跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

Reflection 发布 Beam,用更少算力对标中国开放模型

10月5日,Reflection AI 发布 Beam。这是一个参数规模 5010亿的开放权重模型,目标是在推理算力少用 3 到 4 倍的情况下,追上 GLM-5.2 等中国对手。

人工智能与模型分析王雅琴发布: 2026年10月5日6 分钟阅读资料来源 15
Reflection 发布 Beam,用更少算力对标中国开放模型

Reflection AI 周一正式发布 Beam。

这家总部位于布鲁克林的初创公司称,其首个前沿开放权重模型在高级推理基准上追平了中国领先的开放模型,成本却低得多。西方想拿出 DeepSeek、Qwen 和 Z.ai 的对应产品,这次发布让这场竞赛进一步升温。

Beam 是纯文本的混合专家模型,总参数 5010亿,激活参数 230亿。它用 238000亿 token 预训练,上下文窗口为 100万 token。公司博客文章说,模型通过高算力强化学习训练,在推理、编程和智能体任务上表现良好。Reflection 表示,在高级推理基准上取得相近分数,Beam 所需的推理算力比对手少 3 到 4 倍。

这家初创公司把 Beam 的对手定位为 Anthropic 和 OpenAI 这类闭源实验室,以及中国开发者的人气开放模型。它在美国最直接的对手或许是 Inkling,即 Mira Murati 的 Thinking Machines Lab 于 7 月发布的开放模型。Reflection 自己的基准显示,在双方都公布结果的四项编程测试中,Beam 的分数高于 Inkling。不过 Inkling 是多模态模型,Beam 只处理文本。TechCrunch 报道称,此次发布证实了 Axios 此前的报道,即该公司已接近上线。

Reflection 由两名前 Google DeepMind 研究员于 2024 年创立,已从 Nvidia、Sequoia Capital 和 Lightspeed Venture Partners 等投资方融资约 47亿。上一轮融资对公司的投前估值为 250亿。今年夏天,这家初创公司与 SpaceX 和 Nebius 签下总额超过 70亿的协议,以确保到 2029 年获得 Nvidia GB300 芯片的使用权。公司把 Beam 瞄准企业和主权国家,推销的是让机构用自有专有数据训练 Reflection 模型,从而搭建定制化本地 AI 系统的方案。

效率这张牌

Reflection 认为,效率是当前市场最关键的区别点。公司称,在高级推理基准上 Beam 与 Z.ai 的 GLM-5.2 得分相当,但能耗和硬件要求明显更低。更大更贵的模型一直主导前沿,这次是直接挑战。公司把 Beam 称为面向企业、公共部门和开发者的“主力模型”,这些人需要高性能,又不想承担相应的开销。

模型的能力来自预训练和强化学习两方面的大投入。Reflection 表示,其高算力强化学习训练在 10500 块 NVIDIA GB300 GPU 上运行 4 周,产生了超过 1亿次 rollout。这种重基础设施的做法在前沿模型开发中很常见,但把重点放在推理效率上是一次战略转向。通过降低每个 token 的算力成本,Reflection 希望让更多付不起当前旗舰模型巨额电费的组织用上先进 AI。

竞争格局

开放权重模型这个领域越来越拥挤。中国实验室凭借高性能低成本模型主导了这一细分市场。Reflection 的加入为这个特定领域添了一个有分量的西方玩家。公司不只拼原始能力,也拼部署这些模型的经济可行性。对需要在采用 AI 技术的同时管好 IT 预算的企业来说,这个区别很重要。Nvidia 首席执行官黄仁勋力推的“AI 工厂”构想与这一目标一致,而 Nvidia 正是 Reflection 的投资方。Nvidia 的 GPU 将为这些系统提供算力,形成让模型提供方和硬件厂商都受益的协同生态。

