Beam 跑一场数据分析考试花 8.29 美元：钱几乎全花在没被缓存的输入上

先说结论：Reflection 的开放权重模型 Beam 有了一张按任务算的独立账单。Plotly 用自家 43 道数据分析题测它，答对 36 道，整场花了 8.29 美元，比 DeepSeek V4.1 Flash 贵十几倍，也比分数更高的 Muse Spark Open 贵。原因不在单价，而在缓存：Beam 的输入几乎没有按缓存价计费。这说明，对要来回调用很多次的智能体任务，先问「有没有缓存」，再看「每百万词元多少钱」。

我们上一篇留下的问题

10 月 17 日上午，我们写过 Beam 的第一轮独立评测：Artificial Analysis 证实它做题时输出的词元明显少于同档模型，也就是「想得短」。当时我们在「我们不知道什么」里写了一条：按任务算的真实成本还不清楚，标价只是在某一家托管商、某一套题目上的数字。

10 月 17 日，做数据分析工具的 Plotly 公布了它的测试结果。它把 Beam 放进多轮的数据分析任务，并把账单拆开列了出来。

发生了什么

Plotly 的考卷是 43 道数据分析题，数据是一家虚构风电场的仓库数据，题目不公开，目的是不让答案进入训练集。题型包括发现数据质量问题、识别无法回答的请求、处理有歧义的问题、避开统计陷阱，以及在没有提示的情况下找出埋在数据里的规律。以下数字都来自 Plotly 的博客（第三方评测）。

Beam 答对 36 道，与 DeepSeek V4.1 Flash、Claude Sonnet 5 同分；在 Plotly 测过的 32 个模型里，它是美国实验室开放权重模型中的第二名，排在 Meta 的 Muse Spark Open 之后。这个排名和上一篇 Artificial Analysis 给的位置一致。

能力上，它的长处很具体：埋进去的三处数据质量问题全部发现，五道无法回答的请求、五道有歧义的问题全部处理对。短处也很具体：两次把千瓦时换算成吉瓦时时除错了量级，结果小了一千倍，Plotly 指出它没有停下来检查这个数是否合理；五个埋在数据里的规律只找到一个。

账单为什么是 8.29 美元

Plotly 列出的同场成绩与成本（节选）：

• Muse Spark Open：38 道，5.16 美元，每题约 10 次模型调用
• Qwen 3.8 27B：38 道，1.71 美元，约 8 次
• GLM 5.3 Flash：38 道，0.69 美元，约 7 次
• Beam 1.0：36 道，8.29 美元，约 15 次
• DeepSeek V4.1 Flash：36 道，0.46 美元，约 7 次
• Kimi K3：35 道，5.01 美元，约 5 次

Beam 每题调用模型约 15 次，是 Plotly 测过的开放权重模型里最多的。每一次调用，都要把到目前为止的整段对话重新发一遍，所以它每题读进去约 74 万个输入词元。托管商对「已经见过的那部分」通常按缓存价收费，便宜很多。可是 Beam 只有 0.4% 的输入词元按缓存计费，Muse Spark Open 是 94%，DeepSeek V4.1 Flash 是 92%。结果，8.29 美元里有 7.79 美元是输入费。

速度也是问题：Plotly 测得一道题通常要 68 秒，最慢的一道用掉了一个多小时的模型时间。Plotly 自己的判断是，Beam 10 月 16 日才上 OpenRouter，等托管商多起来、加上缓存，成本应该会降下来；托管商调好部署后，速度也可能改善。

同一个模型，四种标价

我们在 10 月 17 日晚查了 OpenRouter 的 Beam 页面（官方文件），当时有四家托管商：

• Nebius：输入每百万词元 0.25 美元，输出 1.00 美元，没有列缓存读取价，FP8 精度
• Together：输入 0.40 美元，输出 1.20 美元，缓存读取 0.04 美元，精度未标注
• CoreWeave：输入 1.00 美元，输出 3.00 美元，缓存读取 0.10 美元，FP4 精度
• BaseTen：输入 1.30 美元，输出 4.30 美元，缓存读取 0.13 美元，FP4 精度

