Reflection 发布 Beam：一款 5010 亿参数的开放权重模型，每次只运行其中 230 亿

简短回答：2026 年 10 月 5 日，美国公司 Reflection AI 发布了其首款开放权重模型 Beam。它总共有 5010 亿参数，但采用混合专家（mixture of experts）架构，因此每个 token 只有 230 亿参数处于激活状态，有效上下文最高可达一百万个 token。权重将以允许商业使用的 Apache 2.0 许可"在本月晚些时候"发布，同时发布的还有技术报告、模型卡和开发者工具。截至今天还无法下载；唯一的选择是报名参加抢先体验计划。

对于任何考虑在自己的服务器上运行 AI、而不是把数据发送到王国境外云服务的企业来说，这一点都很重要。但在据此做规划之前，请冷静地读懂公布的数字。

Reflection 实际发布了什么

  • 规模：总计 5010 亿参数，每个 token 激活 230 亿参数，采用稀疏混合专家架构。
  • 训练：使用 23.8 万亿个来自网络数据和授权数据集的 token，在 6,144 块 NVIDIA GB300 GPU 上训练，用时不到四周。
  • 强化学习：又在约 10,500 块 GB300 GPU 上进行了四周训练，训练 rollout 超过 1 亿次。
  • 目标用途：编程、推理和智能体工作，即模型自主执行一系列步骤。
  • 推理控制：一个决定模型在回答前"思考"多少的设置，让你可以在简短快速的回复和较长的分析之间选择。
  • 效率：该公司表示，Beam 在高级推理基准测试上取得了与 GLM-5.2 相当的分数，在其自己的表格中略低于后者，同时估计使用的推理算力少三到四倍。这个数字是根据激活参数和生成的 token 计算出来的，而不是实测的服务成本。

公布的数字，以及谁胜过它

Reflection 公布了一张与七个模型的对比表，其中包括 GLM 5.2、Qwen 3.8 Max 和 Kimi K3。以下是公告中针对这三款模型的主要结果：

  • Terminal Bench v2.1（命令行任务）：Beam 80.1，GLM 5.2 为 81.0，Qwen 3.8 Max 为 86.6，Kimi K3 为 88.3。
  • MCP Atlas（通过 MCP 协议使用工具）：Beam 78.7，对比 77.8、84.5 和 82.3。
  • GPQA Diamond（专家级科学问题）：Beam 90.5，对比 91.2、92.6 和 93.5。
  • DeepSWE v1.1（修复真实软件问题）：Beam 44.4，对比 44.0、51.0 和 68.0。
  • AIME 2026（数学）：Beam 97.8，GLM 5.2 为 99.2。

对这张表的客观解读是：Beam 并不是最强的开放模型。在两者都有分数的 14 项基准测试中，Kimi K3 有 13 项领先（唯一的例外是 tau3 banking，Beam 为 38.0，对方为 37.1），并且在代码修复上大幅领先（DeepSWE 上 68.0 对 44.4）。Reflection 卖的是效率：以更低的运行成本获得接近 GLM-5.2 的性能。Beam 的分数由 Reflection 自己报告，而该公司表示竞争对手的分数取自 Artificial Analysis 和 DataCurve。在权重和技术报告发布之前，独立团队无法重新测试 Beam。

230 亿激活参数并不意味着小服务器

这是混合专家模型中最常被误解的一点。激活参数的数量决定每个 token 的计算量，也就是每次回答的速度和成本。但内存仍然必须容纳整个模型。简单计算一下，5010 亿参数在每个参数 8 位的情况下大约需要 500 GB 的 GPU 显存，在 16 位下约需 1 TB，这还只是权重，尚未计入上下文缓存和并发用户。Reflection 没有说明将以何种精度发布权重。你需要的是一台配备多块高端 GPU 的服务器，而不是一台台式机。Reflection 尚未公布官方部署要求或压缩版本，因此在估算预算之前请先等待这些信息。

这对沙特企业意味着什么

任何开放权重模型的真正价值在于它运行在哪里。当模型运行在你的服务器上或王国境内的数据中心时，客户数据、合同和发票都在你的掌控之下。这使你更容易遵守由沙特数据和人工智能管理局（SDAIA）监管的《个人数据保护法》（PDPL），尤其是其中关于将数据传输到王国境外的规定。

  • 内部编程智能体：希望拥有编程助手、又不想把源代码发送给外部服务的技术团队。
  • 流程自动化：读取请求并调用内部系统工具的智能体，在这种场景下 MCP Atlas 的分数比数学基准更重要。
  • 长文档分析：一百万 token 的上下文让你可以一次读完整份合同或日志，前提是你要用自己的文件验证其理解质量。

一个重要的提醒：公告没有列出支持的语言，也没有提到阿拉伯语。唯一的多语言结果是 SWE-Bench Multilingual 的 78.0，而它指的是编程语言，而不是人类语言。在测试之前，不要想当然地认为它的阿拉伯语质量没问题。

如何着手，一步一步来

  • 今天不要改变你的计划：该模型尚不能下载，数字也未经独立审核。
  • 用你自己的工作准备一套测试集：50 到 100 个真实任务，例如阿拉伯语客户消息、请求和文档，并为每个任务附上正确答案。
  • 权重发布后进行比较：将 Beam 与你已经在考虑的开放模型（例如 Kimi K3）在准确率、延迟和服务器成本上进行对比。
  • 计算总成本：服务器、电力、运维和维护，并与相同请求量下云 API 的成本进行比较。
  • 构建切换层：让你的系统通过单一接口调用模型，这样就可以在不重建应用的情况下更换模型。

这就是 Origami 为客户构建 AI 系统时的工作方式：我们用企业自己的数据测试模型，并把系统设计成模型是一个可替换的部件，这样每一次新发布都不会变成一个重建项目。如果你的数据很敏感，在选择在哪里运行之前，请阅读我们的《个人数据保护法》指南。

来源