Reflection Mengumumkan Beam: Model Pemberat Terbuka 501 Bilion Parameter yang Hanya Menjalankan 23 Bilion pada Satu Masa

Jawapan ringkas: Pada 5 Oktober 2026, syarikat Amerika Syarikat Reflection AI mengumumkan Beam, model pemberat terbuka pertamanya. Ia mempunyai 501 bilion parameter secara keseluruhan, tetapi dibina sebagai model campuran pakar (mixture of experts), jadi hanya 23 bilion parameter yang aktif bagi setiap token, dan ia mengendalikan konteks berkesan sehingga satu juta token. Pemberat akan dikeluarkan di bawah lesen Apache 2.0, yang membenarkan penggunaan komersial, "lewat bulan ini", bersama laporan teknikal, kad model dan alatan pembangun. Setakat hari ini anda tidak boleh memuat turunnya; satu-satunya pilihan ialah mendaftar untuk program akses awal.

Perkara ini penting bagi mana-mana perniagaan yang mempertimbangkan untuk menjalankan AI di pelayan sendiri dan bukannya menghantar data mereka ke perkhidmatan awan di luar Kerajaan. Tetapi bacalah angka yang diterbitkan dengan tenang sebelum membuat rancangan berdasarkannya.

Apa yang Sebenarnya Diumumkan oleh Reflection

  • Saiz: 501 bilion parameter secara keseluruhan, 23 bilion aktif bagi setiap token, menggunakan seni bina campuran pakar yang jarang (sparse).
  • Latihan: 23.8 trilion token daripada data web dan set data berlesen, pada 6,144 GPU NVIDIA GB300 dalam masa kurang daripada empat minggu.
  • Pembelajaran pengukuhan: empat minggu lagi pada kira-kira 10,500 GPU GB300, dengan lebih daripada 100 juta rollout latihan.
  • Kegunaan sasaran: pengekodan, penaakulan dan kerja agentik, iaitu apabila model melaksanakan satu urutan langkah dengan sendirinya.
  • Kawalan penaakulan: satu tetapan yang menentukan sejauh mana model "berfikir" sebelum menjawab, supaya anda boleh memilih antara jawapan pendek yang pantas dan analisis yang lebih panjang.
  • Kecekapan: syarikat itu berkata Beam mencapai skor yang setanding dengan GLM-5.2 dalam penanda aras penaakulan lanjutan, sedikit di bawahnya dalam jadualnya sendiri, sambil menggunakan anggaran tiga hingga empat kali kurang pengiraan inferens. Angka itu dikira daripada parameter aktif dan token yang dijana, bukan kos perkhidmatan yang diukur.

Angka Seperti yang Diterbitkan, dan Siapa yang Mengatasinya

Reflection menerbitkan jadual perbandingan dengan tujuh model, termasuk GLM 5.2, Qwen 3.8 Max dan Kimi K3. Berikut ialah keputusan utama berbanding ketiga-tiga model itu, seperti yang dinyatakan dalam pengumuman:

  • Terminal Bench v2.1 (tugasan baris arahan): Beam 80.1, berbanding 81.0 bagi GLM 5.2, 86.6 bagi Qwen 3.8 Max dan 88.3 bagi Kimi K3.
  • MCP Atlas (penggunaan alatan melalui protokol MCP): Beam 78.7, berbanding 77.8, 84.5 dan 82.3.
  • GPQA Diamond (soalan sains peringkat pakar): Beam 90.5, berbanding 91.2, 92.6 dan 93.5.
  • DeepSWE v1.1 (membaiki isu perisian sebenar): Beam 44.4, berbanding 44.0, 51.0 dan 68.0.
  • AIME 2026 (matematik): Beam 97.8 berbanding 99.2 bagi GLM 5.2.

Bacaan jujur jadual ini: Beam bukanlah model terbuka yang paling kuat. Kimi K3 mendahuluinya dalam 13 daripada 14 penanda aras yang mempunyai skor kedua-duanya (satu-satunya pengecualian ialah tau3 banking, 38.0 bagi Beam berbanding 37.1), dan dengan jurang yang besar dalam pembaikan kod (68.0 berbanding 44.4 dalam DeepSWE). Apa yang dijual oleh Reflection ialah kecekapan: prestasi hampir dengan GLM-5.2 pada kos operasi yang lebih rendah. Skor Beam dilaporkan oleh Reflection sendiri, manakala syarikat itu berkata skor pesaing diambil daripada Artificial Analysis dan DataCurve. Kumpulan bebas tidak dapat menguji semula Beam sehingga pemberat dan laporan teknikal diterbitkan.

