Reflection发布Beam：5010亿参数开源权重模型，权重尚未放出，基准成绩由自家跑出

这篇博客10月5日上线，有一点写得很谨慎：Beam还没做完。公司写道，“Beam正在进行最后的红队测试和评估”，权重、技术报告、模型卡和开发者材料都承诺“本月晚些时候”发布。早期访问要走一个报名表。

Reflection目前公开的是一份规格表和一张自己跑出来的基准成绩表。这个区别对任何打算在自己的工作负载上评估这个模型的人都很重要。文章里没有一句提到独立测试什么时候会有。

架构是稀疏混合专家：总参数5010亿，每个token激活230亿，预训练用了238000亿token，Reflection称这些数据来自网络数据加上自有授权的数据集。强化学习阶段在10500块NVIDIA GB300 GPU上训练四周，跑了1亿次rollout。这些都是公司自己的数字，也是外部很难核实的数字。

效率主张才是卖点

Reflection把Beam定位成干活的模型，而不是前沿领跑者。在自家表格上，Beam在SWE-bench Verified上得80.9分，Inkling是77.6分，Nemotron 3 Ultra是70.7分。在Terminal Bench v2.1上它报80.1分，落后于GLM 5.3的88.2分、Kimi K3的88.3分和Qwen 3.8 Max的86.6分。

公司用直白的话承认了能力差距。文章写道：“Kimi K3这类前沿开源模型在纯能力上仍然领先，Beam的优势在推理时的效率。”它声称在高级推理基准上能取得与GLM 5.2相当的成绩，而推理算力只用3到4倍更少；面对Qwen 3.8 Max这种2万亿参数级别的模型，差距更大。

如果这一点站得住，大批量跑编码智能体的团队就要重算账了。决定智能体是每个pull request都跑、还是只在人工标记的那些上跑的，是推理成本，不是基准排名。这也会给在每token价格上领先的中国开源权重实验室带来压力。仍然未知的是许可证、权重格式，以及效率主张能不能扛住第三方测试框架。这些文章里都没写。

基准测试这一周自己也有新闻

时机凑得有点尴尬，但有用。同一天，GitHub发布了ReviewBench，一个针对AI代码审查的开放基准，建立在对平台上10390万条pull request的分析之上。数据集包含来自19种语言、187个公开开源仓库的219条pull request，语言和仓库规模分布与GitHub整体对齐。GitHub称资深工程师在发布前独立标注了黄金真阳性，并且刻意把pull request规模的权重偏向“可审查的中段和尾部”，而不是完全照搬平台分布。

GitHub还说，这个基准提升了它预测Copilot代码审查的改动能否在生产中见效的能力。有意思的地方在这里：这个基准是内部用来在上线前做筛选的，不是用来排榜的。

更小的团队从另一个方向提出了同样的论点。Jeff-Code的一份开发者发布（日期10月5日）把一个8亿参数的决策模型放进Pi编码智能体的循环里，与Qwen 3.8-27B并列。在1242个配对任务上，它报的通过率是62.4%，单用Qwen是62.8%，配对差为负0.2个百分点，95%区间为负2.6到正2.1，而平均每任务耗时降到基线的0.68倍。项目明确说明提速并不均匀：Terminal-Bench 2.0上是0.96倍，SkillsBench上是0.91倍，也就是说两项都没有明显收益。

这种披露比它本该有的频率要少见。它也让总体结论比一个头条百分比更可信。

决策模型、视觉，以及小模型攻势

Liquid AI在10月5日推出d1，称它是自家第一个决策模型，也是第一个同时处理图像和文本的决策模型。决策模型在一次前向传播中针对一组问题返回概率，而不是生成token。Liquid称一次文本决策耗时200到300毫秒，d1在六个测试应用中的四个上追平或超过GPT-6.1 Sol，成本比该模型和Claude Opus 5.5都低19到200倍。

公司报称，在公开的VisA数据集上做工业质检演示，区分良品和缺陷件的准确率为85%到97%，并称该模型从未针对这项任务训练过。它还报称，在编码智能体的上下文压缩测试中去掉了52%的token，同时保留了任务需要的每一项输出。这些都是厂商数字，由厂商自己跑，读的时候要按这个来读。

同样的谨慎也适用于Interfaze 1.1 Lite，一个10月5日发到Hugging Face上的开源权重多架构混合模型。它把一个推理核心与文档、语音、分割和预测的专家模型配对，作者称整套东西在一块80 GB GPU上运行，不依赖外部服务。它公布的对比表把MMMU-Pro上的成绩列为73.2分，Interfaze是71.1分，GPT-5.4-Mini是40.4分；VoxPopuli-Cleaned上的词错误率为3.01，Interfaze是2.4。在厂商自己的表上，结果好坏参半。

同一批里还有Veris，10月5日发布了一个语音智能体排行榜，基于2694通模拟的水电燃气账单电话。它发现，来电者背后有一台开着的电视时，汇总任务完成率从38.7%降到8.6%，14个语音技术栈里有9个这类电话的完成率不到5%。榜首的Phonic完成了57.5%的任务，延迟1.42秒。正如Veris自己指出的，这只是一场考试、一家公用事业公司的规则。

权重缺席为什么重要

这一批里Reflection的主张影响最大，因为它关乎规模化下的成本。它也是公司之外谁都还测不了的那个。公司说材料本月到位。在那之前，Beam是一个带着参数量的承诺。

当天其余发布指向同一个方向：更小的模型、专用模型，以及决定大模型什么时候才需要动脑的测试框架。这比再来一万亿参数便宜。也更难做基准，所以随它们一起发布的开放数据集，最后可能比模型本身更重要。