<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Reflection AI on 我的博客</title><link>https://blog.5616760.com/tags/reflection-ai/</link><description>Recent content in Reflection AI on 我的博客</description><generator>Hugo -- gohugo.io</generator><language>zh</language><lastBuildDate>Fri, 30 Oct 2026 20:40:00 +0800</lastBuildDate><atom:link href="https://blog.5616760.com/tags/reflection-ai/index.xml" rel="self" type="application/rss+xml"/><item><title>Beam 501B 全权重开源：它赢的不是分数，是账单</title><link>https://blog.5616760.com/0064.html</link><pubDate>Fri, 30 Oct 2026 20:40:00 +0800</pubDate><guid>https://blog.5616760.com/0064.html</guid><description>&#10; &lt;blockquote&gt;&#10; &lt;p&gt;&lt;strong&gt;一句话结论&lt;/strong&gt;：Beam 不是最强的编程模型，它是第一个把「&lt;strong&gt;完成一个任务要花多少钱&lt;/strong&gt;」当成核心指标做出来的开放权重模型。501B 总参数只激活 23B、RL 训练里加长度惩罚、推理强度分五档——三件事服务于同一个目标：砍 token 账单。代价是&lt;strong&gt;所有分数目前都是自报的&lt;/strong&gt;，独立评测还没出来。&lt;/p&gt;&#10;&#10; &lt;/blockquote&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="01--先把规格摆上桌"&gt;01 · 先把规格摆上桌&#10;&lt;/h2&gt;&lt;p&gt;Reflection AI 2026-10-05 发布 Beam，10-16 把权重放到 Hugging Face，Apache 2.0，无附加条款。&lt;/p&gt;&#10;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;项&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;数值&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;架构&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;稀疏 MoE，52 层（3 dense + 49 MoE）&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;参数&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;501.3B 总 / 23.4B 激活&lt;/strong&gt;（激活率 4.6%）&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;专家数&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;256 个细粒度路由专家&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;注意力&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Gated GQA + 滑动窗口（局部/全局交错）&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;上下文&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;1M tokens&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;词表&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;152k，Chat Template 为改版 Harmony&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;模态&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;纯文本（文本进、文本出）&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;精度&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;BF16 / FP8 / NVFP4&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;知识截止&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;2026-06-30&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;许可证&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;Apache 2.0&lt;/strong&gt;（不禁止蒸馏、不禁止用输出训模型）&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;语言&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;以英文为主&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&#10; &lt;blockquote&gt;&#10; &lt;p&gt;&lt;strong&gt;名字的坑&lt;/strong&gt;：搜&amp;quot;Beam&amp;quot;会撞上 Apache Beam（大数据流水线）和 beam search（解码算法）。查资料时加 &lt;code&gt;Reflection&lt;/code&gt; 或 &lt;code&gt;Beam 501B&lt;/code&gt; 才不会跑偏。&lt;/p&gt;&#10;&#10; &lt;/blockquote&gt;&#10;&lt;p&gt;40B 激活的 GLM-5.2、32B 激活的 Kimi K2、37B 激活的 DeepSeek-V3 摆在一起，&lt;strong&gt;23B 这个激活数字本身就是宣言&lt;/strong&gt;——同样的题，它打算少算一遍。