Reflection 的 Beam：独立评测证实了「省」，排名是美国开放权重第二

先说结论：Reflection 的第一个模型 Beam 在 10 月 16 日放出了权重。它最站得住的两点是许可证和用量：Apache 2.0，允许商用、修改和再分发；独立评测也证实它做题用的词元明显少于同档模型。至于「强」，独立评测给的位置是美国开放权重第二、全部开放权重第十，终端类任务和幻觉率是明显的短板。

这周已经是第三个「美国开放权重」新模型了。前两个，Meta 的 Muse Spark Open 和 NVIDIA 的 Nemotron 3.5 Super VL，我们分别写过标题里的限定词和尺寸分档。当时 Beam 的权重还拿不到，Meta 的对比表里只能引用 Reflection 的自报数字。现在权重和独立成绩都出来了，可以对一对账。

发生了什么

Reflection 是一家美国新实验室，Beam 是它的第一个模型。按官方博客（企业宣称）：总参数 5010 亿、每个词元激活 230 亿的混合专家模型，只收文本，上下文 100 万词元，主打编程、推理和长时间运行的智能体任务；权重以 Apache 2.0 许可证发布在 Hugging Face，同时开源了配套的命令行工具 Mirror，上线时号称有 40 多家合作方和集成，云厂商与推理服务商可直接调用。

Hugging Face 与 Reflection 合写的技术博客补充了部署门槛（背景资料）：BF16 权重约 1TB；4 位精度的 NVFP4 版本约 280GB，两张 B200 勉强放得下，建议用四张。也就是说，这是给企业机房和云服务商的模型，不是给个人电脑的。

厂商说了三件事，独立评测各给了什么答案

第一件：「推理效率是前沿水平」。这一条被证实了。 Reflection 在 10 月 5 日的预览文章里说，Beam 在推理测试上与 GLM-5.2 成绩相当，所需推理算力少 3 到 4 倍（企业宣称；这个算力是按「激活参数 × 生成词元」估出来的，不是实测账单）。Artificial Analysis（下称 AA）独立跑了自己的综合指数：Beam 每道题平均输出约 2.6 万个词元，分数只比它高 1 分的 K2 Horizon 要用约 5.2 万个，整套测试 Beam 共输出 7900 万词元，同档中位数是 1.3 亿（第三方评测）。口径不同，但方向一致：它确实「想得短」。

第二件：「推进了西方开放权重的前沿」。这一条要加限定。 AA 综合指数给 Beam 30 分，美国开放权重里排第二，在 Meta 的 Muse Spark Open（39 分）之后、NVIDIA 的 Nemotron 3.5 Super VL（26 分）之前；放进全部开放权重，它排第十（第三方评测）。值得说明的是，Reflection 自己并没有说最强。它的预览对比表里，Kimi K3、GLM 5.3、DeepSeek V4.1 Flash 在它们有报告的编程与终端项上大多高于 Beam，原文也写明 Kimi K3 这类模型「在原始能力上仍然领先」（企业宣称）。这一点比 Meta 的「美国最强」措辞更克制。

第三件：编程与终端任务成绩。这一条换了考卷，差别很大。 Reflection 自报 Terminal Bench v2.1 得分 80.1%（企业宣称）。AA 用的是更新的 Terminal-Bench 4.0，Beam 只有 3.0%，低于 Muse Spark Open 的 8.1%，也低于一个 270 亿参数的 Qwen3.8 27B 的 5.6%（第三方评测）。这两个数字不矛盾，它们不是同一份考卷；AA 列出的对比模型在 4.0 上也都是个位数，可见这一版整体难得多（分析推断）。但它说明「终端 80 分」只在 v2.1 这个版本上成立，换一份更难的卷子，Beam 的相对位置就往后掉了。AA 用 Reflection 自家的 Mirror 工具跑编程智能体指数，Beam 得 28 分，比排在它前面最近的组合（Claude Code 配 Qwen3.8 Max，43 分）低 15 分，比最高的 68 分低 40 分；好处还是省，只有两套组合用的词元比它少（第三方评测）。