23 Bilion Aktif Tidak Bermaksud Pelayan Kecil

Inilah perkara yang paling disalah faham tentang model campuran pakar. Bilangan parameter aktif menentukan pengiraan bagi setiap token, iaitu kelajuan dan kos setiap jawapan. Tetapi memori masih perlu memuatkan keseluruhan model. Dengan kira-kira mudah, 501 bilion parameter memerlukan lebih kurang 500 GB memori GPU pada 8 bit setiap satu, atau kira-kira 1 TB pada 16 bit, untuk pemberat sahaja, sebelum cache konteks dan pengguna serentak. Reflection belum menyatakan ketepatan yang akan digunakan untuk mengeluarkan pemberat. Kita bercakap tentang pelayan dengan beberapa GPU berprestasi tinggi, bukan komputer meja. Reflection masih belum menerbitkan keperluan perkhidmatan rasmi atau versi termampat, jadi tunggulah maklumat itu sebelum anda menganggarkan bajet.

Apa Maksudnya bagi Perniagaan di Arab Saudi

Nilai sebenar mana-mana model pemberat terbuka terletak pada tempat ia dijalankan. Apabila model berjalan di pelayan anda atau di pusat data di dalam Kerajaan, data pelanggan, kontrak dan invois kekal di bawah kawalan anda. Ini memudahkan pematuhan kepada Undang-undang Perlindungan Data Peribadi (PDPL) yang diselia oleh Pihak Berkuasa Data dan Kecerdasan Buatan Saudi (SDAIA), terutamanya peraturannya tentang pemindahan data ke luar Kerajaan.

  • Ejen pengekodan dalaman: pasukan teknologi yang mahukan pembantu pengekodan tanpa menghantar kod sumbernya kepada perkhidmatan luar.
  • Automasi proses: ejen yang membaca permintaan dan memanggil alatan sistem dalaman, dan di sini skor MCP Atlas lebih penting daripada penanda aras matematik.
  • Analisis dokumen panjang: konteks satu juta token membolehkan anda membaca keseluruhan kontrak atau log dalam satu laluan, dengan syarat anda mengesahkan kualiti pemahamannya menggunakan fail anda sendiri.

Satu kaveat penting: pengumuman itu tidak menamakan bahasa yang disokong, dan tidak menyebut bahasa Arab. Satu-satunya keputusan pelbagai bahasa ialah SWE-Bench Multilingual pada 78.0, dan itu merujuk kepada bahasa pengaturcaraan, bukan bahasa manusia. Jangan anggap kualiti bahasa Arabnya baik sebelum anda mengujinya.

Cara Mendekatinya, Langkah demi Langkah

  • Jangan ubah rancangan anda hari ini: model ini tidak tersedia untuk dimuat turun, dan angkanya belum disemak secara bebas.
  • Sediakan set ujian daripada kerja anda sendiri: 50 hingga 100 tugasan sebenar, seperti mesej pelanggan berbahasa Arab, permintaan dan dokumen, bersama jawapan yang betul bagi setiap satu.
  • Bandingkan apabila pemberat dikeluarkan: Beam berbanding model terbuka yang sedang anda pertimbangkan, seperti Kimi K3, dari segi ketepatan, kependaman dan kos pelayan.
  • Kira kos penuh: pelayan, kuasa elektrik, operasi dan penyelenggaraan, berbanding kos API awan pada jumlah permintaan yang sama.
  • Bina lapisan penukaran: pastikan sistem anda memanggil model melalui satu antara muka tunggal, supaya anda boleh bertukar antara model tanpa membina semula aplikasi.

Beginilah cara kami bekerja di Origami apabila membina sistem AI untuk pelanggan kami: kami menguji model menggunakan data perniagaan itu sendiri, dan kami mereka bentuk sistem supaya model menjadi komponen yang boleh diganti, agar setiap pengumuman baharu tidak bertukar menjadi projek pembinaan semula. Jika data anda sensitif, baca panduan kami tentang Undang-undang Perlindungan Data Peribadi sebelum memilih tempat untuk menjalankannya.

Sumber