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="02--训练账预算几乎全押在-rl-上"&gt;02 · 训练账：预算几乎全押在 RL 上&#10;&lt;/h2&gt;&lt;p&gt;整条链路分四段，每一段的算力配比很能说明取舍：&lt;/p&gt;&#10;&lt;pre class="mermaid" style="visibility:hidden"&gt;flowchart TD&#10; A["预训练 23.8T tokens&lt;br/&gt;6,144 张 GB300 NVL72&lt;br/&gt;不到 4 周"] --&gt; B["中训练&lt;br/&gt;上下文扩到 1M&lt;br/&gt;教学型长链推理数据"]&#10; B --&gt; C["RL 主训练&lt;br/&gt;10,500 张 GB300 / 4 周&lt;br/&gt;&gt;100M rollouts"]&#10; C --&gt; D["安全对齐教师&lt;br/&gt;独立 SFT + RL"]&#10; C --&gt; E["MOPD 双教师融合&lt;br/&gt;多教师 on-policy 蒸馏"]&#10; D --&gt; E&#10; E --&gt; F["Beam Instruct&lt;br/&gt;BF16 / FP8 / NVFP4"]&#10;&#10; style A fill:#2C3E50,stroke:#2C3E50,color:#fff&#10; style C fill:#E86A33,stroke:#E86A33,color:#fff&#10; style E fill:#3F6F5A,stroke:#3F6F5A,color:#fff&#10; style F fill:#56798A,stroke:#56798A,color:#fff&lt;/pre&gt;&lt;h3 id="21-预训练稳比快更值得记"&gt;2.1 预训练：稳，比快更值得记&#10;&lt;/h3&gt;&lt;ul&gt;&#10;&lt;li&gt;6,144 张 GB300 NVL72，端到端 &lt;strong&gt;不到 4 周&lt;/strong&gt;跑完 23.8T tokens。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;goodput 92.3%&lt;/strong&gt;——真正用于产出最终模型的有效训练步，占墙钟时间的 92.3%。同级大规模训练里这是很硬的数字。&lt;/li&gt;&#10;&lt;li&gt;全程只做了 &lt;strong&gt;9 次半自动回滚（rewind）&lt;/strong&gt;，触发原因是非确定性梯度范数尖峰和疑似 SDC（静默数据损坏）。&lt;/li&gt;&#10;&lt;li&gt;自建拓扑感知 Kubernetes 调度器 + 节点生命周期监控 + SDC 检测，是这套「几乎不停机」的前提。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;数据侧有个反直觉的细节值得记：常规清洗会淘汰约 &lt;strong&gt;95%&lt;/strong&gt; 的原始互联网 token，但这个流程同时发现——&lt;strong&gt;有 1.8T 高质量 token 被常规技术误杀&lt;/strong&gt;，其中 87% 是自筛的 web-code 数据，于是被专门捞了回来。&lt;strong&gt;「过滤太狠」和「过滤太松」是两个方向的损失，多数团队只盯后一个。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;h3 id="22-rl这才是钱花得最多的地方"&gt;2.2 RL：这才是钱花得最多的地方&#10;&lt;/h3&gt;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;指标&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;数值&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;参照&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;GPU&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;10,500 张 GB300&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;与预训练同一量级&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;时长&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;4 周&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Rollouts&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;&amp;gt;100M&lt;/strong&gt;（推理专家占 80M）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Inkling 30M、MiMo 753K&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;沙箱总量&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;约 &lt;strong&gt;13 亿&lt;/strong&gt;（含评测与消融）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;峰值 17 万并发&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;环境池&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;100 万个编码/Agent/STEM 环境&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;RL 阶段上下文&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;256K&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;比最终的 1M 保守&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;峰值 vCPU&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;883,006（占可分配 83%）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;23 个集群、GCP + AWS&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;推理集群与训练集群的 GPU 比例在 &lt;strong&gt;3.9:1 ~ 5.4:1&lt;/strong&gt; 之间浮动，同一训练血统内换过 &lt;strong&gt;5 种 GPU mesh 配置&lt;/strong&gt;而不丢状态。运行期间吞下 &lt;strong&gt;71 次推理事故&lt;/strong&gt;没停训练，容量恢复中位 8 分钟，损失算力只占服务 GPU-分钟数的 0.02%。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="03--最难的那一段异步策略梯度"&gt;03 · 最难的那一段：异步策略梯度&#10;&lt;/h2&gt;&lt;p&gt;规模化 RL 的真正敌人不是算力，是 &lt;strong&gt;policy staleness（策略陈旧）&lt;/strong&gt;：一次 rollout 可能跑几十分钟，前面 token 由一个 checkpoint 生成，后面的由另一个，训练器更新时看到的是「混血轨迹」。陈旧度一高，梯度就发散了。&lt;/p&gt;&#10;&lt;p&gt;Beam 的处理方式：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;&lt;strong&gt;每个 token 打上生成它的权重版本号&lt;/strong&gt;，算法显式处理陈旧度，而不是祈祷它别有影响。&lt;/li&gt;&#10;&lt;li&gt;系统性压缩训练引擎与推理引擎之间的数值不匹配。&lt;/li&gt;&#10;&lt;li&gt;实测可承受的极端情况：&lt;strong&gt;1 天陈旧度、落后当前策略 107 个权重版本&lt;/strong&gt;，数值仍稳定。