Reflection Beam：501B 開放權重編程與 AI 代理模型完整解析

Reflection 已在 Hugging Face 以 Apache 2.0 授權發布其首款開放權重模型 Beam。Beam 是一款擁有 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 AI 代理任務而設計。本指南涵蓋已發布的內容、基準測試表現、託管 API 費用，以及如何自行部署——所有數據均來自 Reflection 官方模型卡。

什麼是 Reflection Beam？

Beam 是一款稀疏混合專家（MoE）模型，以 Beam-1.0-501B-A23B 發布，總參數量達 5010 億，每個 token 約啟用 230 億個參數。它採用文字輸入、文字輸出的架構，專為編程、推理及 AI 代理工作負載設計，並特別強調 token 使用效率。

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、15.2 萬 token 的詞彙表，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）搭配滑動視窗注意力，以及改良版的 Harmony 對話格式。

其核心賣點在於效率而非極限能力：Reflection 表示，Beam 能達到與領先開放模型相當的解題品質，同時所需的推理時間 token 數量約減少 3 倍，此說明載於模型卡中。

授權條款：完整的 Apache 2.0

對於開發團隊而言，最重要的細節是授權條款。Reflection 在 Hugging Face 以 Apache 2.0 授權發布 Beam 的模型權重——這是目前最寬鬆的授權選項之一，允許商業使用、再發布及修改。

模型卡同時聲明，Reflection 不禁止知識蒸餾、使用模型輸出訓練其他模型、微調（fine-tuning）、參數高效適應（parameter-efficient adaptation）、量化（quantization）或模型合併（merging）。這種開放態度使 Beam 在與 Kimi K3 和 DeepSeek 等模型的競爭中保持競爭力，對於計劃將 Beam 整合進產品的團隊而言，這一點尤為重要。

Beam 的基準測試

Reflection 的最終數據載於模型卡中，評估條件為溫度（temperature）0.7 及 top_p 0.99。以下是對 AI 代理開發者最具參考價值的 BF16 精度測試結果：

• 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% — 研究所等級科學推理
• 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 AI 代理與推理方面的分數相當亮眼，尤其考量到其 token 效率的定位。在官方部落格中，Reflection 將 Beam 定位為可與 GLM 5.2 等更大型開放模型競爭，並在編程與 AI 代理任務上接近 Qwen 3.8-Max。不過，獨立評測指出 Kimi K3 在原始能力上仍領先，因此應將 Beam 視為效率優先的選擇，而非全面超越的前沿模型。

關於數據的一點說明：早期報導引用 Baseten 發布文章時列出的數字略有不同（例如 SWE-bench Verified 為 80.9%）。上述模型卡數值為 Reflection 最終公布的基準測試結果，應以此作為標準參考。

定價

Beam 可在 Apache 2.0 授權下免費下載並自行部署。若您偏好使用託管端點，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 Model API 定價為每百萬輸入 token 1.30 美元、每百萬輸出 token 0.13 美元，以及每百萬快取輸入 token 4.30 美元。各服務商定價有所不同，請在測試當天確認您所使用的特定端點價格。

如何部署 Beam

Reflection 讓 Beam 幾乎可以在任何環境中開箱即用。

模型權重與格式。 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 表示已與合作夥伴共同開發融合核心（fused kernels）和服務配置，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——無需自訂整合即可從模型權重直接部署至生產端點。

部署平台。 Beam 在多個服務商上同步發布，包括 Amazon Web Services、Google Cloud、Baseten、CoreWeave、Databricks、Fireworks AI、Together AI、OpenRouter、Vercel、LM Studio 及 Ollama。針對本地部署、主權雲及氣隙（air-gapped）環境，Dell 和 HPE 提供防火牆內的部署方案。

Mirror CLI：開源代理執行框架

Reflection 同時開源了 Mirror CLI——其訓練 Beam 所使用的終端機代理執行框架。Mirror 結合了 Python 前端（提示詞、技能、開發者工具）與驅動模型的 Rust 代理核心，支援可恢復對話、獨立工作樹中的並行代理、專案指令、MCP 連線及 Python 擴充功能。

Reflection 表示，Mirror 最初是為內部工程需求而建立——具備隔離工作區、背景執行階段，以及 Slack、Linear 和 GitHub 整合——之後才開源發布。Beam 也相容其他執行框架，包括 Pi、OpenCode 及 Hermes。

「AI 代理的開放作業系統」

Reflection 將此次發布定位為不僅僅是模型權重的釋出。它將整個套件稱為 「AI 代理的開放作業系統」，以模型作為核心，並在基礎設施層之上開放參考代理整合、部署容器、推理整合及客製化流程——背後有超過 40 個合作夥伴組成的生態系統支撐。

在客製化方面，Reflection 提供微調與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（self-distillation）配方，並在未來的訓練中採用 OpenEnv 環境標準。

哪些人應該關注 Beam？

• AI 代理與編程工具開發者，需要一款具備寬鬆授權、在 SWE-bench 和 MCP 工具使用方面表現優異的模型。
• 關注推理成本的團隊，因為 token 效率的定位意味著每項任務所需的推理 token 更少。
• 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，也能部署在防火牆後方。

如果您唯一的標準是在最困難任務上的極限能力，目前的開放模型領導者可能仍略勝 Beam。但若寬鬆授權、AI 代理工具使用及效率對您更為重要，Beam 從發布第一天起就是一個值得認真考慮的選擇。

讓 Beam 等開放模型為您的 AI 工作團隊賦能

Beam 正是為多代理系統所自動化的那類長時程、工具使用型任務而設計——讀取程式碼庫、執行命令、完成多步驟任務。Eigent 是一款開源的「Cowork」桌面應用程式，能將這類模型轉化為本地 AI 工作團隊，執行真實工作流程，從審查 GitHub PR 到多步驟研究任務皆可勝任。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整掌控。立即下載 Eigent，打造您專屬的 AI 代理團隊。