最便宜和最贵的输入价差了五倍多。有缓存价的三家，缓存读取都是输入价的十分之一。OpenRouter 模型页顶部写的「0.25 / 1 美元」，与 Nebius 的报价相同；页面同时写明，因为缓存和折扣，用户实际付的平均价往往明显低于标价。我们上一篇引用过 Artificial Analysis 页面列的 0.70 / 2.10 美元，那又是另一种口径。单看任何一个标价，都说明不了按任务要花多少钱。

OpenRouter 的缓存文档（官方文件）还写了一条规则：它会把同一段对话后续的请求尽量发给同一家托管商，让缓存保持有效，但这种「粘住同一家」的路由，只在那家托管商的缓存读取价低于普通输入价时才会启用。

我们的推断：问题出在路由，不一定出在模型

下面是我们的分析推断，Plotly 没有说明它的请求具体由哪家托管商处理。

Plotly 文中引用的是 OpenRouter 上 0.25 / 1.00 美元的价格，与 Nebius 的标价一致；而 Nebius 没有列缓存读取价。按 OpenRouter 文档的规则，没有更便宜缓存价的托管商，不会触发粘性路由。用 Plotly 的数字倒推，7.79 美元的输入费按 0.25 美元计价，大致是 3100 万个输入词元；Plotly 说每题约读 74 万个，43 题合计约 3200 万个，两者对得上，也就是说输入几乎全部按原价算。所以，更可能的情况是：请求落在了单价最低、但不打缓存折扣的那一家。

如果换一家有缓存价的托管商，账单会差多少？我们按 Plotly 公布的输入量粗算（输出量按 0.50 美元输出费、每百万 1 美元倒推，约 50 万个词元）：假设 Beam 的缓存命中率能做到 Muse Spark Open 那样的 94%，按 Together 的列价，整场大约 2.5 美元；按 CoreWeave 的列价，大约 6.3 美元。这两个数都建立在一个还没有被验证的假设上：Beam 在这些托管商那里能达到同样的命中率。它们只能说明量级，不是实测。

这也补上了上一篇的一个盲点。Artificial Analysis 证实的「省」，量的是输出词元；而在需要来回调用十几次的智能体任务里，大头往往是一遍遍重读的输入。「想得短」和「账单小」不是一回事，中间隔着调用次数和缓存。

为什么重要

对读者来说，这件事的意义超出 Beam 一个模型。开放权重模型上线第一周，通常同时出现在好几家托管商那里，价格、量化精度、是否支持缓存各不相同。按「单价最低」挑托管商，在单轮问答里问题不大；放到多轮的智能体任务里，反而可能不是最省钱的选择。读一份成本对比时，值得多问一句：这是哪家托管商、有没有缓存、每个任务调用了几次。

我们不知道什么

• Plotly 的请求实际由哪家托管商处理、为什么几乎没命中缓存。以上判断是我们根据标价和文档规则做的推断，等 Plotly 或托管商说明。
• Beam 在支持缓存的托管商那里，实际命中率能到多少。
• 这是一份私有考卷、一家公司的一轮测试，43 道题都是数据分析，结论不能直接推到编程或其他任务上。
• 托管商价格在上线第一周变化很快，上面四家的价格只代表我们查询时的页面。

我们的看法

我们认为，Beam 这张账单暴露的主要是部署问题，而不是模型本身贵：它做题严谨、调用多，在不打缓存折扣的托管商上，调用多就直接变成钱。在第三方给出「有缓存时」的实测账单之前，我们不会说 Beam 按任务算便宜，也不会说它贵。如果 Plotly 或其他评测在支持缓存的托管商上重跑，成本仍然接近现在的水平，我们会改口，认为它的高调用次数本身就是成本短板。

接下来看什么

• Plotly 说会继续用同一份考卷测新模型，Beam 托管商增多后是否会重测。
• OpenRouter 上 Beam 的托管商名单和缓存价格是否还在变。
• 其他把智能体任务按次计费的评测，会不会开始把「缓存命中率」和「每题调用次数」一起列出来。