&lt;/li&gt;&#10;&lt;li&gt;新权重从训练器到推理集群，&lt;strong&gt;中位 12 秒&lt;/strong&gt;；跨机架走 RoCE 分层分发，跨机架流量降 75%。&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;这条比任何一个 benchmark 分数都更能说明 Reflection 的工程底子——&lt;strong&gt;能扛住 107 个版本陈旧的异步 RL，是少数实验室才有的能力&lt;/strong&gt;。而它的直接产物，就是后面那套「省 token」的行为。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="04--分数怎么读它输在哪别装看不见"&gt;04 · 分数怎么读：它输在哪，别装看不见&#10;&lt;/h2&gt;&lt;p&gt;先放最能说明问题的一张表（Reflection 自报，对比模型取自家博客 10-05 版）：&lt;/p&gt;&#10;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;基准&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;Beam&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;Kimi K3&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;DeepSeek V4.1 Flash&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;GLM 5.3&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;Qwen 3.8 Max&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;SWE-bench Verified&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;80.9&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;SWE Bench Pro v2-Hard&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;77.2&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;88.2&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;84.3&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;—&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Terminal Bench v2.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;80.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;88.3&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;90.6&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;88.2&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;86.6&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;DeepSWE v1.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;43.3&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;68.0&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;74.2&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;61.0&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;51.0&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;&lt;strong&gt;读法&lt;/strong&gt;：SWE-bench Verified 这一栏 Beam 能打，但到了更接近真实工程复杂度的 DeepSWE v1.1 和 Pro v2-Hard，差距是 20–30 个点。Terminal Bench 上它几乎全场垫底。Reflection 自己在发布文里也承认：&lt;strong&gt;Kimi K3 在裸能力上仍然领先，Beam 的优势在推理时效率。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;h3 id="41-一个被忽略的好消息量化几乎不掉点"&gt;4.1 一个被忽略的好消息：量化几乎不掉点&#10;&lt;/h3&gt;&lt;p&gt;Model card 把三档精度分开列了，这是自部署方最该看的一行：&lt;/p&gt;&#10;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;基准&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;BF16&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;FP8&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;NVFP4&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;SWE-bench Verified&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;81.6&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;80.2&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;80.7&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;SWE Bench Pro v2-Hard&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;76.5&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;78.4&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;78.6&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Terminal Bench v2.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;80.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;78.9&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;78.4&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;DeepSWE v1.1&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;43.3&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;43.0&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;42.7&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;NVFP4 相对 BF16，最差也只掉 1.7 个点，而&lt;strong&gt;权重体积从 933.81 GiB 砍到 273 GiB&lt;/strong&gt;（下一节有账）。