Reflection 的 Beam：5010 亿参数开源模型主打效率，而非跑分

Beam 采用稀疏混合专家结构，训练用了 238000 亿 token。强化学习阶段动用了 10500 块 Nvidia GB300，跑了四周，生成超过 1 亿条 rollout。这些数字来自 Reflection 自己的发布公告。

按 Reflection 的说法，这些投入换来的不是榜首位置，而是更便宜的 token。在 Terminal Bench v2.1 上 Beam 得 80.1，Kimi K3 是 88.3，GLM 5.3 是 88.2。在 SWE Bench Pro v2-Hard 上 Beam 拿到 77.2，落后于 GLM 5.3 的 84.3 和 Kimi K3 的 88.2。Reflection 直说，Kimi K3 这类前沿开源模型在纯能力上仍然领先。对采购方来说，这套说法改变了买不买的判断依据：重点不再是誰排第一，而是大批量跑完一个任务要花多少钱。Reflection 称 Beam 的推理得分与 GLM-5.2 相当，推理算力却只用三分之一到四分之一；对上 Qwen 3.8-Max 这类 2万亿参数以上的模型，差距还会拉大。

目前 Reflection 之外还没有人验证过其中任何一项。权重、技术报告和模型卡都承诺在本月晚些时候放出，公司眼下在接受提前试用申请。厂商在独立复现之前公布的跑分，只能当作声明，不是结果。

跑分这一侧也在动

GitHub 发布了 ReviewBench，一个针对 AI 代码审查的开放基准，建在对 10390 万条 pull request 的分析之上。数据集本身是 219 条 pull request，来自 19 种语言的 187 个公开仓库，每条发现都标注了严重程度和类别。GitHub 称资深工程师独立校验过这套黄金集，现在这个基准能帮它预判 Copilot 代码审查的改动在生产环境里是否站得住。

Liquid AI 在同一天推出 d1，这是它第一个决策模型，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，在测试的六类应用中 d1 有四项追平或超过 GPT-6.1 Sol，成本比 GPT-6.1 Sol 或 Claude Opus 5.5 低 270 亿到 90 亿倍。这些对比同样出自厂商。

第三个发布走的是另一条路，不是更大而是更小。Jeff-Code 是 Pi 编程智能体的一个分叉，把 8 亿参数的决策模型和 Qwen 3.8-27B 配在一起。作者报告在 1242 个配对任务上通过率 62.4%，单用 Qwen 是 62.8%，每题耗时是基线的 0.68 倍。通过率的 95% 区间从负 2.6 个百分点到正 2.1 个百分点，所以质量差异并没有被证实。站得住的说法是速度。

这些数字没有回答的问题

Interfaze 发布了 Interfaze 1.1 Lite，一个混合架构模型，能在单块 80 GB GPU 上运行。它自己的表格里，GPQA Diamond 得 85.9，Interfaze 是 92.4，GPT-5.4-Mini 是 82.8；olmOCR-Bench 得 83.8，Interfaze 是 85.7。一页跨五家竞品的自报分数很难核查，但单卡这个部署约束是读者能自己验证的具体条件。

再往下是这些基准到底测没测到采购方需要的东西。Veris 在 VAmoS Pro Bench 上跑了 14 套语音方案，模拟 2694 通电话，发现当来电者背后开着电视时，汇总任务完成率从 38.7% 掉到 8.6%。14 套方案里有九套这类电话的完成率不到 5%。Phonic 以 57.5% 的完成率排在榜首；页面上被放在标题里的 Grok Voice 以 44.7% 排第二。

加州大学河滨分校的研究者给出了一个理由，说明为什么不该相信模型自信的输出。在 9 月 23 日发表的一项研究里，他们用稀疏自编码器检查了 Meta 的 Llama-3.1-8B 和 Google 的 Gemma-2-9B，发现与置信度相关的特征和与正确性相关的特征可以分开。压制不确定性特征会让准确率明显下降。换句话说，自信不等于答对。

等权重放出来，Reflection 的效率说法会接受同样的检验。在那之前，Beam 最有用的地方是它这套论证的形状：不是它赢了，而是它输一点也便宜。