据 BleepingComputer 报道,OpenAI 也在扩大变现方式,计划在用户用 ChatGPT 生成图片时展示视觉广告。这反映出整个行业在订阅之外寻找新收入来源的趋势。OpenAI 面向消费者做广告,Reflection 则瞄准企业基础设施,两种做法都说明 AI 公司承受着维持运营的财务压力。训练和提供大模型服务的成本极高,找到高效的创收方式是所有主要玩家的头等大事。

技术细节与基准

公司的技术文档详细列出了 Beam 在编程、智能体、推理和 STEM 等一系列基准上的表现。在 SWE Bench Pro v2-Hard 上,Beam 得分 77.2,Inkling 为 56.9,GLM 5.3 为 84.3。在 AIME 2026 推理基准上,Beam 得分 97.8。这些数字说明 Beam 与该领域一些顶级模型不相上下。不过公司也承认,Kimi K3 这类前沿开放模型在原始能力上仍然领先。Beam 的优势在推理阶段的效率,对大规模部署来说这可能是决定性因素。

在权重、技术报告和模型卡全面发布之前,模型还在进行最后的红队测试和评估。早期访问已开放报名。这种分阶段的做法让公司在正式公开发布前收集反馈、处理潜在问题。对编程和智能体性能的侧重说明,Reflection 认为这些是模型最有价值的应用方向。瞄准这些具体用例,Reflection 才能在真实场景中展示其效率主张的实际好处。

市场影响

Beam 的发布对 AI 市场影响更广。它表明西方公司愿意在成本和效率上竞争,而不只是拼原始性能。这可能带来更多样化的 AI 模型生态,不同玩家服务不同需求和预算。如果能从更多在性能与成本之间取得平衡的选项中挑选,企业采用 AI 技术可能会更容易。Beam 的开放权重属性还意味着开发者可以检查和修改模型,这有助于提升信任、方便定制。相比常被视为黑箱的闭源模型,这是明显的优势。

随着 AI 行业继续演进,对效率和成本效益的关注很可能变得更加重要。训练和提供大模型服务的能源成本,是企业和环境都关心的问题。开发更高效的模型,能让 Reflection 这样的公司为 AI 的更可持续未来出一份力。Beam 的发布是朝这个方向迈出的一步,也可能带动其他公司跟进。未来几个月,随着竞争格局继续变化,值得关注。

Reflection 的 Beam 是 AI 竞赛中的一步战略棋,把高性能和低成本结合在一起。通过瞄准企业和主权国家,公司希望在企业基础设施领域站稳脚跟。Nvidia 和 Sequoia Capital 等主要投资方的支持,说明它们看好这款模型的潜力。随着行业走向成熟,能否做到物有所值将成为关键区别点。Beam 有望在这个变化中的市场占据重要位置,为闭源模型和其他开放权重模型提供一个可行的替代选择。

评论 0

资料来源

15
  1. 01Reflection debuts Beam, an open-weight AI model to rival Chinese models at lower compute costEN
  2. 02Beam: Reflection's 501B open-weight modelEN
  3. 03OpenAI will show visual ads in ChatGPT while you generate imagesEN
  4. 04Sales of sub-€25,000 electric car models set to rise sevenfoldEN
  5. 05Mold Linker Version 3.0.0 Release – Rewritten in RustEN
  6. 06WSL containers is now generally availableEN
  7. 07Topological Models of Modal LogicEN
  8. 08I built a Chrome extension that brings TikTok-style video browsing to desktopEN
  9. 09Jeff-Code: a 0.8B model makes Qwen 3.8-27B coding 47% faster, same pass rateEN
  10. 10Reika – A coding agent CLI designed around small local models firstEN
  11. 11Expat 2.9.0 released, fixes two vulnerabilitiesEN
  12. 12d1: The most capable decision model, now with visionEN
  13. 13Interfaze-1-lite: the first open-weight model for deterministic taskEN
  14. 14NASA-IBM Lunar Foundation Model and fine-tuning codeEN
  15. 15Mollie strengthens Pay by Bank to power the next generation of European paymentsEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。