这几乎是在说：除非你在做评测，否则没理由不开量化。&lt;/p&gt;&#10;&lt;h3 id="42-引用时注意口径"&gt;4.2 引用时注意口径&#10;&lt;/h3&gt;&lt;p&gt;同一批模型有两套数字：10-05 博客表（DeepSWE 44.4、SWE-bench Verified 80.9、Pro v2-Hard 77.2）和 10-16 model card（43.3 / 81.6 / 76.5），model card 注明 &amp;ldquo;Update 10/27/26&amp;rdquo;。&lt;strong&gt;写文章、做选型对比时以 model card 为准&lt;/strong&gt;，博客表的数字已被官方更新覆盖。&lt;/p&gt;&#10;&lt;p&gt;另外 model card 未披露 pass@k 与采样次数，只给了 &lt;code&gt;temp=0.7, top_p=0.99&lt;/code&gt;。对比表里 &lt;code&gt;SWE Atlas Codebase QnA&lt;/code&gt; 一行的 GLM 5.3 / Kimi K3 数值与 &lt;code&gt;DeepSWE v1.1&lt;/code&gt; 完全相同，疑似录入重复——&lt;strong&gt;引用需谨慎&lt;/strong&gt;。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="05--省-token的三层机制"&gt;05 · 「省 token」的三层机制&#10;&lt;/h2&gt;&lt;p&gt;这是全篇最实的一块。Reflection 声称同级得分下推理算力只用 &lt;strong&gt;1/3 到 1/4&lt;/strong&gt;，机制可以拆成三层：&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;第一层｜RL 里加长度惩罚。&lt;/strong&gt; 奖励正确解，同时惩罚不必要的 token。结果是 RL 早期出现了一个反常现象——&lt;strong&gt;性能在涨，completion 长度在降&lt;/strong&gt;。模型先学会「用更少的字解题」，等 agent 能力长起来之后长度才回升，但那时多出来的 token 是有产出的。这篇论文式的两阶段 Pareto：先向内收缩，再向外扩张。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;第二层｜reasoning effort 五档。&lt;/strong&gt; &lt;code&gt;low / medium / high / xhigh / max&lt;/code&gt;，外加 &lt;code&gt;preserve_thinking&lt;/code&gt; 让推理内容跨轮保留在上下文里。同一份权重，日常改 bug 用 low，架构重构用 max，成本曲线由调用方自己捏。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;第三层｜极致稀疏 + 均匀负载。&lt;/strong&gt; 4.6% 激活率已经很激进，更狠的是负载均衡：采用 aux-loss-free 算法（DeepSeek 那套）并加了 &lt;strong&gt;expert-bias 更新的 cosine decay&lt;/strong&gt;，再叠一层 sequence-level balancing。预训练结束时，&lt;strong&gt;最忙专家在各 MoE 层的平均负载只有 1.04 倍&lt;/strong&gt;。这直接决定 MoE 部署的显存长尾——1.04 倍意味着不需要为「某个专家特别热」预留额外冗余。&lt;/p&gt;&#10;&lt;h3 id="51-但省算力这个数字有口径陷阱"&gt;5.1 但「省算力」这个数字有口径陷阱&#10;&lt;/h3&gt;&lt;p&gt;Reflection 的效率估算方法是：&lt;/p&gt;&#10;&lt;pre tabindex="0"&gt;&lt;code&gt;FLOPs ≈ 2 × 激活参数量 × 每次尝试的平均生成 token 数&#10;&lt;/code&gt;&lt;/pre&gt;&lt;p&gt;并且&lt;strong&gt;明确排除&lt;/strong&gt;了 prompt prefill、随上下文长度增长的 attention 计算，以及 serving 开销。&lt;/p&gt;&#10;&lt;p&gt;对聊天场景这没问题。&lt;strong&gt;对编程 Agent 恰恰是最失真的一块&lt;/strong&gt;：喂 20 万 token 的仓库进去，prefill 和 attention 才是成本主力，而你省下的那 3 倍 output token 占比被稀释了。所以准确的说法是——&lt;/p&gt;&#10;&#10; &lt;blockquote&gt;&#10; &lt;p&gt;Beam 省的是&lt;strong&gt;生成端&lt;/strong&gt;的算力，不是&lt;strong&gt;任务端&lt;/strong&gt;的账单。任务越长、上下文越重，这个折扣打得越狠。&lt;/p&gt;&#10;&#10; &lt;/blockquote&gt;&#10;&lt;p&gt;同理，token 效率也不等于质量：&lt;strong&gt;更短的推理，什么时候是真的高效，什么时候是把没做完的活藏起来了&lt;/strong&gt;，只能靠独立评测回答，而独立评测目前还没有。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="06--落地硬件账与-api-账"&gt;06 · 落地：硬件账与 API 账&#10;&lt;/h2&gt;&lt;h3 id="61-权重体积"&gt;6.1 权重体积&#10;&lt;/h3&gt;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;精度&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;体积&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;最低可用配置&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;BF16&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;933.81 GiB&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;需 8×H200（141GB）勉强，1M 上下文不够&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;FP8&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;468.72 GiB&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;8×H100 / H200 单机可跑&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;NVFP4&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;273 GiB&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;4×H200 量级&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;官方说法：量化版本可装在&lt;strong&gt;单台八卡服务器&lt;/strong&gt;上，覆盖 H100 / H200 / GB300 配置。