两个容易被漏看的数字

单价不便宜。 AA 页面列出的标价是每百万输入词元 0.70 美元、输出 2.10 美元，同档开放权重中位数是 0.43 和 1.68 美元，AA 的原话是「有些贵」；跑一道综合指数题平均花 0.57 美元，输出速度每秒约 228 个词元，在同档里很快（第三方评测）。用得少、单价高，两者相抵之后按任务算贵还是便宜，取决于你的任务有多长、要多少推理，我们没有在 AA 页面上找到可以直接比较的同档中位数，所以不下结论。

知道得多，也编得多。 AA 的知识可靠性测试奖励答对、惩罚答错、不惩罚拒答。Beam 答对了 33% 的题，明显高于 K2 Horizon 的 18% 和 Qwen3.8 27B 的 16%；但幻觉率是 47%，后两者分别是 26% 和 30%。相抵之后的净分 1.5，仍然高于两者（第三方评测）。对要用它查事实的场景，这意味着答案要有出处可查，不能只看它说得多肯定。

另外，厂商自己的数字也在动。同一个 SWE-bench Verified，10 月 5 日预览写 80.9%，10 月 16 日 Hugging Face 博客转载的最终成绩写 81.6%；Reflection 在预览页注明 10 月 8 日更新过成绩（企业宣称）。差距不大，但它提醒读者，发布周里的自报成绩不是定稿。

为什么重要

对普通读者，Beam 的意义不在排名，而在选项。到这周为止，美国的大尺寸开放权重模型里，Muse Spark Open 分数更高，但许可证带「有限的商业条款」；Beam 分数低一截，但用的是 Apache 2.0，企业可以改、可以私有化部署、可以拿去再训练，Hugging Face 博客里给出了监督微调和强化学习的配方。对想把模型放进自己机房的公司来说，许可证往往比 9 分的指数差更早决定能不能用。

对评测这件事，Beam 是一个干净的样本：厂商的效率宣称被独立评测证实，排名宣称本来就克制，而最亮眼的终端分数在新版本考卷上站不住。三件事的结果不一样，说明读发布稿时不能整体信或整体不信，要一条一条问「谁测的、哪个版本、和谁比」。

我们不知道什么

• Beam 的安全技术报告已发布，我们这次没有逐项核对；AA 另测得它在网络安全任务指数上完成 34% 的任务，是 AA 测过的美国开放权重里最高的（第三方评测），这对一个 Apache 2.0 模型意味着什么，需要单独看。
• 按任务算的真实成本。AA 的 0.57 美元是在它自己的题目上，按标价算的；不同托管商价格不同，自建部署的成本又是另一回事。
• Terminal-Bench 4.0 上 3% 的成绩，有多少来自模型、多少来自工具链。AA 的这一项和 Reflection 的 v2.1 各自用什么工具跑，公开材料里写得不够细。

我们的看法

Beam 首先是一个「省」的模型，其次才谈得上「强」，Reflection 自己也基本这么定位。我们会把它当作美国开放权重里许可证最宽松的一档选项来看，而不是前沿的追赶者。什么情况下会改口：如果更多独立评测（尤其是多次重复、公开工具链的编程与终端测试）显示它和 Kimi K3、GLM 5.3 的差距明显缩小，或者第三方算出它按任务计的成本稳定低于同档模型，我们会上调这个判断。

接下来看什么

• Reflection 说已经在训练下一个模型，以及「几天内」放出自蒸馏配方（企业宣称）。
• 更多独立榜单与托管商的价格是否陆续公布，尤其是按任务计的成本。
• 这周三个美国开放权重模型的真实采用情况：下一期 Vercel 等平台的生产流量数据里，它们能分到多少调用和花费。