Reflection Beam：面向编程与智能体的501B开放权重模型详解

Reflection 已在 Hugging Face 上以 Apache 2.0 协议发布了其首款开放权重模型 Beam。Beam 是一款拥有 5010 亿参数的稀疏混合专家（Mixture-of-Experts，MoE）模型，专为编程、推理和长周期智能体任务而构建。本文将介绍该模型的发布内容、基准测试表现、托管 API 费用以及自行运行的方式——所有数据均来自 Reflection 官方模型卡。

什么是 Reflection Beam？

Beam 是一款稀疏 MoE 模型，总参数量为 5010 亿，每个 token 激活约 230 亿参数，发布版本为 Beam-1.0-501B-A23B。该模型为纯文本输入输出，专为编程、推理和智能体工作负载构建，重点强调 token 高效推理。

根据 Hugging Face 模型卡，Beam 共有 52 层（3 层密集层 + 49 层 MoE 层）、256 个专家、100 万 token 上下文窗口、152k token 词汇表，知识截止日期为 2026 年 6 月 30 日。该模型采用门控分组查询注意力机制（gated grouped-query attention）与滑动窗口注意力，以及改进版 Harmony 对话格式。

其核心卖点在于效率而非峰值能力：Reflection 表示，Beam 在达到与领先开放模型相当的解题质量的同时，推理所需的 token 数量减少约 3 倍，这一点在模型卡中有所说明。

许可证：完整的 Apache 2.0

对于开发团队而言，最重要的细节是许可证。Reflection 在 Hugging Face 上以 Apache 2.0 协议发布了 Beam 的权重——这是目前最宽松的许可证之一，允许商业使用、再分发和修改。

模型卡还明确指出，Reflection 不禁止蒸馏、使用输出结果训练其他模型、微调、参数高效适配、量化或模型合并。这种开放性使 Beam 在与 Kimi K3、DeepSeek 等模型的竞争中保持了持续的关注度，对于计划将 Beam 集成到产品中的团队而言尤为重要。

Beam 的基准测试

Reflection 的最终测试数据来自模型卡，评估参数为温度 0.7、top_p 0.99。以下是 BF16 精度下与智能体开发者最相关的各项测试结果：

• SWE-bench Verified：81.6% — 解决真实 GitHub 问题
• Terminal-Bench 2.1：80.1% — 命令行任务完成率
• SWE-bench Multilingual：78.3%
• GPQA Diamond：90.6% — 研究生级科学推理
• AIME 2026：97.7% — 竞赛数学
• LiveCodeBench：88.3%
• MCP Atlas：80.8% — 通过 MCP 服务器使用真实工具
• BrowseComp（含上下文管理）：76.8%
• HLE：无工具 36.0%，有工具 51.1%

对于开放模型而言，这些智能体和推理方面的得分相当亮眼，尤其考虑到其 token 效率的定位。Reflection 在其官方博客中将 Beam 定位为可与 GLM 5.2 等更大规模开放模型竞争，并在编程和智能体任务上接近 Qwen 3.8-Max。独立评测指出，Kimi K3 等模型在原始能力上仍有优势，因此应将 Beam 视为效率优先的选择，而非全面领先的前沿模型。

关于数据说明：早期报道引用 Baseten 发布文章时列出的数字略有差异（例如 SWE-bench Verified 为 80.9%）。上述模型卡数据为 Reflection 最终发布的基准测试结果，应以此为权威参考。

定价

Beam 可在 Apache 2.0 协议下免费下载并自行托管。如需调用托管端点，Reflection 已开放其第一方 API 的免费公测版。

在发布合作伙伴中，Baseten 公布的 Model API 定价为每百万输入 token 1.30 美元、每百万输出 token 0.13 美元，以及每百万缓存输入 token 4.30 美元。各服务商定价有所不同，请在测试当天查阅您所使用的具体端点的最新价格。

如何运行 Beam

Reflection 发布的 Beam 几乎可以开箱即用，在各类环境中运行。

权重与格式。 本次发布包含 BF16、FP8 和 NVFP4 精度格式，以及一个推测解码（speculative-decoding）草稿模型。Reflection 表示已与合作伙伴共同开发融合内核和服务配置，以降低内存占用并加速生成速度。

首日框架支持。 根据 Reflection 的公告，Beam 原生支持 Transformers（Hugging Face）、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 和 NVIDIA Dynamo，无需自定义管道即可从权重直接部署到生产端点。

平台支持。 Beam 在众多服务商上同步发布，包括 Amazon Web Services、Google Cloud、Baseten、CoreWeave、Databricks、Fireworks AI、Together AI、OpenRouter、Vercel、LM Studio 和 Ollama。对于本地部署、主权云及气隙（air-gapped）环境，Dell 和 HPE 提供防火墙内的部署方案。

Mirror CLI：开源智能体运行框架

Reflection 还开源了 Mirror CLI——其训练 Beam 所使用的终端智能体运行框架。Mirror 将 Python 前端（提示词、技能、开发者工具）与驱动模型的 Rust 智能体核心相结合，支持可恢复对话、独立工作树中的并行智能体、项目指令、MCP 连接以及 Python 扩展。

Reflection 表示，Mirror 最初是为内部工程团队构建的——具备隔离工作区、后台会话以及 Slack、Linear 和 GitHub 集成——随后才开源发布。Beam 同样兼容其他运行框架，包括 Pi、OpenCode 和 Hermes。

"智能体的开放操作系统"

Reflection 将此次发布定位为不仅仅是权重的开放。他们将整个软件包称为**"智能体的开放操作系统"**，以模型为内核，在基础设施层之上开放参考智能体集成、部署容器、推理集成和定制化流水线——并由 40 余家合作伙伴构成的生态系统提供支撑。

在定制化方面，Reflection 提供了微调和大规模强化学习的配方与集成（合作伙伴包括 NVIDIA、Hugging Face TRL、Anyscale 和 Axolotl），并表示将发布自蒸馏配方，并在未来的训练中采用 OpenEnv 环境标准。

谁应该关注 Beam？

• 智能体和编程工具开发者，希望使用具有宽松许可证、在 SWE-bench 和 MCP 工具调用方面表现出色的模型。
• 关注推理成本的团队，因为 token 效率定位意味着每项任务所需的推理 token 更少。
• 受监管或本地部署场景，需要同一套技术栈既能在笔记本电脑上运行，也能部署在防火墙之后。

如果您唯一的标准是在最难任务上的原始峰值能力，当前的开放模型领跑者可能仍略胜一筹。但如果宽松许可证、智能体工具调用和效率对您更重要，Beam 从发布第一天起就是一个值得认真考虑的选择。

借助 Eigent 让 Beam 等开放模型驱动您的 AI 工作团队

Beam 正是为多智能体系统所自动化的那类长周期、工具调用任务而生——读取代码仓库、执行命令、完成多步骤任务。Eigent 是一款开源"协作（Cowork）"桌面应用，能够将此类模型转化为本地 AI 工作团队，执行真实工作流，从审查 GitHub PR 到多步骤研究任务。由于 Eigent 支持灵活切换模型，您可以将其指向开放权重模型，同时保持对技术栈的完全掌控。下载 Eigent，构建您自己的智能体团队。