&lt;/p&gt;&#10;&lt;p&gt;⚠️ 这只是&lt;strong&gt;权重下限&lt;/strong&gt;。1M 上下文的 KV cache 另算，实际生产部署留 1.5–2 倍显存冗余是常规做法。个人开发者基本无解——Ollama 上目前只有云端 tag，想本地跑起步 80GB 显存。&lt;/p&gt;&#10;&lt;h3 id="62-api-价格两个数字打架务必核对"&gt;6.2 API 价格：两个数字打架，务必核对&#10;&lt;/h3&gt;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;来源&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;输入&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;缓存输入&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;输出&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;Baseten 模型库页面（当前）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;$0.40&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;$0.04&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;$1.20&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;多家媒体转引（10-16 / 10-17）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;$1.30&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;$4.30&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;$0.13&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;两边对不上，而且&lt;strong&gt;输出价差了近 10 倍&lt;/strong&gt;，转引版本里「缓存输入 $4.30 比输入 $1.30 还贵」本身就不合逻辑。&lt;strong&gt;做成本模型请以平台模型库实时页面为准，不要拿新闻稿里的数字算账。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;按 Baseten 当前价粗算一次中等编程任务的输出成本：&lt;/p&gt;&#10;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;假设&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;计算&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;结果&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;输入 100K、输出 40K tokens&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;100K×$0.40/M + 40K×$1.20/M&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;≈ $0.088 / 任务&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;同上但 90% 输入命中缓存&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;100K 混合 + 40K 输出&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;≈ $0.049 / 任务&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;若真如声称省 3× output token&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;输出降到 13K&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;≈ $0.023 / 任务&lt;/strong&gt;&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;p&gt;单次不到一毛钱。Agent 场景的真正成本从来不在单价，在&lt;strong&gt;重试次数和返工率&lt;/strong&gt;——这也正是「省 token」主张最需要被验证的地方。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="07--被低估的部分mirror-cli"&gt;07 · 被低估的部分：Mirror CLI&#10;&lt;/h2&gt;&lt;p&gt;权重放出来只解决「能不能用」，用起来顺不顺手靠 harness。Reflection 顺手把自己内部用的终端 Agent 也开源了，这个东西的设计比模型架构更值得抄。&lt;/p&gt;&#10;&lt;pre class="mermaid" style="visibility:hidden"&gt;flowchart LR&#10; A["Python 前端&lt;br/&gt;prompts / skills / 开发者工具"] --&gt;|"本地连接"| B["Rust Agent 核心&lt;br/&gt;极简，只驱动模型"]&#10; B --&gt; C["模型&lt;br/&gt;Beam / 任意 endpoint"]&#10; A --&gt; D["扩展体系&lt;br/&gt;MCP / Python extensions"]&#10; B --&gt; E["干净评测面&lt;br/&gt;结果可复现"]&#10;&#10; style A fill:#2C3E50,stroke:#2C3E50,color:#fff&#10; style B fill:#E86A33,stroke:#E86A33,color:#fff&#10; style E fill:#3F6F5A,stroke:#3F6F5A,color:#fff&lt;/pre&gt;&lt;p&gt;关键设计决策只有一句：&lt;strong&gt;核心保持最小，让它同时充当干净的评测面&lt;/strong&gt;。产品层的复杂度（prompt、技能、工具编排）全在 Python 侧，Rust 核心里只有「驱动模型」这一件事。所以通过 Mirror 跑出来的分数是可复现的——这在 agent harness 领域是个稀缺属性。&lt;/p&gt;&#10;&lt;p&gt;能力清单：&lt;/p&gt;&#10;&lt;ul&gt;&#10;&lt;li&gt;可恢复会话、&lt;strong&gt;独立 worktree 里并行跑多个 agent&lt;/strong&gt;&lt;/li&gt;&#10;&lt;li&gt;项目指令、skills、MCP 连接、Python 扩展&lt;/li&gt;&#10;&lt;li&gt;工具调用审批与过程观察，可随时介入 steer&lt;/li&gt;&#10;&lt;li&gt;从内部用法继承来的 Slack / Linear / GitHub 集成，以及&lt;strong&gt;关掉笔记本 agent 继续跑&lt;/strong&gt;的后台会话&lt;/li&gt;&#10;&lt;/ul&gt;&#10;&lt;p&gt;Reflection 的原话是这些功能先为自己工程师做，看到生产力提升（尤其代码审核）之后才演化成开源工具。