Reflection AI 发布 Beam：5010亿参数开源权重模型，直指中国对手

总部位于布鲁克林的初创公司 Reflection AI 于10月5日周一发布 Beam。

TechCrunch 报道称，Reflection 证实了 Axios 此前关于即将发布的报道。公司在博客文章中说明了模型架构，称 Beam 是纯文本的混合专家（MoE）模型。总参数为5010亿，推理时只有230亿处于激活状态。模型在238000亿 token 上完成预训练，支持一百万 token 的上下文窗口。作为对照，Z.ai 的 GLM-5.2 总参数约7440亿，激活参数400亿。Beam 的激活规模因此小得多。

Reflection 称，Beam 在高级推理基准上的得分与 Z.ai 的 GLM-5.2 相当。

这家初创公司把 Beam 称为"主力模型"，面向企业、公共部门以及需要高吞吐处理、又不愿承担闭源 API 高价的开发者。

Beam 的技术基础很大程度上依赖高算力强化学习（RL）。Reflection 的博客文章提到，这次 RL 训练产生了超过1亿次 rollout。该训练阶段在10500块 NVIDIA GB300 GPU 上进行了四周。公司强调，对 RL 基础设施的这笔投入让 Beam 在编程和智能体任务上能与 Qwen 3.8-Max 等更大的模型竞争，尽管参数量更低。

Beam 目前正在进行最后的红队测试和评估。

此次发布正值美中 AI 能力差距收窄之际。彭博行业研究在10月4日周日报告称，美国在 AI 上对中国的领先已经缩小，DeepSeek 的进展把性能差距压缩到仅3%。在这样的背景下，Reflection 声称与 Z.ai 的 GLM-5.2 持平就显得格外重要。如果属实，Beam 将挑战一种说法，即只有中国最大的模型才能以有竞争力的价格提供前沿级推理。

Reflection 把 Beam 同时对准 Anthropic、OpenAI 这样的闭源实验室，以及 Mistral、Meta 等西方厂商的开源模型。最直接的美国对手似乎是 Inkling，这是 Mira Murati 的 Thinking Machines Lab 于7月发布的开源模型。按照 Reflection 的内部基准，在双方都公布结果的四项编程测试中，Beam 的得分高于 Inkling。但有一个关键区别：Inkling 是多模态模型，Beam 只处理文本。这一限制可能让 Beam 在需要图像或视频处理的应用中用处受限，而这类能力正逐渐成为前沿部署的标配。

AI 行业的基准对比经常存在争议。

10月5日发布的 Veris AIsolutions 排行榜，对特定垂直领域的性能给出了另一种画面。在其面向语音智能体的 VAmoS Pro Bench 中，Grok Voice 以44.7%的任务完成率位居榜首，其他模型落后。该基准关注语音交互，而非通用推理或编程，这也说明性能指标本身是分裂的。一个在文本推理上出色的模型，未必能在智能体或语音驱动的工作流中领先，这让 Beam 与现有市场领先者之间的直接比较容易变得复杂。

GitHub 同样在10月5日发布的新基准 ReviewBench，则从代码审查能力提供了另一个角度。该基准分析了超过1亿个真实拉取请求，用来刻画代码审查工作量的分布。它包含19种语言下的219个公开拉取请求。GitHub 表示，借助这个新工具，他们对 Copilot 代码审查的离线评估在预判生产实验方向上变得更有效。Reflection 声称 Beam 在编程上很强，但缺少在 ReviewBench 这类标准化、公开可用的基准上的独立验证，Beam 编程能力的全貌仍不清楚。

Reflection 由两位前 Google DeepMind 研究员于2024年创立。

据 TechCrunch 引用的 PitchBook 数据，这家初创公司已从 Nvidia、Sequoia Capital 和 Lightspeed Venture Partners 等投资方筹集约47亿美元。上一轮融资对公司的估值为250亿美元的投前估值。这笔资金对于获取训练前沿模型所需的算力至关重要。业内共识是，算力渠道是吸引客户离开闭源模型和中国实验室更便宜的开源权重替代品的关键条件。

今年夏天，Reflection 与 SpaceX 和 Nebius 签下价值超过70亿美元的协议。这些协议确保其到2029年都能获得 Nvidia 的 GB300 芯片。对 Nvidia 硬件的依赖是一把双刃剑；它保证了顶级性能，却也把公司的路线图紧紧绑在其最大投资方身上。Nvidia 首席执行官黄仁勋长期推崇"AI 工厂"的概念，这一愿景对 Nvidia 有利，因为这些系统用的正是它的 GPU。Reflection 打算把"AI 工厂"卖给企业和主权国家，让机构用自有数据训练 Reflection 的模型，从而搭建本地化的定制 AI 系统。

Axios 报道称，对冲基金和交易公司是急于搭建这类系统的客户之一。

与标准 API 服务相比，"AI 工厂"模式提供了不同的价值主张。通过支持在私有数据上本地训练，Reflection 回应了金融机构和政府机构最为看重的数据主权关切。这一战略转向表明，Reflection 的长期目标不只是发布有竞争力的模型，而是为私有化 AI 部署建立一层基础设施。

Beam 发布的时机，恰逢 AI 生态中的其他重要动向。10月5日，Liquid AI 推出决策模型 d1，同时支持文本和图像。Liquid AI 称，d1 在六个真实应用中的四个上追平或超过 GPT-6.1 Sol，而成本低19倍到200倍。小玩家这种激进定价，凸显出前沿模型必须为自身算力成本给出理由的压力。同样，GitHub 在同一天发布 ReviewBench，也表明行业在推动更严格、更标准化的评估方法。

Reflection 进入市场，让当前 AI 行业的格局更加复杂。公司必须证明其效率主张能转化为企业实实在在的节省。如果 Beam 兑现了以一小部分成本提供前沿性能的承诺，它可能打乱闭源和开源对手的定价模式。但在缺少独立验证的情况下，行业仍持怀疑态度。随着权重发布和第三方基准测试展开，未来几周至关重要。就目前而言，Reflection 已为西方开源权重阵营立下高标准，向中国领先者发起挑战，也为全球 AI 竞赛的新阶段铺开了场地。