 计费的价目表,因此无法与托管版 Kimi K3 或 DeepSeek V4.1 Flash 端点进行成本对比。

访问方式为通过逐步开放的 API beta 与 等候名单。

文档中的基础 URL 为 https://api.reflection.ai/openai/v1,并在有限范围内兼容 OpenAI:支持 Chat Completions 与模型列表,但不支持 Responses、Embeddings、Files 与 Batch。beta 的限制与行为明确可能变更。

目前分发仍然有限。笔者在 2026 年 10 月 6 日查看时,Beam 尚未上架 Ollama、未出现在 OpenRouter 目录、未出现在 OpenCode 使用的 models.dev 目录,Hugging Face 也未列出权重。

Reflection 表示将与分发合作伙伴共同上线,并在权重发布时提供开源的集成框架。

如何获取 Reflection AI 的 Beam

Beam 的权重尚未发布。

Reflection 承诺于 2026 年 10 月晚些时候以 Apache 2.0 发布,涵盖权重、技术报告、模型卡与用于运行、评测、微调的工具。在此之前,您无法自托管、量化、评估其真实显存占用,或复现任何已公布分数。

目前您可以做的是加入 beta 等候名单并调用托管 API。

开发者文档中的模型 ID 为 Beam-501B-A23B,且由于端点支持 Chat Completions,只需修改基础 URL 即可使用官方 OpenAI Python 客户端。

from openai import OpenAI

client = OpenAI(
    base_url="https://api.reflection.ai/openai/v1",
    api_key="YOUR_REFLECTION_KEY",
)

response = client.chat.completions.create(
    model="Beam-501B-A23B",
    reasoning_effort="medium",  # low, medium, high, xhigh, or max
    messages=[{"role": "user", "content": "Port this module to the v2 payments API."}],
)
print(response.choices[0].message.content)

如果您想用现在即可访问的模型练习这一用法,我们的 GPT-6 Sol API 教程使用相同的客户端代码,包括工具授权与面向代理式迁移任务的成本跟踪。

结语

Beam 是一款可信的开源权重选手,其“效率”定位也是坦诚之举:在最重要的代理式编码基准上,Kimi K3 与 DeepSeek V4.1 Flash 更胜一筹,因此 Beam 的论据应是“每个解决任务的成本”,而非“能力上限”。

我现在还不会据此制定规划。

在没有公开权重、价格与任何独立复现之前,这里的每一项结论都来自训练该模型的实验室;而算力对比也未计入提示处理与服务端成本。等 Apache 2.0 权重发布、Artificial Analysis 公布其独立数据后再来看。

在此期间,若您想上手开源权重栈,我们的 AI Fundamentals 技能学习路径是扎实入门的好去处。

常见问题

什么是 Reflection AI 的 Beam 模型?
Beam 是 Reflection AI 的首个开源权重模型,于 2026 年 10 月 5 日发布。它是一款稀疏专家混合模型,总参数 5010 亿、每个 token 激活 230 亿参数,预训练规模为 23.8 万亿 token,并通过逾 1 亿次强化学习 rollout 进行调优。面向编码、推理与代理式工作负载,仅支持文本。
Beam 与 Kimi K3 和 DeepSeek V4.1 Flash 相比如何?
在代理式编码上,Beam 均落后。其在 Terminal-Bench v2.1 上得分 80.1,而 Kimi K3 为 88.3、DeepSeek V4.1 Flash 为 90.6;在 DeepSWE v1.1 上得分 44.4,而二者分别为 68.0 与 74.2。Reflection 的论点在于效率而非峰值能力:Beam 声称以 3–4 倍更少的推理算力达成 GLM 5.2 级别推理表现。
我可以从哪里下载 Beam 的权重?
目前无处可下。Reflection AI 表示将于 2026 年 10 月晚些时候以 Apache 2.0 许可发布权重,并同时提供技术报告、模型卡与工具。截至 2026 年 10 月 6 日,Hugging Face 未列出 Beam 权重,OpenRouter 目录中也没有。
使用 Beam 的费用是多少?
尚未公布按 token 定价。截止 2026 年 10 月 6 日,Reflection AI 的开发者文档未提供价目表或模型列表定价,因此暂无法与其他开源模型的托管端点进行成本对比。目前的访问方式是免费加入的 API beta 等候名单。
Beam 的 API 模型 ID 与端点是什么?
开发者文档中的模型 ID 为 Beam-501B-A23B,基础 URL 为 https://api.reflection.ai/openai/v1。该端点支持 Chat Completions 与模型列表,因此更改基础 URL 后可使用 OpenAI Python 客户端。不支持 Completions、Embeddings 与 Batches。
Matt Crabtree

作者

Matt Crabtree

专注于人工智能与教育科技领域的高级编辑,致力于探寻数据与 AI 趋势。  

主题