Reflection Beam：501B 開放權重編程與智能代理模型詳解

Reflection 已發布 Beam，這是其首個開放權重模型，權重已在 Hugging Face 上以 Apache 2.0 授權發布。Beam 是一個擁有 5010 億參數的稀疏混合專家（Mixture-of-Experts，MoE）模型，專為編程、推理及長時程智能代理工作而設。本指南涵蓋已發布的內容、基準測試表現、透過託管 API 的費用，以及如何自行運行——所有數據均來自 Reflection 官方模型卡。

什麼是 Reflection Beam？

Beam 是一個稀疏混合專家（MoE）模型，總參數量達 5010 億，每個 token 約啟用 230 億個參數，以 Beam-1.0-501B-A23B 發布。它採用文字輸入、文字輸出的形式，專為編程、推理及智能代理工作負載而設，並著重於 token 高效推理。

根據 Hugging Face 模型卡，Beam 共有 52 層（3 層密集層 + 49 層 MoE 層）、256 個專家、100 萬 token 的上下文視窗、152k token 詞彙表，以及截至 2026 年 6 月 30 日的知識截止日期。它採用門控分組查詢注意力機制（gated grouped-query attention）配合滑動視窗注意力，以及改良版 Harmony 對話格式。

其核心賣點在於效率而非峰值能力：Reflection 表示，Beam 在達到與領先開放模型相當的解題質量的同時，推理時所需的 token 數量約減少 3 倍，此點已在模型卡中說明。

授權：完整的 Apache 2.0

對於各開發團隊而言，最重要的細節是授權條款。Reflection 在 Hugging Face 上以 Apache 2.0 授權發布了 Beam 的權重——這是目前最寬鬆的授權之一，允許商業使用、再發布及修改。

模型卡亦說明，Reflection 不禁止蒸餾、使用輸出結果訓練其他模型、微調、參數高效適配、量化或合併。這種寬鬆態度使開放模型在與 Kimi K3 及 DeepSeek 等發布版本的競爭中保持競爭力，若您計劃將 Beam 整合至產品中，這一點尤為重要。

Beam 的基準測試

Reflection 的最終數據載於模型卡，評估時採用溫度 0.7 及 top_p 0.99。以下是對智能代理開發者而言最重要類別的 BF16 結果：

• SWE-bench Verified：81.6% — 解決真實 GitHub 問題
• Terminal-Bench 2.1：80.1% — 命令列任務完成率
• SWE-bench Multilingual：78.3%
• GPQA Diamond：90.6% — 研究生級科學推理
• AIME 2026：97.7% — 競賽數學
• LiveCodeBench：88.3%
• MCP Atlas：80.8% — 透過 MCP 伺服器使用真實工具
• BrowseComp（含上下文管理）：76.8%
• HLE：無工具 36.0%，有工具 51.1%

對於開放模型而言，這些是相當出色的智能代理及推理分數，尤其考慮到其 token 效率的定位。在 Reflection 自家博客上，Reflection 將 Beam 定位為可與 GLM 5.2 等更大型開放模型競爭，並在編程及智能代理任務上接近 Qwen 3.8-Max。獨立評測指出，Kimi K3 等模型在原始能力上仍領先，因此應將 Beam 視為效率優先的選擇，而非全面的前沿突破。

關於數據的一點說明：早期引用 Baseten 發布文章的報道列出了略有不同的數字（例如 SWE-bench Verified 為 80.9%）。上述模型卡數值為 Reflection 最終發布的基準測試結果，應以此作為權威參考。

定價

Beam 可在 Apache 2.0 授權下免費下載及自行託管。若您希望調用託管端點，Reflection 已開放其第一方 API 的免費公開測試版。

在發布合作夥伴中，Baseten 列出的模型 API 定價為每百萬輸入 token $1.30，每百萬輸出 token $0.13，以及每百萬快取輸入 token $4.30。各供應商定價有所不同，請在測試當天查閱您所使用的具體端點。

如何運行 Beam

Reflection 發布的 Beam 幾乎可在任何環境中開箱即用。

權重與格式。 此次發布包含 BF16、FP8 及 NVFP4 精度格式，以及一個推測解碼（speculative-decoding）草稿模型。Reflection 表示已與合作夥伴合作開發融合核心（fused kernels）及服務配置，以降低記憶體佔用並加速生成速度。

首日框架支援。 根據 Reflection 的公告，Beam 原生支援 Transformers（Hugging Face）、vLLM、SGLang、Unsloth、Axolotl、TokenSpeed 及 NVIDIA Dynamo——無需自訂管道即可從權重直接部署至生產端點。

平台。 Beam 在眾多供應商上同步發布，包括 Amazon Web Services、Google Cloud、Baseten、CoreWeave、Databricks、Fireworks AI、Together AI、OpenRouter、Vercel、LM Studio 及 Ollama。對於本地部署、主權雲及氣隙（air-gapped）環境，Dell 及 HPE 可在防火牆後提供部署支援。

Mirror CLI：開源代理框架

Reflection 同時開源了 Mirror CLI，這是其訓練 Beam 所使用的終端代理框架。Mirror 將 Python 前端（提示詞、技能、開發者工具）與驅動模型的 Rust 代理核心相結合，支援可恢復對話、在獨立工作樹中並行運行代理、項目指令、MCP 連接及 Python 擴展。

Reflection 表示，Mirror 最初是為內部工程需求而設計——具備隔離工作區、後台會話，以及 Slack、Linear 和 GitHub 整合——之後才開源發布。Beam 亦可與其他框架配合使用，包括 Pi、OpenCode 及 Hermes。

「智能代理的開放作業系統」

Reflection 將此次發布定位為不僅僅是一次權重發布。它將整個套件稱為**「智能代理的開放作業系統」**，以模型為核心，在基礎設施層之上開放參考智能代理整合、部署容器、推理整合及自訂管道——並獲得 40 多個合作夥伴生態系統的支持。

在自訂方面，Reflection 提供微調及大規模強化學習的配方與整合（合作夥伴包括 NVIDIA、Hugging Face TRL、Anyscale 及 Axolotl），並表示將發布自蒸餾配方，並在未來的訓練中採用 OpenEnv 環境標準。

誰應該關注 Beam？

• 智能代理及編程工具開發者，需要一個具有強大 SWE-bench 及 MCP 工具使用分數的寬鬆授權模型。
• 關注推理成本的團隊，因為 token 效率定位旨在減少每項任務所需的推理 token 數量。
• 受監管或本地部署環境，需要同一套技術棧既能在筆記型電腦上運行，又能在防火牆後部署。

若您唯一的標準是在最困難任務上的原始峰值能力，目前的開放模型領導者可能仍略勝 Beam。但若寬鬆授權、智能代理工具使用及效率對您更為重要，Beam 從第一天起便是一個值得認真考慮的選擇。

以您自己的 AI 工作團隊發揮 Beam 等開放模型的潛力

Beam 正是為多智能代理系統所自動化的那種長時程、工具使用型工作而設計——讀取代碼庫、執行命令，以及完成多步驟任務。Eigent 是一款開源「協作」桌面應用程式，可將此類模型轉化為本地 AI 工作團隊，執行真實工作流程，從審查 GitHub PR 到多步驟研究任務。由於 Eigent 支援靈活切換模型，您可以將其指向開放權重模型，同時保持對技術棧的完全掌控。下載 Eigent，立即組建您自己的智能代理團隊。