&lt;strong&gt;Beam 也是照着不同 harness 的脾气训出来的&lt;/strong&gt;——Pi、OpenCode、Hermes 都测过。&lt;/p&gt;&#10;&lt;p&gt;生态侧 40+ 伙伴，day-0 支持 Transformers / vLLM / SGLang / Unsloth / Axolotl / TokenSpeed / NVIDIA Dynamo。上线平台从 AWS、Azure、GCP、Databricks、Cloudflare 一路到 Ollama、LM Studio、OpenRouter、Vercel。&lt;strong&gt;Dell 和 HPE 提供防火墙内与气隙环境交付&lt;/strong&gt;——这一条对国内政企场景的意义，比榜单排名大得多。&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="08--谁该用谁别碰"&gt;08 · 谁该用，谁别碰&#10;&lt;/h2&gt;&lt;table&gt;&#10;&#9;&lt;thead&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;你的处境&lt;/th&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;th&gt;建议&lt;/th&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/thead&gt;&#10;&#9;&lt;tbody&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;要自建编程 Agent，且 GPU 在 8×H100/H200 以上&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;值得试&lt;/strong&gt;。Apache 2.0 + NVFP4 273 GiB，是当前最省显存的 500B 级底座&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;政企/涉密环境，必须私有化&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;重点候选&lt;/strong&gt;。Dell/HPE 气隙交付 + 全权重可微调&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;追求绝对最强编码能力&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;别用&lt;/strong&gt;。Kimi K3、DeepSeek V4.1 Flash 在硬指标上领先 10–30 个点&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;想拿它做中文为主的业务（图纸说明、国标条文、中文合同）&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;先测再定&lt;/strong&gt;。官方明确「以英文为主」，中文能力没有任何公开评测&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;只有一张 24G/48G 卡&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;用 API&lt;/strong&gt;。273 GiB 起，本地无解&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&#9;&#9;&lt;tr&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;需要确定性成本模型&lt;/td&gt;&#10;&#9;&#9;&#9;&#9;&#9;&lt;td&gt;&lt;strong&gt;等独立评测&lt;/strong&gt;。目前所有效率数字都是自报，且口径排除了 prefill&lt;/td&gt;&#10;&#9;&#9;&#9;&lt;/tr&gt;&#10;&#9;&lt;/tbody&gt;&#10;&lt;/table&gt;&#10;&lt;h3 id="81-三个自测动作约半天"&gt;8.1 三个自测动作（约半天）&#10;&lt;/h3&gt;&lt;ol&gt;&#10;&lt;li&gt;&lt;strong&gt;单仓理解&lt;/strong&gt;：找一个 10k 文件的仓库，让它 summarize 模块依赖，人肉核对 20% 的结论。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;单 diff 生成&lt;/strong&gt;：给一个真实的 issue，只允许改一个文件，看它是否越界改别处。&lt;/li&gt;&#10;&lt;li&gt;&lt;strong&gt;一日 tool-call 链&lt;/strong&gt;：跑一个多步任务，记录 &lt;strong&gt;总 token 数 / 重试次数 / 人工介入次数&lt;/strong&gt;。第三个数才是决定它能不能进流水线的那个。&lt;/li&gt;&#10;&lt;/ol&gt;&#10;&lt;p&gt;对照基准用自己的主力模型。&lt;strong&gt;若「长任务 token 消耗」降幅超过 8% 而成功率不掉，Beam 就值得进候选；若 token 降了、成功率也降了，那就是把活藏起来了。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;hr&gt;&#10;&lt;h2 id="09--三条冷思考"&gt;09 · 三条冷思考&#10;&lt;/h2&gt;&lt;p&gt;&lt;strong&gt;一、自报数据的窗口期还没过。&lt;/strong&gt; 10-05 发布时权重未放，所有分数来自 Reflection；10-16 权重放出后，独立评测（Artificial Analysis、Arena 等已参与预发布测试）尚未形成公开横评。&lt;strong&gt;开源的意义之一就是让第三方能证伪&lt;/strong&gt;——现在正是证伪期，别急着把它的数字写进你的技术选型文档。&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;二、token 效率是这个行业正在换的赛道。&lt;/strong&gt; 过去两年比的是「谁的分数高」，接下来比的是「同样做完一件事，谁花的钱少」。Beam 押的是后者，且押得很干脆——它甚至不掩饰自己在裸能力上不是第一。这个姿态值得注意：&lt;strong&gt;当一个模型厂商开始公开承认「我不是最强」，通常意味着它找到了自己认为更有价值的战场。&lt;/strong&gt;&lt;/p&gt;&#10;&lt;p&gt;&lt;strong&gt;三、工程能力比模型能力更难复制。&lt;/strong&gt; 107 个权重版本的陈旧度、92.3% 的 goodput、9 次回滚、12 秒权重分发、71 次事故不停训——这些数字背后是调度器、SDC 检测、分层分发一整套自建基础设施。&lt;strong&gt;模型权重可以下载，这套东西不能。&lt;/strong&gt; 这也是为什么开源权重发布之后，真正的护城河反而更清晰了。&lt;/p&gt;&#10;&#10; &lt;blockquote&gt;&#10; &lt;p&gt;参考：Reflection 官方发布文（2026-10-05）、权重发布公告（2026-10-16）、Beam Model Card、Beam Safety Technical Report、Baseten 模型库。所有 benchmark 数字均为厂商自报，效率数字为估算值而非实测。&lt;/p&gt;&#10;&#10; &lt;/blockquote&gt;&#10;</description></item></channel></rss>